CN107273658B - 对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置 - Google Patents
对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置 Download PDFInfo
- Publication number
- CN107273658B CN107273658B CN201710344229.0A CN201710344229A CN107273658B CN 107273658 B CN107273658 B CN 107273658B CN 201710344229 A CN201710344229 A CN 201710344229A CN 107273658 B CN107273658 B CN 107273658B
- Authority
- CN
- China
- Prior art keywords
- intracranial
- aneurysm
- rupture
- image
- intracranial aneurysm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 201000008450 Intracranial aneurysm Diseases 0.000 title claims abstract description 106
- 206010002329 Aneurysm Diseases 0.000 claims abstract description 57
- 238000007917 intracranial administration Methods 0.000 claims abstract description 41
- 230000000877 morphologic effect Effects 0.000 claims abstract description 27
- 230000007170 pathology Effects 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 4
- 210000001367 artery Anatomy 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000003190 augmentative effect Effects 0.000 claims description 6
- 230000000004 hemodynamic effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003014 reinforcing effect Effects 0.000 claims description 3
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 208000010392 Bone Fractures Diseases 0.000 description 1
- 206010008132 Cerebral thrombosis Diseases 0.000 description 1
- 208000032170 Congenital Abnormalities Diseases 0.000 description 1
- 206010017076 Fracture Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 208000000386 Hypertensive Intracranial Hemorrhage Diseases 0.000 description 1
- 201000001429 Intracranial Thrombosis Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置，其包括：颅内图像采集装置：用于采集颅内图像；颅内动脉瘤图像增强装置：用于对采集的颅内图像进行图像增强，确认其中存在颅内动脉瘤的颅内图像并对其进行处理以得到增强的颅内动脉瘤图像；动脉瘤参数测量装置：用于在立体显示环境下对增强的颅内动脉瘤图像进行测量及计算，以得到多个形态学参数的具体数值；动脉瘤破裂统计装置：用于对一病理数据库中的增强的颅内动脉瘤图像进行统计，以得到其中的破裂病例与未破裂病例；破裂相关性统计装置：用于得到一破裂相关性统计结果；颅内动脉瘤分类装置：用于根据上述破裂相关性统计结果对一新病例进行分类并输出分类结果。
Description
技术领域
本发明涉及颅内动脉瘤医疗领域，具体而言，涉及一种对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置。
背景技术
颅内动脉瘤(Intracranial aneurysms)是由于颅内动脉管壁的局部先天缺陷或破坏导致局部内腔异常扩大而形成的瘤样突起。颅内动脉瘤是造成自发性蛛网膜下腔出血(Subarachnoid hemorrhage，SAH)的主要病因，约占所有病因的70％～85％，在脑血管意外中，其导致自发性蛛网膜下腔出血的几率仅次于脑血栓和高血压脑出血，位居第三。
