基于多维特征融合的颅内动脉瘤破裂风险的检测装置

1.本发明涉及颅内动脉瘤检测领域，尤其涉及一种基于多维特征融合的颅内动脉瘤破裂风险的检测装置。


背景技术：

2.颅内动脉瘤(intracranial aneurysms,ias)是由于颅内动脉壁破坏或局部先天性缺陷导致局部管腔异常扩张而形成的囊状畸形，在人群中发病率约为3％-5％。动脉瘤一旦破裂会引发蛛网膜下腔出血，伴随着较高的死亡率和永久性致残率。据调查显示80-90％的自发性蛛网膜下腔出血是由脑动脉瘤破裂引起的。随着血管神经成像技术的进步，越来越多的未破裂动脉瘤被检出，但由于医生需要慎重权衡动脉瘤破裂的严重后果和治疗过程中的风险以及后续的并发症情况，动脉瘤的治疗决策仍是临床中的一个重要挑战。因此，尽早发现动脉瘤、预测动脉瘤破裂的风险具有重要的临床意义。
3.临床上常用于动脉瘤检查的影像学成像技术有：数字减影血管造影(digital subtraction angiography,dsa)、计算机断层扫描血管造影(computed tomography angiography,cta)和磁共振血管造影(magnetic resonance angiography,mra)。目前动脉瘤的破裂风险判定主要依靠医生的经验，结合动脉瘤的影像以及患者特异性临床因素(例如：高血压、吸烟、性别、年龄等)做出综合判断。然而，这种评价方式高度主观，专家之间缺乏一致性，且由于影响破裂的因素众多，人工综合判断绝非易事。因此，有必要借助人工智能手段开发一种能够检测动脉瘤破裂风险的计算机辅助诊断系统，从而辅助医生诊断并指导后续的治疗方案。
4.传统方法在评估动脉瘤的破裂风险时，一般通过计算或人工测量动脉瘤的形态特征作为判断动脉瘤破裂的依据，未能充分利用血管造影图像中丰富的信息，存在评估不准确的问题。影像组学技术根据预先设置的计算公式将影像数据转化为高维特征来量化相应的表型特征，在肿瘤分期、癌症诊断等医学领域显示出广泛的应用前景。有研究指出，影像组学中包含的纹理特征能够潜在反映动脉瘤的血流情况。近年来，深度学习技术在处理医学成像中的分类、分割和检测任务方面展现了巨大的优势。该技术可以从预训练的卷积神经网络中提取特征，从而允许对数据中高级抽象的特征表示进行建模，并且自动学习图像数据中肉眼不可见的复杂信息模式和结构特征。在综合利用血管造影图像中的特征后，与待检测对象的临床信息相结合，通过机器学习技术构建动脉瘤破裂风险检测模型。目前很少有研究将深度学习技术、影像组学技术以及机器学习结合应用于动脉瘤的破裂风险检测。


技术实现要素：

5.本发明提供了一种基于多维特征融合的颅内动脉瘤破裂风险的检测装置，本发明通过联合动脉瘤分割识别任务和破裂风险检测任务，实现动脉瘤辅助诊断的一体化流程，能够减少人为因素的参与，并通过充分利用血管造影图像提取与破裂相关的特征，使得破
裂风险检测结果更加客观、准确，详见下文描述：
6.一种基于多维特征融合的颅内动脉瘤破裂风险的检测装置，所述装置包括：
7.自动分割模块，用于通过引入病灶感知注意力机制和多级语义监督机制的预设的分割模型得到分割后的动脉瘤图像；
8.三维重建模块，用于使用分割后的动脉瘤图像作为输入建立动脉瘤的三维模型，得到动脉瘤的三维模型；
9.多维特征提取模块，基于待检测对象的血管造影图像、分割图像以及动脉瘤三维模型作为输入，提取与动脉瘤破裂风险相关的多维特征，包含：几何形态学特征、影像组学特征、深度学习特征以及患者特异性的临床因素；
10.风险检测模块，用于根据预设的最优特征集合，剔除掉多维特征集合中的无关特征，然后将待检测对象的剩余特征输入到预设检测模型中，最终得到待检测对象的动脉瘤的破裂风险。
11.其中，所述预设的分割模型为基于u-net改进后的3d病灶感知注意力u-net，由编码器、解码器、多级跳跃连接、病灶感知注意力机制和多级语义监督机制构成。
12.进一步地，所述病灶感知注意力机制的定义如下：
[0013][0014]
attention value＝boundary+prediction
[0015][0016]
其中，prediction表示预设的分割模型在上采样各阶段输出的预测图，boundary表示由预测图prediction计算得到的仅关注目标边界轮廓区域的预测图；attention value表示结合目标区域以及目标边界轮廓像素的注意力值；表示矩阵逐元素相乘操作，表示矩阵逐元素相加操作；e表示的是编码器的特征图[e1,e2,e3,e4]，e
