[发明专利]基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法

权利要求书

1.一种基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，方法包括以下步骤：

在CAT上获取D ICOM格式的待处理动脉瘤医学影像数据，针对获取DICOM格式的待处理动脉瘤医学影像对非必要的数据进行删除，并将DICOM格式的待处理动脉瘤医学影像转换为NII.GZ格式的待预测动脉瘤医学影像；

通过UN-Net的20层神经网络训练对动脉瘤医学影像中的载瘤动脉图像和动脉瘤图像进行重建和分割，得到动脉瘤识别算法；

通过UP3预设路径规划的动脉瘤识别算法输入，获取弹簧圈的规格；

通过UP3预设路径规划模拟弹簧圈栓塞过程；

通过UP3预设路径规划的动脉瘤识别算法生成弹簧圈的3D表面模型，计算旋转弹簧圈的尺寸和弹簧圈型号，生成预测弹簧圈。

2.如权利要求1所述的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，神经网络训练具体过程包括前向传播和后向传播的连续迭代；

前向传播是将输入的载瘤动脉图像和动脉瘤图像纳入网络，最终得到载瘤动脉图像对应的每像素或然预测输出集和动脉瘤图像对应的每像素或然预测输出集；

后向传播是使用损失函数通过最陡梯度下降法更新参数值，通过计算得到最速下降的方向和通过Adam优化算法执行最小化损失的更新过程。

3.如权利要求2所述的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，将载瘤动脉图像对应的每像素或然预测输出集和动脉瘤图像对应的每像素或然预测输出集分别与对应的用户注释的病灶载瘤动脉图像和动脉瘤图像进行对比计算分析，计算负骰子系数。

4.如权利要求1所述的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，通过UP3预设路径规划的动脉瘤识别算法，获取弹簧圈的规格具体过程为：

通过三维有序向量Φ确定弹簧圈线圈规格，从器材数据库中获取弹簧圈的具体参数，整个弹簧圈展开后，使用PTC Creo 4.0.将弹簧圈展开后的中心线数据模拟到三维圆柱形模型中。

5.如权利要求4所述的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，三维有序向量Φ的计算公式为：

其中，为预成型第i段的矢量方向，n_coil为沿线圈长度的总段数。

6.如权利要求1所述的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，通过UP3预设路径规划模拟弹簧圈栓塞过程具体过程包括：

选择弹簧圈头端的起始点和起始方向，通过计算动脉瘤体积的中心点得到起始点起始方向为从动脉瘤瘤颈部中心点指向动脉瘤体积中心的单位向量，沿起始点和起始方向依次向动脉瘤内填塞弹簧圈，当弹簧圈i段添加到弹簧圈i-1段的前端时，弹簧圈i段和弹簧圈i-1段之间的角度与和之间的角度相同，在弹簧圈线圈头端与动脉瘤瘤壁或其他现有弹簧圈线圈段发生碰撞的情况下，按照碰撞算法避免碰撞，旋转弹簧圈头端，直到避免碰撞动脉瘤壁，完成弹簧圈栓塞。

7.如权利要求6所述的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，弹簧圈栓塞过程的计算公式为：

其中，为第i个弹簧圈段头部的位置向量，R为用于解决碰撞的旋转矩阵。

8.如权利要求6所述的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，碰撞算法包括计算动脉瘤壁和弹簧圈之间碰撞次数以及弹簧圈和其他现有弹簧圈碰撞次数；

计算动脉瘤壁和弹簧圈之间碰撞次数的具体过程为：

计算每个动脉瘤顶点和第i个弹簧圈线圈头部之间的距离；

标记对应顶点接近弹簧圈的第i个线圈段，预成型的长度和线圈半径之和的两倍作为弹簧圈最后的长度选择；

分析弹簧圈i段与每个动脉瘤标记面的碰撞情况，并将弹簧圈第i段上线圈与动脉瘤碰撞的总数报告为

计算弹簧圈在栓塞动脉瘤时发生瘤壁碰撞次数。