在颅内动脉瘤的预防和治疗中，对未破裂动脉瘤是否需手术治疗及对手术时机的选择一直存在争议。一方面，动脉瘤破裂后患者的死亡率及致残率较高，另一方面，手术治疗会给病人带来创伤甚至死亡风险及经济负担。颅内未破裂动脉瘤国际研究组织(ISUIA)研究结果显示，没有发生SAH的动脉瘤患者经手术夹闭1年后病残率和死亡率为12.6％，而接受介入治疗的患者为9.8％。由此可见，确立一种对未破裂颅内动脉瘤破裂风险进行评估的机制对指导临床合理选择手术时机、防止动脉瘤破裂出血具有重要的临床指导意义。
用来描述动脉瘤几何学形态特征的合适形态学参数能够反映动脉瘤的血流动力学特征并预测其破裂风险。最普遍用于动脉瘤破裂风险评估的形态学参数是动脉瘤大小和动脉瘤的形状。纵横比(AR)(定义为动脉瘤高度除以动脉瘤颈直径)是最常用的反映动脉瘤形状的参数。虽然大多数研究结果证明了AR的重要性，但并不能得出一个常见的阈值。其他一些更复杂的形状参数，如波动指数(UI)、非球形指数(NSI)和椭圆率指数(EI)被提出来尝试解释动脉瘤的三维(3D)特征，这些3D参数有希望比低维度参数(如大小或AR)能够更准确地预测动脉瘤破裂风险。
大量研究发现，载瘤动脉的几何学形态与动脉瘤的破裂几率密切相关。因此将载瘤动脉的几何学形态和动脉瘤的形态学参数进行合并。据此，Sujan Dhar提出了三个新的参数：动脉瘤尺寸比(SR)(定义为动脉瘤的最大高度和载瘤动脉平均直径的比值)、载瘤动脉流入角度(θV)(定义为流入血管中心线与瘤颈所在平面之间的角度)和动脉瘤倾斜角(θA)(定义为动脉瘤和瘤颈平面的夹角)。
然而，上述的形态学参数都是在传统平板显示器上观察并计算出来的，仍然是二维图像，缺乏深度信息，不利于全面观察和准确测量颅内动脉瘤与载瘤动脉的形态学参数，无法对颅内动脉瘤的破裂风险做出准确评估。
立体显示技术可以将医学影像直观地展现给医生，准确表达被观察对象的深度信息，有助于医生对人体内部各个组织的相对位置关系和病灶区的整体情况有个更为精确的把握，从而降低误诊和漏诊率。立体显示技术能够为医生获得颅内动脉的空间结构和三维形态特征提供新的途径，进而为颅内动脉瘤的破裂风险评估提供一种更具准确性与直观性的方法。关于颅内动脉瘤破裂风险决定因素较为复杂，目前还没有统一的评估指标，对于颅内动脉瘤破裂风险不清楚时，医疗人员无法准确判断，往往会带来额外的经济负担和医疗风险。因此，临床工作要求评估颅内动脉瘤的破裂风险来决定治疗方案。
对于机器学习来说，其研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构以不断提高自身的性能，它是人工智能的核心，是使计算机具有智能的根本途径。近年来，围绕医学图像的机器学习在国内外得到了广泛的关注。机器学习通过泛化人类知识，搭建了从已知训练数据到未知测试数据的桥梁，使得计算机辅助诊断系统具有表述和决策的能力，由此能够将医生的知识迁移到诊断系统。然而，计算机辅助诊断应用中标记病例样本难以收集以及相关反馈中用户对反馈过程缺乏耐心，都会造成学习过程中训练样本稀少的问题(即小样本问题)，由于实际应用中普遍存在大量未标记病例样本，利用未标记病例样本来解决小样本学习问题、提高学习机器的性能的学习方法被称为半监督学习。引入半监督学习的方法对颅内动脉瘤的图像进行分类与标识，一方面可以利用医师的经验对系统进行训练，另一方面通过生产的学习器可以对已往积累的未知的图像中的颅内动脉瘤进行标记，有助于形成功能更为完善的颅内动脉瘤计算机辅助诊断。
因此，如何通过半监督学习对颅内动脉瘤的图像进行标识和分类，是本领域技术人员面对的一大问题。
发明内容
本发明提供一种对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置，用以评估颅内动脉瘤的破裂风险以及根据颅内动脉瘤的破裂风险对颅内动脉瘤的颅内图像进行分类。
为达到上述目的，本发明提供了一种对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置，其包括：
颅内图像采集装置：用于采集颅内图像；
颅内动脉瘤图像增强装置：用于对采集的颅内图像进行图像增强，确认其中存在颅内动脉瘤的颅内图像并对其进行处理以得到增强的颅内动脉瘤图像；
动脉瘤参数测量装置：用于在立体显示环境下对增强的颅内动脉瘤图像进行测量及计算，以得到以下形态学参数的具体数值：动脉瘤大小、纵横比AR、波动指数UI、非球形指数NSI、椭圆率指数EI、尺寸比、载瘤动脉流入角度θv和动脉瘤倾斜角θA；
动脉瘤破裂统计装置：用于对一病理数据库中的增强的颅内动脉瘤图像进行统计，以得到其中的破裂病例与未破裂病例；
破裂相关性统计装置：用于根据动脉瘤破裂统计装置的统计结果和动脉瘤参数测量装置对病理数据库中每一张增强的颅内动脉瘤图像的计算结果，对所述病理数据库中的病例进行统计，以得到一破裂相关性统计结果，该破裂相关性统计结果包括破裂病例的形态学参数与破裂结果的相关性以及未破裂病例的形态学参数与破裂结果的相关性；
颅内动脉瘤分类装置：用于根据上述破裂相关性统计结果对一新病例进行分类并输出分类结果。
在本发明的一实施例中，所述颅内动脉瘤图像增强装置通过以下方式对颅内图像进行图像增强：
S1：对颅内动脉局部结构建立特征向量以及人工标记；
S2：根据特征向量和人工标记并利用半监督学习的颅内动脉瘤CTA图像分类器对多张颅内图像进行训练，得到对应每一张颅内原始图像的自动识别标记以及动脉瘤区域增强的图像；
