[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 |
| 地址: | 650106 云南省昆明市高新區C2-*** | 國省代碼: | 云南;53 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 基于 深度 學習 推薦 彈簧 栓塞 風險 動脈瘤 方法 | ||
本公開實施例公開了基于深度學習推薦彈簧圈栓塞高風險動脈瘤方法。具體包括以下方法:在CAT上獲取DICOM格式的待處理動脈瘤醫學影像數據,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,生成預測彈簧圈。本申請解決了現有的血管內栓塞技術存在在栓塞治療時無法做到完全栓塞和致密栓塞,以及錯誤的選擇彈簧圈后導致的動脈瘤殘留的問題。
技術領域
本發明涉及人工智能算法輔助醫學技術領域,具體涉及一種基于深度學習推薦彈簧圈栓塞高風險動脈瘤方法。
背景技術
顱內動脈瘤是導致蛛網膜下腔出血的主要原因,全世界每年有近50萬人死于顱內動脈瘤,中國人群發病率約為5%。目前高風險未破裂顱內動脈瘤定義是指:(1)同一影像學檢查至少1個方向生長≥1.0mm,(2)同一影像學檢查2個方向生長≥0.5mm,(3)動脈瘤形態發生改變(即由規則形態改變為不規則形態;由于動脈瘤破裂出血后危害性極大,有約四分之一的病人經過治療后仍會出現預后不佳的情況,因此早期對動脈瘤進行治療尤其關鍵。
動脈瘤血管內栓塞治療的適應證和栓塞材料密切相關,20世紀80年代多采用可脫性球囊,主要用于栓塞的一些無法手術夾閉的動脈瘤,球囊很難適應動脈瘤不規則的形狀,有可能撐破動脈瘤,引起動脈瘤破裂。此后,彈簧圈用于動脈瘤栓塞,但其可靠性差,一旦推出微導管則不能回撤,易發生意外栓塞。近年來,新型可脫彈簧圈的應用,使動脈瘤栓塞治療有了很大的發展,栓塞指征不斷擴大,療效明顯提高,由于其優越的性能,被認為是栓塞動脈瘤最佳材料。國外有報道90%的顱內動脈瘤可通過栓塞治療。介入栓塞術具有手術創傷小、恢復快的特點,因此根據患者高風險未破裂動脈瘤的形態學特點及破裂潛能進行術前彈簧圈手術規劃,降低手術風險及并發癥的出現。目前梭形動脈瘤的治療方案首選血管內介入,當動脈瘤周圍涉及重要血管分支時手術風險明顯增大。因此,基于動脈瘤的血管形態及血流動力學基礎,個性化的彈簧圈選擇規劃是目前神經外科醫生面對的臨床難題。動脈瘤的復發和栓塞的致密度是密切相關的,栓塞程度的評估通過測定腦血管造影下未充盈區域占動脈瘤腔的比例,最佳的動脈瘤栓塞,應達到囊內致密填塞,但是達到這種致密栓塞需要合理規劃手術過程中每個彈簧圈的選擇,避免錯誤的選擇后導致的動脈瘤殘留。隨著血管內栓塞技術不斷提高及臨床新型材料的應用,動脈瘤栓塞術治療效果顯著,已被臨床認可,要選擇優質的栓塞材料,提高手術操作水平,在栓塞治療時盡量做到完全栓塞、致密栓塞,同時加強管理及時發現問題,可有效減少動脈瘤栓塞術后復發,提高手術治療效果。目前的神經外科醫生急需要一款輔助手術輔助推薦彈簧圈的方法,可以術前根據高風險未破裂動脈瘤的血管形態推薦首發彈簧圈,選擇一個個性化的手術治療方案,提高患者的治療效果及預后生活質量。
綜上所述,現有的血管內栓塞技術存在在栓塞治療時無法做到完全栓塞和致密栓塞,以及錯誤的選擇彈簧圈后導致的動脈瘤殘留的問題。
發明內容
本發明實施例的目的在于提供一種基于深度學習推薦彈簧圈栓塞高風險動脈瘤方法,用以解決現有的血管內栓塞技術存在在栓塞治療時無法做到完全栓塞和致密栓塞,以及錯誤的選擇彈簧圈后導致的動脈瘤殘留的問題。
為實現上述目的,本發明實施例提供一種基于深度學習推薦彈簧圈栓塞高風險動脈瘤方法,方法包括以下步驟:
在CAT上獲取DICOM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;
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于昆明同心醫聯科技有限公司,未經昆明同心醫聯科技有限公司許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202210752108.0/2.html,轉載請聲明來源鉆瓜專利網。





