[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

说明书

本公开实施例公开了基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法。具体包括以下方法：在CAT上获取DICOM格式的待处理动脉瘤医学影像数据，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，生成预测弹簧圈。本申请解决了现有的血管内栓塞技术存在在栓塞治疗时无法做到完全栓塞和致密栓塞，以及错误的选择弹簧圈后导致的动脉瘤残留的问题。

技术领域

本发明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弹簧圈栓塞高风险动脉瘤方法。

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％。目前高风险未破裂颅内动脉瘤定义是指：(1)同一影像学检查至少1个方向生长≥1.0mm，(2)同一影像学检查2个方向生长≥0.5mm，(3)动脉瘤形态发生改变(即由规则形态改变为不规则形态；由于动脉瘤破裂出血后危害性极大，有约四分之一的病人经过治疗后仍会出现预后不佳的情况，因此早期对动脉瘤进行治疗尤其关键。

动脉瘤血管内栓塞治疗的适应证和栓塞材料密切相关，20世纪80年代多采用可脱性球囊，主要用于栓塞的一些无法手术夹闭的动脉瘤，球囊很难适应动脉瘤不规则的形状，有可能撑破动脉瘤，引起动脉瘤破裂。此后，弹簧圈用于动脉瘤栓塞，但其可靠性差，一旦推出微导管则不能回撤，易发生意外栓塞。近年来，新型可脱弹簧圈的应用，使动脉瘤栓塞治疗有了很大的发展，栓塞指征不断扩大，疗效明显提高，由于其优越的性能，被认为是栓塞动脉瘤最佳材料。国外有报道90％的颅内动脉瘤可通过栓塞治疗。介入栓塞术具有手术创伤小、恢复快的特点，因此根据患者高风险未破裂动脉瘤的形态学特点及破裂潜能进行术前弹簧圈手术规划，降低手术风险及并发症的出现。目前梭形动脉瘤的治疗方案首选血管内介入，当动脉瘤周围涉及重要血管分支时手术风险明显增大。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的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。目前的神经外科医生急需要一款辅助手术辅助推荐弹簧圈的方法，可以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，选择一个个性化的手术治疗方案，提高患者的治疗效果及预后生活质量。

综上所述，现有的血管内栓塞技术存在在栓塞治疗时无法做到完全栓塞和致密栓塞，以及错误的选择弹簧圈后导致的动脉瘤残留的问题。

发明内容

本发明实施例的目的在于提供一种基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，用以解决现有的血管内栓塞技术存在在栓塞治疗时无法做到完全栓塞和致密栓塞，以及错误的选择弹簧圈后导致的动脉瘤残留的问题。

为实现上述目的，本发明实施例提供一种基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，方法包括以下步骤：

在CAT上获取DICOM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；