[發明專利]基于深度學習推薦彈簧圈栓塞高風險動脈瘤方法

在審

• 申請號: 202210752108.0
• 申請日: 2022-06-28
• 公開（公告）號: CN115171852A
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 劉偉奇;陳磊;馬學升;陳金鋼;徐鵬;趙友源
• 申請（專利權）人: 昆明同心醫聯科技有限公司
• 主分類號: G16H30/20
• 分類號: G16H30/20;G16H30/40;G06T17/00;A61B17/12;G06N3/04;G06N3/08
• 代理公司: 北京知果之信知識產權代理有限公司 11541
• 代理人: 蘇利

1.一種基于深度學習推薦彈簧圈栓塞高風險動脈瘤方法，其特征在于，方法包括以下步驟：

在CAT上獲取D ICOM格式的待處理動脈瘤醫學影像數據，針對獲取DICOM格式的待處理動脈瘤醫學影像對非必要的數據進行刪除，并將DICOM格式的待處理動脈瘤醫學影像轉換為NII.GZ格式的待預測動脈瘤醫學影像；

通過UN-Net的20層神經網絡訓練對動脈瘤醫學影像中的載瘤動脈圖像和動脈瘤圖像進行重建和分割，得到動脈瘤識別算法；

通過UP3預設路徑規劃的動脈瘤識別算法輸入，獲取彈簧圈的規格；

通過UP3預設路徑規劃模擬彈簧圈栓塞過程；

通過UP3預設路徑規劃的動脈瘤識別算法生成彈簧圈的3D表面模型，計算旋轉彈簧圈的尺寸和彈簧圈型號，生成預測彈簧圈。

2.如權利要求1所述的基于深度學習推薦彈簧圈栓塞高風險動脈瘤方法，其特征在于，神經網絡訓練具體過程包括前向傳播和后向傳播的連續迭代；

前向傳播是將輸入的載瘤動脈圖像和動脈瘤圖像納入網絡，最終得到載瘤動脈圖像對應的每像素或然預測輸出集和動脈瘤圖像對應的每像素或然預測輸出集；

后向傳播是使用損失函數通過最陡梯度下降法更新參數值，通過計算得到最速下降的方向和通過Adam優化算法執行最小化損失的更新過程。

3.如權利要求2所述的基于深度學習推薦彈簧圈栓塞高風險動脈瘤方法，其特征在于，將載瘤動脈圖像對應的每像素或然預測輸出集和動脈瘤圖像對應的每像素或然預測輸出集分別與對應的用戶注釋的病灶載瘤動脈圖像和動脈瘤圖像進行對比計算分析，計算負骰子系數。

4.如權利要求1所述的基于深度學習推薦彈簧圈栓塞高風險動脈瘤方法，其特征在于，通過UP3預設路徑規劃的動脈瘤識別算法，獲取彈簧圈的規格具體過程為：

通過三維有序向量Φ確定彈簧圈線圈規格，從器材數據庫中獲取彈簧圈的具體參數，整個彈簧圈展開后，使用PTC Creo 4.0.將彈簧圈展開后的中心線數據模擬到三維圓柱形模型中。

5.如權利要求4所述的基于深度學習推薦彈簧圈栓塞高風險動脈瘤方法，其特征在于，三維有序向量Φ的計算公式為：

其中，為預成型第i段的矢量方向，n_coil為沿線圈長度的總段數。

6.如權利要求1所述的基于深度學習推薦彈簧圈栓塞高風險動脈瘤方法，其特征在于，通過UP3預設路徑規劃模擬彈簧圈栓塞過程具體過程包括：

選擇彈簧圈頭端的起始點和起始方向，通過計算動脈瘤體積的中心點得到起始點起始方向為從動脈瘤瘤頸部中心點指向動脈瘤體積中心的單位向量，沿起始點和起始方向依次向動脈瘤內填塞彈簧圈，當彈簧圈i段添加到彈簧圈i-1段的前端時，彈簧圈i段和彈簧圈i-1段之間的角度與和之間的角度相同，在彈簧圈線圈頭端與動脈瘤瘤壁或其他現有彈簧圈線圈段發生碰撞的情況下，按照碰撞算法避免碰撞，旋轉彈簧圈頭端，直到避免碰撞動脈瘤壁，完成彈簧圈栓塞。

7.如權利要求6所述的基于深度學習推薦彈簧圈栓塞高風險動脈瘤方法，其特征在于，彈簧圈栓塞過程的計算公式為：

其中，為第i個彈簧圈段頭部的位置向量，R為用于解決碰撞的旋轉矩陣。

8.如權利要求6所述的基于深度學習推薦彈簧圈栓塞高風險動脈瘤方法，其特征在于，碰撞算法包括計算動脈瘤壁和彈簧圈之間碰撞次數以及彈簧圈和其他現有彈簧圈碰撞次數；

計算動脈瘤壁和彈簧圈之間碰撞次數的具體過程為：

計算每個動脈瘤頂點和第i個彈簧圈線圈頭部之間的距離；

標記對應頂點接近彈簧圈的第i個線圈段，預成型的長度和線圈半徑之和的兩倍作為彈簧圈最后的長度選擇；

分析彈簧圈i段與每個動脈瘤標記面的碰撞情況，并將彈簧圈第i段上線圈與動脈瘤碰撞的總數報告為

計算彈簧圈在栓塞動脈瘤時發生瘤壁碰撞次數。