[发明专利]动脉瘤破裂风险预测方法、装置及存储介质

说明书

本发明提供一种动脉瘤破裂风险预测方法、装置及存储介质，包括：获取多个连续的3D磁共振血管造影图像数据；基于所述3D磁共振血管造影图像数据对动脉瘤分割及建立3D三角网格模型；基于动脉瘤分割结果和3D三角网格模型获得血流动力学参数、常规形态学特征以及放射学特征；获取基因数据和临床特征，基于所述血流动力学参数、常规形态学特征、放射学特征、基因数据以及临床特征获得动脉瘤破裂风险的预测结果。本发明提供的技术方案，基于血流动力学参数、常规形态学特征、放射学特征、基因数据以及临床特征几个方面得到动脉瘤破裂风险的预测结果，使得预测结果更加的准确。

技术领域

本发明涉及动脉瘤预测技术，尤其涉及一种动脉瘤破裂风险预测方法、装置及存储介质。

背景技术

颅内动脉瘤发病率为3％-7％，诊断性医学成像水平的提高使得未破裂动脉瘤的更容易被发现，虽然大多数动脉瘤仍无症状且从不破裂，但当动脉瘤出现破裂时会导致出血性中风，可导致高达65％的死亡率，并因此带来不可挽回的结果和巨大的经济负担。鉴于破裂的灾难性后果，识别易破裂的动脉瘤以及判断其稳定性对制定未破裂动脉瘤的治疗方案很重要，尤其是小动脉瘤。未破裂的小动脉瘤会在出现动脉瘤性蛛网膜下腔出血而被治疗。然而，每一种治疗方式都存在一定的风险。与预防破裂的治疗方案相关的风险已经超过了每年约1％的动脉瘤自然破裂风险，被错误归类为未来破裂风险较低的高危动脉瘤如果不进行治疗，也会给患者带来危险。因此，对动脉瘤破裂风险的评估对于决定是否进行治疗或保守观察至关重要。

形态学和临床特征与动脉瘤的稳定性密切相关。许多形态学参数(如尺寸比、长宽比、高宽比等)主要是在二维投影中测量的，不同的评分者或投影可能会使测量结果有所不同。基于这些因素的风险评价方法应运而生，但其预测性能有限。为了克服这些缺点，为了拥有一个高灵敏度的动脉瘤破裂风险的评估模型，建立一个全面的高预测性能的模型尤为重要。放射组学是一种新兴的分析技术，它从图像中提取特征，并以数据驱动的方式进行分析。它已被证明在癌症预后、放射治疗和癌症遗传学评估等许多领域都是有用的。目前，放射组学特征在动脉瘤分层中的应用还不多见。之前研究中包含的形状特征只是从图像中提取的特征中的一小部分，仍然有许多特征，如一阶直方图和二阶纹理特征，还没有被利用。研究表明易破裂的动脉瘤显示出特定的纹理特征，可能间接地反映了动脉瘤内的血流动力学。血流动力学参数与动脉瘤破裂有关，然而，大多数对动脉瘤血流动力学的研究都采用了基于假定的血流特性的计算机模拟。

与颅内动脉瘤破裂的发病机制有关的基因研究越来越受到人们的重视。有研究探索了破裂和未破裂的动脉瘤的基因表达谱存在差异，确定了总共159个差异表达基因和几个关键的生物学过程，包括细胞粘附、肌肉系统、免疫系统和炎症反应等。很少有研究采取基因手段进行动脉瘤破裂风险的评估。

在医学领域，人工智能已被用于癌症成像，辅助癌症的准确检测、定性和监测，特别是肺癌、脑癌、乳腺癌和前列腺癌。人工智能在动脉瘤检测、风险分层和预测中的初步应用也已被报道。

机器学习模型在医学分类和预测方面表现出了强大的能力，能快速的处理大量数据，放射组学能够以自动方式从各种图像模式生成大量纹理派生特征，这使得它成为机器学习和医学信息学研究的一个有吸引力的工具，目前还没有将放射组学和基因组学与机器学习相结合应用于预测动脉瘤破裂风险的研究。

发明内容

本发明实施例提供动一种动脉瘤破裂风险预测方法、装置及存储介质，基于机器学习，将血流动力学参数、常规形态学特征、放射学特征、基因数据以及临床特征几个方面得到动脉瘤破裂风险的预测结果，使得预测结果更加的准确。

本发明实施例的第一方面，提供一种动脉瘤破裂风险预测方法，包括：

获取多个连续的3D磁共振血管造影图像数据；

基于所述3D磁共振血管造影图像数据对动脉瘤分割及建立3D三角网格模型；

基于动脉瘤分割结果和3D三角网格模型获得血流动力学参数、常规形态学特征以及放射学特征；