S3：对于每一张颅内图像，在立体显示环境下对其与血流动力学相关的颅内动脉瘤形态学特征进行局部可视化，得到形态学分析结果；
S4：颅内动脉瘤CTA图像分类器根据自动识别标记、动脉瘤区域增强的动脉瘤图像以及形态学分析结果对多张颅内图像进行自动诊断，以确认其中存在颅内动脉瘤的颅内图像；
S5：将已经确认其中存在颅内动脉瘤的颅内图像导入至立体增强显示系统，以得到增强的颅内动脉瘤图像。
在本发明的一实施例中，所述颅内动脉瘤分类装置输出的分类结果为该新病例存在颅内动脉瘤破裂风险或该新病例不存在颅内动脉瘤破裂风险。
在本发明的一实施例中，所述颅内动脉瘤分类装置输出的分类结果为该新病例存在颅内动脉瘤破裂风险的可能性，该可能性以百分比形式标示。
本发明提供的对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置面向临床需要，将自动及人工联合诊断确诊的颅内动脉瘤图像导入到增强立体显示系统进行增强立体显示及测量参数，能够真实准确的显示动脉瘤形态特征及其与周围结构之间的解剖关系并且能够突出颅内动脉瘤的临床特征和血流动力学参数，能更准确地评估颅内动脉瘤破裂的风险，具有很强的临床指导意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置的架构示意图。
附图标记说明：1-颅内图像采集装置；2-颅内动脉瘤图像增强装置；3-动脉瘤参数测量装置；4-动脉瘤破裂统计装置；5-破裂相关性统计装置；6-颅内动脉瘤分类装置。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明提供的对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置的架构示意图，如图1所示，本发明提供的对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置，其包括：
颅内图像采集装置1：用于采集颅内图像；
颅内动脉瘤图像增强装置2：用于对采集的颅内图像进行图像增强，确认其中存在颅内动脉瘤的颅内图像并对其进行处理以得到增强的颅内动脉瘤图像；
其中，颅内动脉瘤图像增强装置2通过以下方式对颅内图像进行图像增强：
S1：对颅内动脉局部结构建立特征向量以及人工标记；
S2：根据特征向量和人工标记并利用半监督学习的颅内动脉瘤CTA图像分类器对多张颅内图像进行训练，得到对应每一张颅内原始图像的自动识别标记以及动脉瘤区域增强的图像；
S3：对于每一张颅内图像，在立体显示环境下对其与血流动力学相关的颅内动脉瘤形态学特征进行局部可视化，得到形态学分析结果；
S4：颅内动脉瘤CTA图像分类器根据自动识别标记、动脉瘤区域增强的动脉瘤图像以及形态学分析结果对多张颅内图像进行自动诊断，以确认其中存在颅内动脉瘤的颅内图像；
S5：将已经确认其中存在颅内动脉瘤的颅内图像导入至立体增强显示系统，以得到增强的颅内动脉瘤图像。
动脉瘤参数测量装置3：用于在立体显示环境下对增强的颅内动脉瘤图像进行测量及计算，以得到以下形态学参数的具体数值：动脉瘤大小、纵横比AR、波动指数UI、非球形指数NSI、椭圆率指数EI、尺寸比、载瘤动脉流入角度θv和动脉瘤倾斜角θA；
其中，立体显示环境以利用双目立体显示技术实现，实现时需要建立左右两个视点并设定两个视点的虚拟相机的内外参数，此技术在相关文献中均有记载，此处不予赘述。
动脉瘤破裂统计装置4：用于对一病理数据库(图中未示出)中的增强的颅内动脉瘤图像进行统计，以得到其中的破裂病例与未破裂病例；
破裂相关性统计装置5：用于根据动脉瘤破裂统计装置的统计结果和动脉瘤参数测量装置对病理数据库中每一张增强的颅内动脉瘤图像的计算结果，对病理数据库中的病例进行统计，以得到一破裂相关性统计结果，该破裂相关性统计结果包括破裂病例的形态学参数与破裂结果的相关性以及未破裂病例的形态学参数与破裂结果的相关性，此处可以采用minitab统计软件进行统计；
颅内动脉瘤分类装置6：用于根据上述破裂相关性统计结果对一新病例进行分类并输出分类结果。
其中，颅内动脉瘤分类装置6输出的分类结果为该新病例存在颅内动脉瘤破裂风险或该新病例不存在颅内动脉瘤破裂风险，另外，颅内动脉瘤分类装置6输出的分类结果也可以为该新病例存在颅内动脉瘤破裂风险的可能性，该可能性以百分比形式标示。
本发明提供的对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置面向临床需要，将自动及人工联合诊断确诊的颅内动脉瘤图像导入到增强立体显示系统进行增强立体显示及测量参数，能够真实准确的显示动脉瘤形态特征及其与周围结构之间的解剖关系并且能够突出颅内动脉瘤的临床特征和血流动力学参数，能更准确地评估颅内动脉瘤破裂的风险，具有很强的临床指导意义。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (3)
1.一种对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置，其特征在于，包括：
颅内图像采集装置：用于采集颅内图像；
颅内动脉瘤图像增强装置：用于对采集的颅内图像进行图像增强，确认其中存在颅内动脉瘤的颅内图像并对其进行处理以得到增强的颅内动脉瘤图像；
