(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210765822.3 (22)申请日 2022.07.01 (71)申请人 天津大学 地址 300072 天津市南 开区卫津路9 2号 (72)发明人 安兴伟　何佳倩　明东　黄楹　 狄洋　燕羽佳　罗斌　汪淼　 (74)专利代理 机构 天津市北洋 有限责任专利代 理事务所 12 201 专利代理师 李林娟 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 基于多维特征融合的颅内动脉瘤破裂风险 的检测装置 (57)摘要 本发明公开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， 包括： 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； 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； 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， 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。 本发 明联合动脉瘤分割识别任务和破裂风 险检测任务， 降低无关信息的干 扰。 权利要求书2页 说明书9页 附图3页 CN 115222674 A 2022.10.21 CN 115222674 A 1.一种基于多维特征融合的颅内动脉瘤破裂风险的检测装置， 其特征在于， 所述装置 包括： 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； 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； 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； 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。 2.根据权利要求1所述的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， 其特征在于， 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。 3.根据权利要求1所述的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， 其特征在于， 所述病灶感知注意力机制的定义如下： Attentionvalue＝Boundary+Predicti on 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]， Eatt表示经过注意力机制 计算后的编码器的特 征图。 4.根据权利要求1所述的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， 其特征在于， 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。 5.根据权利要求4所述的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， 其特征在于， 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， 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； 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。 6.根据权利要求4所述的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， 其特征在于， 所述深度学习特 征采用三维卷积神经网络提取， 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权　利　要　求　书 1/2 页 2 CN 115222674 A 2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； 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 。 7.根据权利要求6所述的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， 其特征在于， 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： 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： fno‑sigmoid＝model(x)， x＝ img or mask 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； 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： fsigmoid＝σ(model(x) )， x＝img or mask 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： fbinarizati on＝B( σ(model(x) ))， x＝img or mask 式中的函数B为 二值化操作。权　利　要　求　书 2/2 页 3 CN 115222674 A 3