att
表示经过注意力机制计算后的编码器的特征图。
[0017]
其中，所述多维特征包括：从动脉瘤三维模型中提取的几何形态学特征；从血管造影图像和动脉瘤的分割掩模中提取的影像组学特征；从血管造影图像和动脉瘤的分割掩模中提取的深度学习特征；患者特异性的临床因素。
[0018]
进一步地，所述几何形态学特征包括：人工测量的形态学特征以及计算得到的曲率特征，
[0019]
所述曲率特征，包括：动脉瘤的高斯曲率、最小主曲率、最大主曲率、平均曲率；
[0020]
分别计算上述曲率的最大值、最小值、均值和标准差作为曲率特征，曲率特征的提取使用pymeshlab工具包。
[0021]
其中，所述深度学习特征采用三维卷积神经网络提取，
[0022]
选择分类网络3d efficientnet-b0作为特征提取器，分别将血管造影图像及对应的动脉瘤掩模图像作为卷积神经网络的输入，通过预设的分类模型计算得到三种不同的深度学习特征；
[0023]
预设分类模型的训练数据为患有动脉瘤对象的血管造影图像和具有经验的医学专家标注的动脉瘤的3d分割掩模图像，并以动脉瘤破裂状态作为标签训练分类网络。
[0024]
进一步地，所述通过预设的分类模型计算得到三种不同的深度学习特征为：
[0025]
1)no-sigmoid型特征：将特征图通过efficientnet-b0的各层网络结构直至最后的全连接层，得到的输出作为最终的no-sigmoid型深度学习特征，表示为：
[0026]fno-sigmoid
＝model(x)，x＝img or mask
[0027]
式中model为预训练的3d efficientnet-b0模型，img为血管造影图像，mask为对应的掩模图像；
[0028]
2)sigmoid型特征：将no-sigmoid型特征通过一个sigmoid函数得到最终的sigmoid型深度学习特征，表示为：
[0029]fsigmoid
＝σ(model(x))，x＝img or mask
[0030]
3)二值化型特征：将上述sigmoid型特征通过一个二值化操作得到最终的二值化型深度学习特征，表示为：
[0031]fbinarization
＝b(σ(model(x)))，x＝img or mask
[0032]
式中的函数b为二值化操作。
[0033]
本发明提供的技术方案的有益效果是：
[0034]
(1)本发明首先对颅内血管造影图像进行动脉瘤自动分割，通过所提出的病灶感知注意力机制强化动脉瘤区域以及边界轮廓信息，使得网络更加关注目标部分，降低无关信息的干扰；根据分割后的动脉瘤图像构建三维建模数据，接着基于分割图像、原始造影图像以及三维建模数据进行多维特征提取，通过融合多源影像特征尤其是本发明提及的曲率特征和基于预分类网络的深度学习特征，以及患者临床特征构建分类模型，从而检测动脉瘤破裂的状态，以促进患者的及时管理，为治疗决策提供一些针对性的指导；
[0035]
(2)本发明借助机器学习技术，通过特征提取、特征筛选步骤得到关键特征集合，建立分类模型实现动脉瘤的破裂风险检测，解决目前临床中由于影响动脉瘤破裂因素众多致使临床医生在评估时主观性较强的问题；
[0036]
(3)本发明充分利用血管造影图像的丰富信息，使用影像组学技术和深度学习技术提取图像各个尺度的特征，并与动脉瘤三维模型的形状参数和曲率特征以及患者相关临床特征结合，极大地丰富了动脉瘤破裂风险检测的特征表示。
附图说明
[0037]
图1为一种基于多维特征融合的颅内动脉瘤破裂风险的检测装置的工作流程示意图；
[0038]
图2为3d lau-net(3d病灶感知注意力u-net)分割模型架构图；
[0039]
图3为病灶感知注意力模块的实现原理图；
[0040]
图4为本发明装置所涉及的动脉瘤破裂风险检测提取的多维特征集合示意图；
具体实施方式
[0041]
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
[0042]
实施例1
[0043]
针对上述问题，本发明实施例结合机器学习技术、影像组学技术和深度学习技术
提出了一种基于多维特征融合的颅内动脉瘤破裂风险检测装置，参见图1，该装置包括：数据获取模块、自动分割模块、三维重建模块、多维特征提取模块和风险检测模块，