动脉瘤参数测量装置：用于在立体显示环境下对增强的颅内动脉瘤图像进行测量及计算，以得到以下形态学参数的具体数值：动脉瘤大小、纵横比AR、波动指数UI、非球形指数NSI、椭圆率指数EI、尺寸比、载瘤动脉流入角度θv和动脉瘤倾斜角θA；
动脉瘤破裂统计装置：用于对一病理数据库中的增强的颅内动脉瘤图像进行统计，以得到其中的破裂病例与未破裂病例；
破裂相关性统计装置：用于根据动脉瘤破裂统计装置的统计结果和动脉瘤参数测量装置对病理数据库中每一张增强的颅内动脉瘤图像的计算结果，对所述病理数据库中的病例进行统计，以得到一破裂相关性统计结果，该破裂相关性统计结果包括破裂病例的形态学参数与破裂结果的相关性以及未破裂病例的形态学参数与破裂结果的相关性；
颅内动脉瘤分类装置：用于根据上述破裂相关性统计结果对一新病例进行分类并输出分类结果，
其中，所述颅内动脉瘤图像增强装置通过以下方式对颅内图像进行图像增强：
S1：对颅内动脉局部结构建立特征向量以及人工标记；
S2：根据特征向量和人工标记并利用半监督学习的颅内动脉瘤CTA图像分类器对多张颅内图像进行训练，得到对应每一张颅内原始图像的自动识别标记以及动脉瘤区域增强的图像；
S3：对于每一张颅内图像，在立体显示环境下对其与血流动力学相关的颅内动脉瘤形态学特征进行局部可视化，得到形态学分析结果；
S4：颅内动脉瘤CTA图像分类器根据自动识别标记、动脉瘤区域增强的动脉瘤图像以及形态学分析结果对多张颅内图像进行自动诊断，以确认其中存在颅内动脉瘤的颅内图像；
S5：将已经确认其中存在颅内动脉瘤的颅内图像导入至立体增强显示系统，以得到增强的颅内动脉瘤图像。
2.根据权利要求1所述的对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置，其特征在于，所述颅内动脉瘤分类装置输出的分类结果为该新病例存在颅内动脉瘤破裂风险或该新病例不存在颅内动脉瘤破裂风险。
3.根据权利要求1所述的对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置，其特征在于，所述颅内动脉瘤分类装置输出的分类结果为该新病例存在颅内动脉瘤破裂风险的可能性，该可能性以百分比形式标示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710344229.0A CN107273658B (zh) | 2017-05-16 | 2017-05-16 | 对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710344229.0A CN107273658B (zh) | 2017-05-16 | 2017-05-16 | 对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107273658A CN107273658A (zh) | 2017-10-20 |
| CN107273658B true CN107273658B (zh) | 2020-10-27 |
Family
ID=60064462
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710344229.0A Active CN107273658B (zh) | 2017-05-16 | 2017-05-16 | 对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107273658B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472823B (zh) * | 2018-10-26 | 2021-10-29 | 强联智创（北京）科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
| CN109472780B (zh) * | 2018-10-26 | 2021-10-29 | 强联智创（北京）科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
| CN109345585B (zh) * | 2018-10-26 | 2021-11-30 | 强联智创（北京）科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
| CN109389637B (zh) * | 2018-10-26 | 2021-12-21 | 强联智创（北京）科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
| CN109493348B (zh) * | 2018-10-26 | 2021-11-26 | 强联智创（北京）科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
| CN111415321B (zh) * | 2018-12-19 | 2024-02-27 | 上海联影医疗科技股份有限公司 | 动脉瘤破裂风险检测装置及设备 |
| CN109961850A (zh) * | 2019-03-19 | 2019-07-02 | 肖仁德 | 一种评估颅内动脉瘤破裂风险的方法、装置、计算机设备 |
