一种基于深度学习的动脉瘤风险评估方法

技术领域

本发明涉及医学影像和计算机技术领域，更具体地说，它涉及一种基于深度学习的动脉瘤风险评估方法。

背景技术

动脉瘤是动脉管壁薄，从而导致的动脉部分永久性肿胀，一般发生于动脉分支分叉等。颅内动脉瘤则是发生于脑动脉壁的异常肿胀。任何年龄都可发病，常见于40-66岁。颅内动脉瘤破裂会导致严重症状甚至死亡。但由于颅内动脉瘤的治疗过程存在较高风险，因此对患者的最佳治疗时机是在动脉瘤破裂前进行手术干预，因此对颅内动脉瘤的风险评估在临床上尤为重要。

关于颅内动脉瘤破裂风险决定因素较为复杂，而临床工作又要求评估动脉瘤的破裂风险以决定治疗方案，尽管已经有较为统一的评估指标：纵横比AR(定义为动脉瘤高度除以动脉瘤颈直径)是最常用的反映动脉瘤形状的参数，其他一些更复杂的形状参数，如波动指数UI、非球形指数NSI和椭圆率指数EI被提出来尝试解释动脉瘤的三维(3D)特征，这些3D参数有希望比低维度参数更好地预测动脉瘤破裂风险。

然而在传统技术中，对颅内动脉瘤风险的评估参数的测算往往依赖于医生的经验和感觉，对于指标的测量又依赖于测量工具和测量人的经验。因此，现有技术的颅内动脉瘤风险评估技术存在主观的、不准确的问题。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种基于深度学习的动脉瘤风险评估方法，用于解决上述技术问题。

本发明的目的可以通过以下技术方案实现：

一种基于深度学习的动脉瘤风险评估方法，包括如下步骤：

步骤一：建立颅内动脉瘤提取深度学习网络并训练，建立三维卷积深度学习网络，收集并归一化已有的多例颅内动脉瘤病例制作训练数据，训练深度学习网络以完成深度学习动脉瘤定位模块；

步骤二：CTA中颅内动脉瘤提取，使用上述深度学习网络对颅内动脉瘤进行识别及定位，使用图像处理U-net分割算法，基于颅内动脉瘤的定位对动脉瘤进行分割，提取颅内动脉瘤外轮廓以及载瘤动脉外轮廓；

步骤三：颅内动脉瘤形态参数计算，根据动脉瘤凸包算法原则以及OBB方式，自动测算识别颅内动脉瘤几何特征参数，根据颅内动脉瘤几何特征参数计算并统计动脉瘤形态参数；

步骤四：动脉瘤风险评估，使用已收集的多例颅内动脉瘤病例，建立基于血流动力学相关形态特征可视化的颅内动脉瘤破裂风险评估模型，使用SVM分类方法进行多分类训练；

向颅内动脉瘤破裂风险评估模型中导入步骤三计算的动脉瘤形态参数，输出颅内动脉瘤破裂风险概率系数，实现对动脉瘤的风险评估。

作为本发明进一步的方案，步骤三中颅内动脉瘤几何特征参数包括动脉瘤高度、动脉瘤颈直径、动脉瘤表面积、动脉瘤体积、动脉瘤凸包表面积和动脉瘤凸包体积。

作为本发明进一步的方案，步骤三中动脉瘤形态参数包括动脉瘤的大小、纵横比AR、波动指数UI、非球形指数NSI、椭圆率指数EI、非球形指数NSI、尺寸比SR、载瘤动脉流入角度θv和动脉瘤倾斜角θ

与现有方案相比，本发明的有益效果：

本发明通过使用OBB的方式以及动脉瘤凸包算法统一了包络体重建的算法，保证了颅内动脉瘤几何特征参数和动脉瘤形状参数测算的唯一性以及评估的有效性；

本发明基于深度学习实现了动脉瘤形状参数的自动提取，在保证准确性的同时，提高了颅内动脉瘤破裂风险评估的效率以及样本收集的速度，传统方式中，即使不保证准确的前提下，测算时间因人而异从10分钟到半小时不等，而本发明中单个病例平均测算时间可控制在一分钟内，极大的提高了测算效率。

