[发明专利]一种基于深度学习推荐首发弹簧圈的方法、装置及存储介质

说明书

本申请实施例公开了一种基于深度学习推荐首发弹簧圈的方法、装置及存储介质，其中基于深度学习推荐首发弹簧圈的方法包括步骤：获取待预测目标影像，基于预先构建的特征提取模型，确定所述待预测目标影像中的第一目标特征；通过预先选定的图像旋转轴旋转所述第一目标特征，获取旋转后所述第一目标特征各个方向对应的形态学参数；根据所述形态学参数，通过预先构建的特征识别模型，确定第二目标特征，其中所述第一目标特征包括动脉瘤对应的3D图像，所述第二目标特征包括所述动脉瘤对应的首发弹簧圈。

技术领域

本申请涉及人工智能算法辅助医学技术领域，具体涉及一种基于深度学习推荐首发弹簧圈的方法、装置及存储介质。

背景技术

颅内动脉瘤是导致蛛网膜下腔出血的主要原因，全世界每年有近50万人死于颅内动脉瘤，中国人群发病率约为5％。颅内动脉瘤是指颅内动脉管壁上出现异常膨出，极易诱发蛛网膜下腔出血。目前临床尚未完全明确颅内动脉瘤的发病机制，血管炎、脑动脉硬化以及高血压可能是其危险因素，一旦颅内动脉瘤发生破裂，将给患者的生命安全带来严重威胁。因此，临床加强对颅内破裂动脉瘤的治疗非常重要。颅内动脉瘤多由脑部动脉血管异常膨出所致，通常无明显症状，随着瘤体增大可逐渐增大对血管及神经组织压迫作用，引起头晕、视物模糊等症状，若不及时治疗，颅内动脉瘤一旦发生破裂，还可威胁患者生命。目前血管内介入为治疗颅内动脉瘤常用方式，具有入路简单、创伤小等特点，通过弹簧圈栓塞，可减少血流对瘤体血管冲击，促使破裂动脉瘤形成血栓愈合，达到治愈目的。

因此，基于动脉瘤的血管形态及血流动力学基础，个性化的弹簧圈选择规划是目前神经外科医生面对的临床难题。动脉瘤的复发和栓塞是致密度是密切相关的，栓塞程度的评估通过测定脑血管造影下未充盈区域占动脉瘤腔的比例，最佳的动脉瘤栓塞，应达到囊内致密填塞，但是达到这种致密栓塞需要合理规划手术过程中每个弹簧圈的选择，避免错误的选择后导致的动脉瘤残留。随着血管内栓塞技术不断提高及临床新型材料的应用，动脉瘤栓塞术治疗效果显著，已被临床认可，要选择优质的栓塞材料，提高手术操作水平，在栓塞治疗时尽量做到完全栓塞、致密栓塞，同时加强管理及时发现问题，可有效减少动脉瘤栓塞术后复发，提高手术治疗效果。

目前，现有技术无法在术前根据高风险未破裂动脉瘤的血管形态推荐首发弹簧圈栓塞，选择一个个性化的手术治疗方案，从而造成患者的治疗效果及预后生活质量降低，因此神经外科医生急需要一款能够辅助手术辅助推荐弹簧圈的方法。

发明内容

本申请实施例的目的在于提供一种基于深度学习推荐首发弹簧圈的方法、装置及存储介质，用以解决现有技术无法在术前根据高风险未破裂动脉瘤的血管形态推荐首发弹簧圈栓塞，选择一个个性化的手术治疗方案，从而造成患者的治疗效果及预后生活质量降低的问题。

为实现上述目的，本申请实施例提供一种基于深度学习推荐首发弹簧圈的方法，包括步骤：获取待预测目标影像，基于预先构建的特征提取模型，确定所述待预测目标影像中的第一目标特征；通过预先选定的图像旋转轴旋转所述第一目标特征，获取旋转后所述第一目标特征各个方向对应的形态学参数；根据所述形态学参数，通过预先构建的特征识别模型，确定第二目标特征，其中所述第一目标特征包括动脉瘤对应的3D图像，所述第二目标特征包括所述动脉瘤对应的首发弹簧圈。

可选地，所述特征提取模型包括基于对UN-Net神经网络进行训练后获得的动脉瘤识别算法，用于从所述待预测目标影像中获取所述动脉瘤对应的3D图像。

可选地，所述特征识别模型包括支持向量机模型，用于基于输入的所述形态学参数，输出对应的所述首发弹簧圈的规格参数。

可选地，所述形态学参数包括所述动脉瘤的长度、宽度、体积、高度、表面积、短颈、长颈和瘤颈直径信息。

可选地，获取所述待预测目标影像的方法包括：从CAT上获取DICOM格式的待处理动脉瘤影像数据，对DICOM格式的所述待处理动脉瘤影像的非必要数据进行删除，将DICOM格式的所述待处理动脉瘤影像转换为NII.GZ格式的所述待预测目标影像。