[0044]
数据获取模块，用于获取待检测对象的颅内血管影像数据和对应的临床资料(例如：性别、年龄、高血压史、吸烟史、家族史等)。
[0045]
自动分割模块，用于通过预设的分割模型得到分割后的动脉瘤图像。
[0046]
其中，预设的分割模型采用基于u-net(本领域技术人员所公知)改进后的3d病灶感知注意力u-net网络，通过注意力机制充分关注目标区域以及目标边界，以实现动脉瘤的精确分割。此外，在预设的分割模型的训练过程中引入多级语义监督机制，通过该机制学习更多的全局语义表示，提高分割精度、细化分割结果。
[0047]
三维重建模块，用于使用分割后的动脉瘤图像作为输入建立动脉瘤的三维模型，得到动脉瘤的三维模型。
[0048]
多维特征提取模块，用于基于待检测对象的血管造影图像、分割图像以及动脉瘤三维模型作为输入，提取与动脉瘤破裂风险相关的多维特征，包括：几何形态学特征、影像组学特征、深度学习特征，将上述特征与患者的临床特征结合，构成一个多维特征集合。
[0049]
其中，在得到分割的动脉瘤图像后，本发明实施例将深度学习技术和影像组学技术结合，从医学图像中提取与动脉瘤破裂相关的特征表示，进一步提高对动脉瘤破裂风险检测的性能。具体来说，这种与动脉瘤破裂危险因素相关的多维特征表示，包括：影像组学特征、几何形态学特征、深度学习特征和患者特异性的临床因素。
[0050]
该多维特征提取模块综合考虑以上多维特征集合有助于使得动脉瘤破裂风险的预测结果更加准确。
[0051]
风险检测模块，用于根据预设的最优特征集合，剔除掉多维特征集合中的无关特征，然后将待检测对象的剩余特征输入到预设检测模型中，最终得到待检测对象的动脉瘤的破裂风险。
[0052]
具体实现时，对于动脉瘤的破裂风险检测通常是基于动脉瘤的定位和分割。因此，本发明实施例将动脉瘤自动分割任务和破裂风险检测任务联合起来，首先使用自动分割算法(即自动分割模块)获取动脉瘤的位置和结构，便于后续根据分割任务的结果提取相关图像特征检测破裂风险。
[0053]
综上所述，相比于其他发明，本发明实施例提出使用预分类的卷积神经网络作为特征提取器，通过预设的分类模型计算得到三种不同的深度学习特征，丰富了检测动脉瘤破裂风险的特征种类。此外，本发明实施例额外将动脉瘤的曲率特征作为补充的形态特征纳入动脉瘤破裂风险检测任务中，丰富了传统检测动脉瘤破裂风险的形态学特征。综合考虑多种特征可以丰富医学图像的特征表示，进一步提高对动脉瘤破裂风险的预测性能。
[0054]
实施例2
[0055]
下面结合图1-图4，对实施例1中的方案进行进一步地介绍，详见下文描述：
[0056]
一、数据获取模块
[0057]
本发明实施例涉及的数据资料分为患者的颅内血管影像数据和对应的临床资料两部分。其中颅内影像数据为单一类型的3d血管造影图像，包括但不限于dsa(数字减影血管造影)数据、cta(计算机断层扫描血管造影)数据以及mra(磁共振血管造影)数据中的任意一种。临床资料包含患者的临床信息例如：性别、年龄、高血压史、吸烟史、家族史等，这些
临床特征与动脉瘤的破裂风险具有一定的相关性。
[0058]
二、自动分割模块
[0059]
该自动分割模块首先对待检测对象的动脉瘤医学图像进行预处理操作，接着将预处理后的图像输入到预设的分割模型中，得到动脉瘤的分割掩模图像。预设的分割模型为患有动脉瘤对象的3d颅内血管造影图像以及对应的由医学专家标注的动脉瘤的3d分割掩模图像(ground truth)经过训练得到。
[0060]
其中，参见图2，预设的分割模型为基于u-net改进后的3d病灶感知注意力u-net(lesion-aware attention u-net,lau-net)。3d lau-net模型由编码器(encoder block)、解码器(decoder block)、多级跳跃连接(skip connection)、病灶感知注意力机制(lab)和多级语义监督机制(semantic supervision)构成，即在原有3d u-net基础上引入病灶感知注意力机制和多级语义监督机制，使得网络更适应于动脉瘤图像的分割。
[0061]
