CN109087701A - 提供次要参数的方法、决策支持系统、介质、计算机程序 - Google Patents
提供次要参数的方法、决策支持系统、介质、计算机程序 Download PDFInfo
- Publication number
- CN109087701A CN109087701A CN201810610594.6A CN201810610594A CN109087701A CN 109087701 A CN109087701 A CN 109087701A CN 201810610594 A CN201810610594 A CN 201810610594A CN 109087701 A CN109087701 A CN 109087701A
- Authority
- CN
- China
- Prior art keywords
- parameter
- data collection
- subsystem
- shape data
- data set
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明暗示了一种用于在提供主要参数的决策支持系统(100)中,特别是在临床决策支持系统中提供次要参数(3)的方法,包含以下步骤:提供输入数据集;通过使用通过机器学习机制,特别是通过深度学习机制训练的子系统(10)基于所述输入数据集来近似次要参数(3);和提供近似的次要参数;其中所述输入数据集是形状数据集(2)。
Description
技术领域
本发明描述了一种用于提供次要参数的方法、决策支持系统、计算机可读介质和计算机程序产品。
背景技术
具体地,本发明涉及临床决策支持(CDS)系统。,通过对其提供相关的特定专利信息,CDS系统是来在他们复杂的决策做出过程中帮助临床医生的必备工具。例如,这样的信息可能是图像数据集、实验室报告或者是诸如患者的年龄的一般(general)数据。通过累积和过滤相关信息,CDS系统有助于做出诊断或治疗决策。
然而,一些相关信息对于CDS系统不可用,因为它们的计算是复杂并且耗时的,使得不能在相对较短的时间内使信息可用。例如,压力和/或血流速率是这样的信息。为了计算这些量,通常需要计算流体动力学模拟,并且因此不能在适当的时间内使这些信息可用。
发明内容
因此,本发明的目的是快速并且简单地向决策支持系统,特别是临床决策支持系统提供附加信息,即次要参数。
此目的通过根据权利要求1所述的用于提供次要参数的方法;通过根据权利要求13所述的决策支持系统;根据权利要求14所述的计算机程序产品和根据权利要求15所述的计算机可读介质来实现。
根据本发明的第一方面,提供了一种用于在决策支持系统,特别是临床决策支持系统中提供次要参数的方法,该决策指示系统向用户供应主要参数,该方法包含以下步骤:
-提供输入数据集;
-通过使用通过机器学习机制,特别是通过深度学习机制训练的子系统,基于输入数据集来近似次要参数;以及
-提供近似的次要参数;
其中输入数据集是形状数据集。
与现有技术相比,形状数据集用作通过机器学习机构训练的子系统的输入。结果,能扩展和改进决策支持系统,以通过提供从形状数据集导出的附加信息(即,次要参数)来促进(facilitate)决策。通过使用训练的子系统,可以只执行用于近似次要参数的前向路径(forward pass)。这意味着能在相对较短的时间内提供次要参数,而无需花费运算的计算。通过降低用于提供次要参数的运算要求,进一步有利地,可以降低CDS系统的硬件需求。一般地,训练的子系统是人工神经网络,特别是通过深度学习机制训练的。优选地,所述子系统包含处理器,所述处理器配置成用于基于输入数据集来近似次要参数,并且配置成用于通过机器学习机制,特别是通过深度学习机制可训练的。此外,优选地规定,训练的子系统包含用于接收输入数据集的输入层、多个隐藏层和用于提供次要参数的输出层。
优选地,主要参数是存储在存储器设备中的信息,诸如患者信息(例如患者年龄或BMI)、图像数据集(诸如MR或CT图像数据集)、实验室报告(例如,血液测试)和/或医学知识。优选地,配置CDS系统,使得其积累并且过滤可用的主要参数,用于向用户(例如临床医生)显示用于帮助做出决策过程的相关的数据。