| CN109924956B (zh) * | 2019-04-19 | 2022-03-18 | 广州新脉科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及装置 |
| CN114340498A (zh) * | 2019-10-30 | 2022-04-12 | 未艾医疗技术(深圳)有限公司 | 基于VRDS 4D医学影像的动脉瘤Ai处理方法及产品 |
| CN111081378B (zh) * | 2019-11-22 | 2022-05-20 | 强联智创（北京）科技有限公司 | 一种动脉瘤破裂风险评估方法及系统 |
| CN113143306B (zh) * | 2021-03-31 | 2023-01-24 | 广东医科大学附属医院 | 一种用于颅内动脉瘤cfd诊断可视化设备 |
| CN113130078B (zh) * | 2021-05-11 | 2022-09-23 | 首都医科大学附属北京天坛医院 | 一种预测颅内动脉瘤闭塞的方法、装置以及设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103198202A (zh) * | 2012-12-19 | 2013-07-10 | 首都医科大学 | 颅内动脉瘤介入治疗支架植入图像仿真方法 |
| EP2749224A1 (en) * | 2011-08-26 | 2014-07-02 | EBM Corporation | Bloodstream simulation system for simulating blood vessel treatment effect, method therefor, and computer software program |
| CN104392051A (zh) * | 2014-11-28 | 2015-03-04 | 段少银 | 一种颈内动脉动脉瘤固体壁与流体有限元模型 |
| CN105550651A (zh) * | 2015-12-14 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 一种数字病理切片全景图像自动分析方法及系统 |
| CN105913086A (zh) * | 2016-04-12 | 2016-08-31 | 福州大学 | 一种应用特征权重自适应选择的计算机辅助诊断乳腺的方法 |
| CN106469453A (zh) * | 2016-09-12 | 2017-03-01 | 同济大学 | 一种三维可视化展示及属性测量的肝脏功能区域诠析方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8984733B2 (en) * | 2013-02-05 | 2015-03-24 | Artventive Medical Group, Inc. | Bodily lumen occlusion |
-
2017
- 2017-05-16 CN CN201710344229.0A patent/CN107273658B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2749224A1 (en) * | 2011-08-26 | 2014-07-02 | EBM Corporation | Bloodstream simulation system for simulating blood vessel treatment effect, method therefor, and computer software program |
| CN103198202A (zh) * | 2012-12-19 | 2013-07-10 | 首都医科大学 | 颅内动脉瘤介入治疗支架植入图像仿真方法 |
| CN104392051A (zh) * | 2014-11-28 | 2015-03-04 | 段少银 | 一种颈内动脉动脉瘤固体壁与流体有限元模型 |
| CN105550651A (zh) * | 2015-12-14 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 一种数字病理切片全景图像自动分析方法及系统 |
| CN105913086A (zh) * | 2016-04-12 | 2016-08-31 | 福州大学 | 一种应用特征权重自适应选择的计算机辅助诊断乳腺的方法 |
| CN106469453A (zh) * | 2016-09-12 | 2017-03-01 | 同济大学 | 一种三维可视化展示及属性测量的肝脏功能区域诠析方法 |
Non-Patent Citations (1)
| Title |
|---|
| Morphology parameters for intracranial aneurysm rupture risk assessment;Sujan Dhar等;《Neurosurgery》;20080831;第4-5,7页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107273658A (zh) | 2017-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107273658B (zh) | 对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置 | |