1、预处理步骤包括：对颅内影像数据执行数据转换、去噪、去颅骨、重采样和灰度值归一化操作，以提升图像质量更有利于后续模型的训练和验证过程。其中，数据转换是指将从医学图像成像机器采集到的原始dicom(医疗数字影像传输协定)文件转换为nifti(神经影像信息技术倡议)格式的文件，便于后续数据处理。去噪是指去除医学图像经过成像系统形成和显示的过程中引入的噪声。去颅骨是指去除血管造影数据中颅骨结构的干扰。重采样是指将所有3d颅内影像中大小不同的体素调整到相同的大小，减少不同图像的不一致性，便于模型提取到共同的特征。
[0062]
2、3d lau-net分割算法
[0063]
3d医学图像分割旨在预测特定器官或病变部位，在评估疾病的进展情况以及制定治疗方案等方面发挥重要作用。预设的分割模型3d lau-net在监督学习方式下进行训练，训练的数据为患有动脉瘤对象的颅内血管造影图像以及具有经验的医学专家标注的动脉瘤的3d分割掩模图像(ground truth)。当待检测对象的颅内血管造影图像输入到该预设分割模型，可以直接得到待检测对象经过分割后的动脉瘤图像。
[0064]
其中，3d lau-net模型在原有3d u-net(由编码器、解码器、多级跳跃连接组成)基础上引入病灶感知注意力机制(lesion-aware attention block,lab)和多级语义监督机制。
[0065]
下面对3d lau-net模型结构上进行详述：
[0066]
1)病灶感知注意力机制
[0067]
编码器使用卷积和池化操作，为特征提取器提取动脉瘤图像在不同尺度上的特征。编码器代表的整个下采样过程由五个编码器块构成(encoder block)，经过每个编码器块后的输出定义为[e1,e2,e3,e4,e5]。
[0068]
原始u-net模型的多级跳跃连接通过传递来自各编码器块的特征图，为解码器补充更多浅层的细节信息。然而这种简单的特征拼接不足以实现准确的分割结果，因为编码器块包含了许多与目标区域无关的信息。通过使用病灶感知注意力机制强化动脉瘤区域以及边界轮廓信息，使得网络更加关注目标部分，降低无关信息的干扰。
[0069]
病灶感知注意力机制的定义如下：
[0070]
[0071]
attention value＝boundary+prediction
ꢀꢀꢀꢀꢀ
(2)
[0072][0073]
其中，prediction表示预设的分割模型在上采样各阶段输出的预测图，boundary表示由预测图prediction计算得到的仅关注目标边界轮廓区域的预测图。attention value表示结合目标区域以及目标边界轮廓像素的注意力值。式(3)中的表示矩阵逐元素相乘操作，表示矩阵逐元素相加操作，e表示的是编码器的特征图[e1,e2,e3,e4]，e
att
表示经过注意力机制计算后的编码器的特征图。对编码器各阶段的特征图[e1,e2,e3,e4]分别施加上述注意力机制得到[e
att1
,e
att2
,e
att3
,e
att4
]，能够避免无关信息的干扰，使得网络更加关注目标区域。因此，在3d lau-net模型中的多级跳跃连接操作中向解码器传递的是经过注意力机制强化的编码器的特征图。
[0074]
2)多级语义监督机制
[0075]
为了解决在网络训练时候出现梯度消失的情况，加快网络的收敛速度，在预设的分割模型中引入多级语义监督机制，通过累加解码器在上采样各阶段输出的预测图与ground truth计算得到的损失函数，从而细化分割结果，实现精准分割。
[0076]
3、三维重建模块
[0077]
以上述得到的动脉瘤的分割掩模图像作为输入建立动脉瘤的三维模型。上述得到的分割掩模图像为nifti格式，采用3d slicer软件(https://discourse.slicer.org/，该软件为医学图像处理和可视化的医学图像处理的开源软件)将其转化为stl(stereolithography，光固化立体造型术)格式，获得分割后的动脉瘤的三维模型，便于后续步骤根据三维模型提取动脉瘤的几何形态学特征。
[0078]
4、多维特征提取模块
[0079]
将待检测对象的血管造影图像、分割图像以及动脉瘤三维模型数据输入该模块后进行多维特征提取，得到一个与动脉瘤破裂风险相关的多维特征集合。
[0080]
该多维特征集由四类特征组成：
①
从动脉瘤三维模型中提取的几何形态学特征。
②
从血管造影图像和动脉瘤的分割掩模中提取的影像组学特征。
③