优选地,术语“形状数据集”描述能通过任何种类的多边形网格(polygonal mesh)表示的数据集。例如,数据集包含形成二维(2D)或者三维(3D)网格的一组顶点、三角形和/或多边形。还可以想到的,形状数据集包含根据顶点、四面体、六面体或其他三维元素形成的体积网格。优选地,形状数据集包含三维物体,特别是身体中的器官或者结构的表面的分割,其中从图像数据集导出该表面。例如,从示出患者的三维物体的图像数据集中提取形状数据集。
优选地,术语“次要参数”描述能从形状数据集导出,特别是能作为形状数据集的函数来计算的参数。例如,肝脏体积是能从肝脏的表面的形状导出,特别是计算的次要参数。根据另一示例,次要参数是在给定的时间点的血液动力学参数(诸如血管内的压力或者血液速率),并且可能通过计算流体动力学(CFD)求解器来计算,其中将血管的表面网格用作CFD求解器的输入。
具体地,其规定,通过由机器学习机制训练的子系统的近似来代替通常使用的计算结果,例如计算流体动力学解。优选地,通过在诸如工作站的屏幕或移动单元(诸如平板电脑或智能电话)的屏幕的显示设备上显示次要参数,来提供近似的次要参数。具体地,CDS系统与主要参数一起显示近似的参数。
如下面的描述中所揭示的,通过从属权利要求给出了本发明的进一步的有利实施例和特征。不同的权利要求类别的特征可以适当地组合以给出本文中未描述的进一步的实施例。
根据优选的实施例,其规定,从对于决策支持系统可用的主要参数提取,优选地自动提取形状数据集合。例如,与三维物体关联的图像数据集是主要参数的一部分。通过将至少一部分的图像数据集变换成对应的(例如与三维物体的表面关联的)形状数据集,来提取形状数据集。因此,有利地,可以使用对于决策支持系统可用的主要参数来用于近似次要参数。还可以想到的,将提取的形状数据集传送(transfer)给一组主要参数。因此,用户能检查次要参数的近似是否是基于形状数据集的有效提取。优选地,术语“自动地”指示通过用于选择主要信息的真子集(proper subset)的另一机器学习机制训练的另一子系统,用于提供形状数据集作为输入数据集。
在优选的实施例中,其规定,从图像数据集的子集提取形状数据集,例如三维图像数据集的特定块(patch)。结果,能使用降低的数据量来用于近似次要参数。具体地,不将对于近似次要参数无关的图像数据的子集用作训练的子系统的输入。
优选地,其规定,训练的子系统包含输入层、多个隐藏层和输出层。具体地,子系统配置成用于接收形状数据集,并且输出层例如通过在屏幕上显示次要参数来对用户提供次要参数。由此,输入层、多个隐藏层和输出层是人工神经网络的一部分,其中,在训练过程期间,神经网络的神经元能被加权或者彼此连接。
根据优选的实施例,其规定,准备形状数据集来用于将其提供给输入层。通过准备形状数据集,有利地,可能在形状数据集和训练的子系统的输入层之间建立链接。具体地,还可以想到,根据形状数据集的至少一个子集来计算特征(例如以形状描述符或者光谱描述符的形式),并提供给输入层。
在优选的实施例中,通过采样来准备形状数据集。例如,将传统神经网络到非欧几里德流形(诸如形状)的扩展用于准备形状数据集。通过Masci等人在2015年的EPFL-CINF-204949中的文章“ShapeNet:Convolutional Neuronal Networks on Non-EuclideanManifolds”描述了传统神经网络非欧几里得流形到的扩展。关于将传统神经网络到非欧几里德流形的扩展的描述,在此明确地引用到此文档。
在另一优选的实施例中,其规定,将形状数据集变换成中间图像数据集,用于将中间图像数据集提供给输入层。具体地,其规定,将形状数据集变换成与标准深度学习算法兼容的中间图像数据集。结果,深度学习机制不必须适应于形状数据集的形式。例如,能将形状数据集转换成二进制掩码或者水平集(level-set)表示。通过使用二进制掩码来提供离散体素值,例如,0用于外部并且1用于内部,而通过水平集表示来提供对体素到边界的距离进行编码的连续体素值。
具体地,其规定,训练的子系统具有多于5个隐藏层,优选的多于10个隐藏层。通过使用大量的隐藏层,通过深度学习机制来训练子系统。具体地,通过使用大量的隐藏层可以预测具有对于形状数据的复杂依赖性的次要参数。
根据另一实施例,其规定,在决策支持系统运行时提供次要参数。因此,能实时地近似次要参数并且立即提供给用户。还可以想到的,用户能选择关于次要参数他是否想要被通知。例如,当用户请求次要参数时,启动次要参数的近似。