| Iftikhar et al. | Artificial intelligence: a new paradigm in obstetrics and gynecology research and clinical practice | |
| AU2018241162A1 (en) | Systems, methods, and computer-readable media for identifying when a subject is likely to be affected by a medical condition | |
| CN114299072B (zh) | 一种基于人工智能的解剖变异识别提示方法及系统 | |
| US20160203288A1 (en) | Systems and Methods for Identifying Historical Vasculature Cases | |
| KR102316557B1 (ko) | 자궁경부암 자동 진단 시스템 | |
| Chen et al. | AI-PLAX: AI-based placental assessment and examination using photos | |
| CN116187448B (zh) | 一种信息展示的方法、装置、存储介质及电子设备 | |
| CN114343577A (zh) | 认知功能评价方法、终端设备以及计算机可读存储介质 | |
| JP7346600B2 (ja) | 子宮頸がん自動診断システム | |
| US11069445B2 (en) | Medical diagnosis assistance method | |
| CN104936505A (zh) | 使用预先采集的图像进行的导航 | |
| Zhou et al. | Computer aided diagnosis for diabetic retinopathy based on fundus image | |
| US20240290487A1 (en) | Systems and methods for using deep-learning algorithms to facilitate decision making in gynecologic practice | |
| CN114782443A (zh) | 基于数据增强的动脉瘤风险评估的装置和存储介质 | |
| WO2022227108A1 (zh) | 基于中央凹残差网络的前列腺多模mr图像分类方法和系统 | |
| Hu et al. | SRT: shape reconstruction transformer for 3D reconstruction of point cloud from 2D MRI | |
| Gorthi et al. | Automated risk assessment tool for pregnancy care | |
| Lahane et al. | Detection of unsafe action from laparoscopic cholecystectomy video | |
| Moradizeyveh et al. | When Eye-Tracking Meets Machine Learning: A Systematic Review on Applications in Medical Image Analysis | |
| Lam et al. | Classifying craniosynostosis with a 3D projection-based feature extraction system | |
| WO2020227794A1 (pt) | Método e sistema automático de análise de imagem de mamografia e método de treinamento de rede neural profunda | |
| EP4078604A1 (en) | Temporal disease state comparison using multimodal data | |
| Arroyo et al. | Automatic fetal presentation diagnosis from ultrasound images for rural zones: head location as an indicator for fetal presentation | |
| Ma et al. | Enriching computed tomography images by projection for robust automated cerebral aneurysm detection and segmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |