[发明专利]动脉瘤破裂状态识别系统以及医疗辅助系统

说明书

本申请公开了一种动脉瘤破裂状态识别系统以及医疗辅助系统，其中所述识别系统包括：形态学处理模块，用于采集血管造影并通过3D重建得到目标三维图像，并根据所述目标三维图像获取动脉瘤的形态学变量参数；血流动力学模块，用于基于CFD模拟获取所述动脉瘤的血流动力学参数；机器学习模块，用于基于有监督的决策树算法的随机森林分类器模型，对不同动脉瘤分类模型的分类结果进行评估，得到识别结果，其中所述动脉瘤分类模型的输入至少包括如下之一的参数：血流动力学参数、形态学变量参数。通过本申请的系统，基于有监督ML算法的随机森林分类器模型，以脑动脉瘤的形态学变量和血流动力学参数作为输入，建立了脑动脉瘤破裂状态的分类模型。本申请还提供了一种医疗辅助系统。

技术领域

本申请涉及计算机视觉、医疗技术领域，具体而言，涉及一种动脉瘤破裂状态识别系统以及医疗辅助系统。

背景技术

脑动脉瘤是大脑动脉管壁的异常隆起，其破裂可导致蛛网膜下腔出血(subarachnoid hemorrhage,SAH)，死亡率较高。SAH患者中有15-35％的动脉瘤患者出现多发性颅内动脉瘤，对于有多个动脉瘤的SAH患者，确定哪一个导致SAH非常重要，由于误诊而未经治疗但破裂的动脉瘤可能很快再次破裂。临床医生通常根据动脉瘤的大小、位置和形状来评估破裂状态。通常认为小于10mm的动脉瘤破裂风险较低，无需治疗，而少数小动脉瘤的破裂使得其治疗尤为复杂。

然而，相关技术中对于脑动脉瘤破裂的影响因素和机制仍不清楚。对于没有发生SAH的患者，预测哪些动脉瘤容易破裂以及是否需要手术是至关重要的。然而，预测多发性脑动脉瘤患者的破裂风险然是临床医生面临的巨大挑战。

相关技术中的研究均采用了类似的技术来评估破裂状态，如假设检验、线性相关和多元逻辑回归，但很少关注机器学习(machine learning,ML)算法。近年来，ML在各个领域得到了广泛的应用，并得到了迅速的发展。临床医学中使用ML方法的研究也在增加，尤其是诊断放射学。

有研究表明，诊断腹主动脉瘤(abdominal aortic aneurysm,AAA)破裂状态的参数性能因分类器而异。ML算法分为两大类：有监督学习算法和无监督学习算法。在有监督学习中，将成对的输入和输出提供给算法，从而找到从输入生成输出的方法，这项技术能够预测结果、对各种数据进行分类以及从数据中检测错误，已开始被应用于医学领域。相反，在无监督学习中，只有输入是已知的，没有已知的输出提供给算法，通常用于更好地理解和探索数据。

针对相关技术中医生仅凭借对影像学检查的视觉评估很难准确判断脑动力的破裂状态，且由于存在个体主观性和医生个人经验的差异容易造成较大的误差的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种动脉瘤破裂状态识别系统以及医疗辅助系统，以解决问题。

为了实现上述目的，根据本申请的一个方面，提供了一种动脉瘤破裂状态识别系统

根据动脉瘤破裂状态识别系统，包括：

形态学处理模块，用于采集血管造影并通过3D重建得到目标三维图像，并根据所述目标三维图像获取动脉瘤的形态学变量参数；

血流动力学模块，用于基于CFD模拟获取所述动脉瘤的血流动力学参数；

机器学习模块，用于基于有监督的决策树算法的随机森林分类器模型，对不同动脉瘤分类模型的分类结果进行评估，得到识别结果，其中所述动脉瘤分类模型的输入至少包括如下之一的参数：血流动力学参数、形态学变量参数。

进一步地，所述动脉瘤分类模型包括：具有所述血流动力学参数的第一分类模型、具有所述形态学变量参数的第二分类模型以及具有所述血流动力学参数和所述形态学变量参数的第三分类模型，

对不同动脉瘤分类模型的分类结果进行评估，并根据所述第三分类模型得到识别结果。