一种基于机器学习的颅内动脉瘤稳定性评估模型及方法与流程

1.本发明属于医学技术领域，尤其涉及一种基于机器学习的颅内动脉瘤稳定性评估模型及方法。


背景技术：

2.目前，颅内动脉瘤是指脑动脉内腔的局限性异常扩大造成动脉壁的一种瘤状突出，颅内动脉瘤多因脑动脉管壁局部的先天性缺陷和腔内压力增高的基础上引起囊性膨出，是造成蛛网膜下腔出血的首位病因。
3.通过上述分析，现有技术存在的问题及缺陷为：尚无研究联合多模态数据对动脉瘤稳定性进行综合评估。
4.解决以上问题及缺陷的难度为：获取基于联合形态学、血流动力学及瘤壁炎性反应的多模态数据难度较大。
5.解决以上问题及缺陷的意义为：基于动脉瘤真实情况进行动脉瘤稳定性的深度分析。


技术实现要素：

6.针对现有技术存在的问题，本发明提供了一种基于机器学习的颅内动脉瘤稳定性评估模型及方法。
7.本发明是这样实现的，一种基于机器学习的颅内动脉瘤稳定性评估方法，所述基于机器学习的颅内动脉瘤稳定性评估方法，包括：
8.步骤一，首先分成两组：推导组与验证组；在推导组里，联合影像学中的管壁增强；形态学学中的大小、长、宽、颈等指标；以及血流动力学的wss和osi等指标，并基于机器学习建立一个动脉瘤稳定性个体化评估量表；
9.步骤二，在验证组里基于动脉瘤稳定性个体化评估量表对动脉瘤进行稳定性评估，分为稳定组与不稳定组，对比两组之间的各指标差异，得到诱发动脉瘤不稳定的参数；
10.步骤三，根据得到诱发动脉瘤不稳定的参数基于机器学习建立不稳定评估模型。
11.进一步，所述步骤一中，形态学通过3d slicer进行逐级提取，包括：子瘤、分叶状、瘤壁平坦度参数。
12.进一步，所述步骤一中，血流动力学通过先进的4d-flow mri进行数据提取，包括：血流模式、动脉瘤内流速流量。
13.进一步，所述步骤一中，瘤壁炎性反应通过高分辨率磁共振序列进行瘤壁增强量化参数提取：参数包括：wei、crstalk、aer、aei。
14.本发明另一目的在于提供一种利用所述基于机器学习的颅内动脉瘤稳定性评估方法的基于机器学习的颅内动脉瘤稳定性评估模型(评分量表，能看出每个指标的权重)，所述基于机器学习的颅内动脉瘤稳定性评估模型设置有稳定组和不稳定组。
15.进一步，所述稳定组为：动脉瘤随访6个月未增大。
16.进一步，所述不稳定组为：动脉瘤随访6个月有增大超过1mm，患者有炸裂性头痛，颅神经麻痹动脉瘤压迫症状。
17.结合上述的所有技术方案，本发明所具备的优点及积极效果为：能综合多因素对动脉瘤的稳定性进行深度评估，从而辅助临床决策，对医生和患者的治疗选择提供辅助。
附图说明
18.图1是本发明实施例提供的基于机器学习的颅内动脉瘤稳定性评估方法流程图。
具体实施方式
19.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
20.针对现有技术存在的问题，本发明提供了一种基于机器学习的颅内动脉瘤稳定性评估模型及方法，下面结合附图对本发明作详细的描述。
21.本发明提供的基于机器学习的颅内动脉瘤稳定性评估方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的基于机器学习的颅内动脉瘤稳定性评估方法仅仅是一个具体实施例而已。
22.如图1所示，本发明实施例提供的基于机器学习的颅内动脉瘤稳定性评估方法，包括：
23.s101：联合几种关键的影像因素，结合形态学、血流动力学及瘤壁炎性反应，并基于机器学习建立一个动脉瘤稳定性个体化评估量表。
24.s102：根据动脉瘤稳定性个体化评估量表，进行稳定性分组。
25.s103：对稳定组与不稳定组进行对比，得到诱发动脉瘤不稳定的参数。
26.s104：根据得到的诱发动脉瘤不稳定的参数，通过基于机器学习建立不稳定评估模型。
27.本发明实施例提供的s101中，形态学通过3d slicer进行逐级提取，包括：子瘤、分叶状、瘤壁平坦度等参数。
28.本发明实施例提供的s101中，血流动力学通过先进的4d-flow mri进行数据提取，包括：血流模式、动脉瘤内流速流量。
29.本发明实施例提供的s101中，瘤壁炎性反应通过高分辨率磁共振序列进行瘤壁增强量化参数提取：参数包括：wei、crstalk、aer、aei。
30.本发明实施例提供的基于机器学习的颅内动脉瘤稳定性评估模型包括：稳定组和不稳定组；
31.所述稳定组为：动脉瘤随访6个月未增大；不稳定组为动脉瘤随访6个月有增大超过1mm，患者有炸裂性头痛，颅神经麻痹等动脉瘤压迫症状。
32.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。