在另一优选的实施例中,其规定,与至少一个主要参数一起提供次要参数。具体地,次要参数有利地补充了主要参数。还可以预想的,决策支持系统过滤次要参数。例如,只有当次要参数对应于设定的间隔内的值时,决策支持系统对用户提供次要参数。因此,当次要参数的值指示异常时,可能会通过次要参数警告(warn)用户。
优选地,其规定,在离线模式中,通过多个训练形状数据集来训练子系统。通过训练子系统,改进了近似次要参数的质量。由此,可以想到,至少几个训练形状数据集是人工地生成的。具体地,其规定,在离线模式中提供了训练形状数据集,并且通过要训练的子系统提供了近似的次要参数。通过比较次要参数的近似值和实际值,可以适应子系统,使得近似的次要参数与实际的次要参数之间的差异最小化。因此,能提供训练的子系统。实际的次要参数可能是测量值或者是精确计算结果的值,例如通过运算流体动力学求解器。
在另一实施例中,其规定,在离线模式中计算次要参数。具体地,实时地计算次要参数,即在子系统的训练期间。
本发明的另一方面是决策支持系统,特别是临床决策支持系统,其中决策支持系统配置成用于执行根据本发明的方法。
本发明的另一方面是用于进行根据本发明的方法的步骤的计算机程序产品。
本发明的另一方面是一种计算机可读介质,其上存储有能通过计算机单元读取和运行的程序元素,当通过计算机单元运行程序元素时以执行根据本发明的方法的步骤。
附图说明
参考附图,根据本发明的用于分析的方法的优选实施例的以下描述,将出现进一步的优点和特征。在本发明的范围内,单个实施例的单个特征能在在本文彼此组合。
图1示意性地示出了图示根据优选的实施例的用于提供次要参数的方法的优选实施例的框图,
图2示意性地示出了图示通过用于根据优选的实施例的方法的机器学习机制训练的子系统的框图,
图3示意性地示出了图示子系统的训练的框图,和
图4示出了主动脉(左)和图示用于并入输入层(右)的形状数据集的框图。
具体实施方式
图1中示意性地示出了根据优选的实施例的用于提供附加信息的方法的优选实施例。优选地,所述方法是临床决策支持系统100(CDS)的一部分。配置这样的临床决策支持系统100,使得其收集主要参数31、32、33、34,并将它们呈现给用户,例如在工作站或者移动单元(诸如平板电脑或者智能电话)的屏幕上。呈现的主要参数31、32、33、34支持用户做出决策,例如患者是否可实施手术。主要参数31、32、33、34优选地是存储在存储器设备中的信息,诸如患者信息31(例如患者年龄或者BMI)、图像数据集33(诸如MR或CT图像数据集)、实验室报告32(例如血液测试)、和/或医学知识34。优选地,配置CDS系统100,使得其积累和过滤可用的主要参数31、32、33、34,用于显示用于帮助做出决策过程的相关的信息。
具体地,除了主要参数31、32、33、34之外,通过根据图1中的实施例的方法还提供次要参数3。次要参数3取决于例如器官的形状并且对于做出决策过程相关。例如,次要参数3是取决于通过图像数据集表示的肝脏的形状的肝脏体积。优选地,次要参数3不能像肝脏体积那样容易地提供。例如,,需要计算的次要参数37(诸如计算流体动力学(CFD)解)用于提供次要参数3,其中将形状用作CFD求解器的输入。次要参数3可能是血管中的压力或血流速率。
为了将次要参数3提供到CDS系统100,通过由机器学习机制训练的子系统10来近似次要参数3。由此,将形状数据集2用作子系统10的输入数据集。优选地,从在CDS系统100中可用的主要参数31、32、33、34中提取形状数据集2。例如,从图像数据集33提取形状数据集2。形状数据集2是能通过任何种类的多边形网格,特别是2D和3D表面网格或者体积网格表示的数据集。
图2示意性地示出了利用机器学习机制训练的子系统10。具体地,子系统10是人工神经网络,并且机器学习机制是深度学习机制。优选地,子系统10包含输入层11和输出层13。除了输入层11和输出层13之外,子系统10还具有几个隐藏层12。由此,配置输入层11用于接收形状数据集2,并且配置输出层13用于提供次要参数3。通过训练,子系统10学习处置输入数据集并且预测对应于次要参数3的输出。由此,在训练期间,人工神经网络的单个神经元的相关性可能被加权并且可能生成不同隐藏层12的神经元之间的连接。