从血管造影图像和动脉瘤的分割掩模中提取的深度学习特征。
④
患者特异性的临床因素。
[0081]
上述四类特征都是与动脉瘤的破裂相关的危险因素，因此，综合考虑以上特征能够使得动脉瘤破裂风险的预测结果更加准确、可靠。下面分别对4种类型的特征进行详述。
[0082]
4.1基于三维模型的几何形态学特征
[0083]
基于动脉瘤的三维模型提取与动脉瘤破裂显著相关的几何形态学特征，包括：人工测量的形态学特征以及计算得到的曲率特征。
[0084]
4.1.1基于动脉瘤的三维模型，通过测量得到颅内动脉瘤的瘤径宽度、长度、最大直径以及动脉瘤体积。
[0085]
4.1.2计算动脉瘤的三维模型的曲率，包括：动脉瘤的高斯曲率、主曲率(包括：最小主曲率和最大主曲率)、平均曲率。
[0086]
分别计算上述曲率的最大值、最小值、均值和标准差作为曲率特征。这部分曲率特征的提取可以使用pymeshlab工具包(https://pymeshlab.readthedocs.io/en/latest/about.html#)编程实现。
[0087]
4.2基于血管造影的影像组学特征
[0088]
影像组学的目标是从医学图像中提取高通量的定量特征，其最终目标是生成成像生物标志物，作为临床实践的决策支持工具。使用python软件运行pyradiomics工具包(https://pyradiomics.readthedocs.io/en/v3.0.1/index.html)提取感兴趣区域的影像组学特征。感兴趣区域由血管造影图像和相应的分割掩模图像进行与运算得到。提取的影像组学特征包括动脉瘤的灰度特征、形状特征以及纹理特征。
[0089]
具体来说，可以将提取的特征分为以下7组，包括：一阶统计学特征、三维形状特征、灰度共生矩阵、灰度运行长度矩阵、灰度大小区域矩阵、相邻灰度差矩阵和灰度依赖矩阵。相关研究指出，动脉瘤区域内的纹理模式很可能是由于对比剂分布的不均匀性造成的，而这种不均匀的分布模式被认为与湍流相关。因此，动脉瘤的纹理模式在一定程度上间接体现了动脉瘤内的血流动力学。
[0090]
4.3基于血管造影的深度学习特征
[0091]
为了获取对应的高级图像特征，采用三维卷积神经网络的方法提取图像的深度学习特征。本发明实施例中，选择分类网络3d efficientnet-b0(本领域技术人员所公知)作为特征提取器，分别将血管造影图像及对应的掩模作为卷积神经网络的输入，通过预设的分类模型计算得到三种不同的深度学习特征。预设分类模型的训练数据为患有动脉瘤对象的血管造影图像和具有经验的医学专家标注的动脉瘤的3d分割掩模图像(ground truth)，并以动脉瘤破裂状态作为标签训练分类网络，其中，动脉瘤的破裂状态通过对训练数据对象进行随访获得。
[0092]
三种不同的深度学习特征描述如下：
[0093]
1)no-sigmoid型特征：将特征图通过efficientnet-b0的各层网络结构直至最后的全连接层，得到的输出作为最终的no-sigmoid型深度学习特征，可以表示为：
[0094]fno-sigmoid
＝model(x)，x＝img or mask
ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0095]
式(4)中model为预训练的3d efficientnet-b0模型。img为血管造影图像，mask为对应的掩模图像。
[0096]
2)sigmoid型特征：将上述no-sigmoid型特征通过一个sigmoid函数得到最终的sigmoid型深度学习特征，可以表示为：
[0097]fsigmoid
＝σ(model(x))，x＝img or mask
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0098]
式(5)中的σ为sigmoid函数由下述公式定义：
[0099][0100]
3)二值化型特征：将上述sigmoid型特征通过一个二值化操作得到最终的二值化型深度学习特征，可以表示为：
[0101]fbinarization
＝b(σ(model(x)))，x＝img or mask
ꢀꢀꢀꢀꢀꢀ
(7)
[0102]
式(7)中的函数b为二值化操作，由下述公式定义：
[0103][0104]
4.4基于患者特异性的临床特征