技术特征：
1.一种基于机器学习的颅内动脉瘤稳定性评估方法，其特征在于，所述基于机器学习的颅内动脉瘤稳定性评估方法，包括：步骤一，首先分成两组：推导组与验证组；在推导组里，联合影像学中的管壁增强；形态学学中的大小、长、宽、颈等指标；以及血流动力学的wss和osi等指标，并基于机器学习建立一个动脉瘤稳定性个体化评估量表；步骤二，在验证组里基于动脉瘤稳定性个体化评估量表对动脉瘤进行稳定性评估，分为稳定组与不稳定组，对比两组之间的各指标差异，得到诱发动脉瘤不稳定的参数；步骤三，根据得到诱发动脉瘤不稳定的参数基于机器学习建立不稳定评估模型。2.如权利要求1所述基于机器学习的颅内动脉瘤稳定性评估方法，其特征在于，所述步骤一中，形态学通过3d slicer进行逐级提取，包括：子瘤、分叶状、瘤壁平坦度参数。3.如权利要求1所述基于机器学习的颅内动脉瘤稳定性评估方法，其特征在于，所述步骤一中，血流动力学通过先进的4d-flow mri进行数据提取，包括：血流模式、动脉瘤内流速流量。4.如权利要求1所述基于机器学习的颅内动脉瘤稳定性评估方法，其特征在于，所述步骤一中，瘤壁炎性反应通过高分辨率磁共振序列进行瘤壁增强量化参数提取：参数包括：wei、crstalk、aer、aei。5.一种利用如权利要求1～4任意一项所述基于机器学习的颅内动脉瘤稳定性评估方法的基于机器学习的颅内动脉瘤稳定性评估模型，其特征在于，所述基于机器学习的颅内动脉瘤稳定性评估模型设置有稳定组和不稳定组。6.如权利要求5所述基于机器学习的颅内动脉瘤稳定性评估模型，其特征在于，所述稳定组为：动脉瘤随访6个月未增大。7.如权利要求5所述基于机器学习的颅内动脉瘤稳定性评估模型，其特征在于，所述不稳定组为：动脉瘤随访6个月有增大超过1mm，患者有炸裂性头痛，颅神经麻痹动脉瘤压迫症状。

技术总结
本发明属于医学技术领域，公开了一种基于机器学习的颅内动脉瘤稳定性评估模型及方法，联合几种关键的影像因素，结合形态学、血流动力学及瘤壁炎性反应，并基于机器学习建立一个动脉瘤稳定性个体化评估量表；根据动脉瘤稳定性个体化评估量表，进行稳定性分组；对稳定组与不稳定组进行对比，得到诱发动脉瘤不稳定的参数；根据得到的诱发动脉瘤不稳定的参数，通过基于机器学习建立不稳定评估模型。形态学通过3Dslicer进行逐级提取，包括：子瘤、分叶状、瘤壁平坦度参数。血流动力学通过先进的4D-flowMRI进行数据提取，包括：血流模式、动脉瘤内流速流量。内流速流量。内流速流量。


技术研发人员：刘爱华 彭飞 牛昊 佟鑫 陈吉钢 夏嘉祥 何晓欣 许博雅 刘浪 陈谞戈 刘鸿仪
受保护的技术使用者：北京市神经外科研究所
技术研发日：2021.11.05
技术公布日：2022/3/1