附图说明

图1为本发明一种基于深度学习的动脉瘤风险评估方法的流程示意图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

实施例1

参照图1所示，本发明为一种基于深度学习的动脉瘤风险评估方法，包括如下步骤：

步骤一：建立颅内动脉瘤提取深度学习网络并训练，建立三维卷积深度学习网络，收集并归一化已有的多例颅内动脉瘤病例制作训练数据，训练深度学习网络以完成深度学习动脉瘤定位模块；训练完成后，输入脑部CTA图像，识别颅内动脉瘤，即可获得颅内动脉瘤位置；

步骤二：CTA中颅内动脉瘤提取，使用上述深度学习网络对颅内动脉瘤进行识别及定位，使用图像处理U-net分割算法，基于颅内动脉瘤的定位对动脉瘤进行分割，提取颅内动脉瘤外轮廓以及载瘤动脉外轮廓；

步骤三：颅内动脉瘤形态参数计算，根据动脉瘤凸包算法原则以及OBB方式，自动测算识别颅内动脉瘤外轮廓以及载瘤动脉外轮廓中颅内动脉瘤几何特征参数，颅内动脉瘤几何特征参数包括动脉瘤高度、动脉瘤颈直径、动脉瘤表面积、动脉瘤体积、动脉瘤凸包表面积和动脉瘤凸包体积，根据颅内动脉瘤几何特征参数计算并统计动脉瘤形态参数；

步骤四：动脉瘤风险评估，使用已收集的多例颅内动脉瘤病例，建立基于血流动力学相关形态特征可视化的颅内动脉瘤破裂风险评估模型，使用SVM分类方法进行多分类训练；

向颅内动脉瘤破裂风险评估模型中导入步骤三计算的动脉瘤形态参数，输出颅内动脉瘤破裂风险概率系数，实现对动脉瘤的风险评估。

需要说明的是，动脉瘤的形状常被用来评估动脉瘤的破裂风险，某些形状参数与动脉瘤破裂风险之间的关系比动脉瘤大小更紧密，这些参数能够描述动脉瘤的形状，但参数的获取是动脉瘤风险评估的难点：对于直径和高度，即使可以用测量工具软件进行测量，但测量主体差异性直接导致无法对阈值或者参数进行量化分析，即使同一个测量主体，对于动脉瘤的测量基本只能测量对齐于坐标轴的参数，对于动脉瘤高度以及动脉瘤颈直径的测量，只能通过测量横断面动脉瘤的矢径横径以及动脉瘤跨度(AABB即Axis AlignedBounding Box)从而间接估计；

本发明的方法定义了高度和直径的测量准则，使用OBB的方式，相对AABB方式更能表征动脉瘤形状特性，并使用动脉瘤凸包算法统一了包络体重建的算法，从而能够计算得到动脉瘤凸包表面积和动脉瘤凸包体积，实现了参数测量的标准化，保证了颅内动脉瘤几何特征参数和动脉瘤形状参数测算的唯一性以及评估的有效性；

本发明在定义的测量准则的基础之上，基于深度学习实现了动脉瘤形状参数的自动提取，在保证准确性的同时，提高了颅内动脉瘤破裂风险评估的效率以及样本收集的速度，传统方式中，即使不保证准确的前提下，测算时间因人而异从10分钟到半小时不等，而本发明中单个病例平均测算时间可控制在一分钟内，极大的提高了测算效率。

具体的，训练数据包括医学图像以及对应标注数据。

具体的，OBB方式为Oriented Bounding Box的方式。

具体的，动脉瘤形态参数包括动脉瘤的大小、纵横比AR、波动指数UI、非球形指数NSI、椭圆率指数EI、非球形指数NSI、尺寸比SR、载瘤动脉流入角度θv和动脉瘤倾斜角θ

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”“相连”“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。