[0105]
对非数值型的临床信息(如性别、吸烟史、高血压史等)进行量化编码，得到数值型
的临床特征。
[0106]
步骤5：风险检测模块
[0107]
根据步骤4得到待检测对象的多维特征，输入到预设的动脉瘤破裂风险检测模型，得到待检测对象的破裂风险。动脉瘤破裂风险检测模型反映了与动脉瘤破裂风险最相关的特征同动脉瘤破裂情况的相关性关系。
[0108]
其中，该预设的动脉瘤破裂风险检测模型建立在训练数据基础上，训练数据包含：确诊为动脉瘤对象的临床资料、颅内血管造影图像、医学专家标注的动脉瘤的3d分割掩模图像(ground truth)以及动脉瘤的破裂状态。其中，动脉瘤的破裂状态通过对训练数据对象的随访获得，记录随访对象5年内动脉瘤是否发生破裂。预设模型的建立分成两步：
①
特征筛选；
②
分类器构建。
[0109]
5.1特征筛选
[0110]
为了提高模型的稳定性和泛化性能，避免冗余特征对分类结果的影响，使用特征筛选算法选择关键特征，得到最佳特征子集。具体来说，训练数据依次经历上述步骤1-4得到包含4种多源特征的多维特征集合。首先对这些特征值进行标准化，以消除不同种类特征间尺度的差异。接着，对标准化后的数据可采用支持向量机递归特征消除法(svm-rfe)选择最优的特征子集，用于后续的风险检测模型的构建。
[0111]
5.2分类器构建
[0112]
将上述训练数据的最佳特征子集中保留的特征作为输入，以训练数据的动脉瘤破裂情况作为训练过程中的真实标签，使用机器学习分类器(例如：支持向量机模型、随机森林模型等)构建动脉瘤的破裂风险检测模型。训练数据样本对应的动脉瘤破裂情况来源于对训练数据对象的随访，记录随访对象5年内对动脉瘤是否发生破裂。该预训练模型表征了与动脉瘤破裂风险最相关的特征与动脉瘤破裂情况的相关性关系。
[0113]
对待检测对象依次进行上述操作得到待检测对象的多维特征集合，首先剔除掉待检测对象中的无关特征得到最优特征集合，再将其输入到预设检测模型中，得到待检测对象的动脉瘤破裂风险检测结果。
[0114]
综上所述，本发明实施例的主旨是提出一种基于多维特征融合的颅内动脉瘤破裂风险的检测装置，首先通过深度学习分割技术得到动脉瘤图像，后续基于动脉瘤的几何形态学特征和图像特征提取，借助机器学习技术对动脉瘤的破裂状态进行分类检测。
[0115]
实施例3
[0116]
下面结合具体的实验对实施例1和2中的方案进行可行性验证，详见下文描述：
[0117]
首先，收集待检测对象的颅内血管造影图像和相关临床资料。影像数据可以是dsa、cta、mra等，要求是三维影像数据。临床资料分为人口统计学资料(包括性别、年龄等)和患者的既往史(高血压史、吸烟史、与动脉瘤相关的家族史等)两部分。
[0118]
接着，对待检测对象的影像数据执行一系列的预处理操作，例如：去噪、去颅骨、重采样和灰度值归一化等，将处理后的图像输入预设的分割模型3d lau-net得到分割后的动脉瘤图像。分割后的图像通过三维重建模块建立动脉瘤的三维模型。然后将上述得到的原始影像及分割后的图像、重建的三维模型以及相应的临床资料输入多维特征提取模块进行特征提取，得到一个多维特征集合。该特征集合来源于以下四部分特征，分别是：基于三维模型的几何形态学特征、基于血管造影图像和分割图像的影像组学特征和深度学习特征以
及临床特征。最后根据预设的最优特征集合剔除掉无关特征，并通过预设的动脉瘤破裂风险检测模型得到待检测对象的破裂风险。
[0119]
对脑动脉瘤破裂风险检测是指导临床选择手术时机、预防动脉瘤破裂和出血、降低死亡率和残疾的关键。该发明可有效地实现动脉瘤的破裂风险检测任务，为临床医生提供辅助诊断建议，并获得客观的社会效益和经济效益。
[0120]
最佳实施方案拟采用专利转让、技术合作或产品开发。基于该发明开发的产品可以应用于辅助临床医生对动脉瘤患者的常规诊断，并对于后续制定治疗方案具有积极的指导意义。
[0121]
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
[0122]
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0123]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。