图3中示意性地示出了子系统10的训练。具体地,首先提供了训练形状数据集2’。可能从实际图像数据集33或者人工生成的图像数据集33中提取这样的训练形状数据集2’。还可以想到的,人工地生成训练形状数据集2’用于训练子系统10。基于训练数据集2’,通过子系统10提供近似的次要参数3,并且在第一步骤21中将近似的次要参数3与实际的次要参数3进行比较。实际的次要参数3可能是测量的结果或者在第二步骤22中用户定义的函数24的复杂的计算的结果。随后地,子系统10适于在第三步骤23中将近似的次要参数3和实际的次要参数3之间的差值/误差最小化。通过迭代子系统10的近似和适应来提供训练的子系统10,特别是训练的深度形状网络。还可以想到的,通过CFD求解器在训练期间,即实时地执行用户定义的函数的计算。作为训练的结果,训练的子系统10在形状数据集2的基础上提供次要数据集3而无需耗时的花费运算的计算。
图4中图示了三维形状数据集2。三维图像数据集33示出主动脉4,其中形状数据集2作为三角网格提供。具体地,图示了形状数据集2的采样。通过采样,准备形状数据集2,用于将形状数据集2并入到训练的子系统10中,特别是输入层11中。优选地,提取/分析三维物体的块,并且将对应的形状数据集2提供给训练的子系统10。
Claims (15)
1.一种用于在对用户供应主要参数(31、32、33、34)的决策支持系统(100)中,特别是在临床决策支持系统中提供次要参数(3)的方法,所述方法包含以下步骤:
-提供输入数据集;
-通过使用通过机器学习机制,特别是通过深度学习机制训练的子系统(10),基于所述输入数据集来近似次要参数(3);以及
-提供近似的次要参数;
其中所述输入数据集是形状数据集(2)。
2.根据前述任一权利要求所述的方法,其中,从对于决策支持系统(100)可用的主要参数(31、32、33、34)提取,优选自动地提取所述形状数据集(2)。
3.根据权利要求2所述的方法,其中,从图像数据集(33)的子集(15)提取所述形状数据集(2)。
4.根据前述任一权利要求所述的方法,其中,训练的子系统(10)包含输入层(11)、多个隐藏层(12)和输出层(13)。
5.根据权利要求4所述的方法,其中,准备所述形状数据集(2)用于将其提供给输入层(11)。
6.根据权利要求5所述的方法,其中,通过采样来准备所述形状数据集(2)。
7.根据权利要求4或5所述的方法,其中,将形状数据集(2)变换成中间图像数据集,用于将所述中间图像数据集提供给输入层(11)。
8.根据前述任一权利要求所述的方法,其中,训练的子系统(10)具有多于5个隐藏层,优选地具有多于10个隐藏层。
9.根据前述任一权利要求所述的方法,其中,在决策支持系统(100)运行时提供次要参数(3)。
10.根据前述任一权利要求所述的方法,其中,与至少一个主要参数(31、32、33、34)一起提供次要参数(3)。
11.根据前述任一权利要求所述的方法,其中,在离线模式中,通过多个训练形状数据集(2’)来训练子系统(10)。
12.根据权利要求11所述的方法,其中,在离线模式中计算次要参数(3)。
13.一种决策支持系统(100),配置用于执行根据前述任一权利要求所述的方法。
14.一种计算机程序产品,用于进行根据权利要求1-12任一项所述的方法的步骤。
15.一种计算机可读介质,其上存储有能通过计算机单元读取和运行的程序元素,以当通过所述计算机单元运行所述程序元素时执行根据权利要求1-12任一项所述的方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP17176007.7A EP3270308B9 (en) | 2017-06-14 | 2017-06-14 | Method for providing a secondary parameter, decision support system, computer-readable medium and computer program product |
EP17176007.7 | 2017-06-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109087701A true CN109087701A (zh) | 2018-12-25 |
CN109087701B CN109087701B (zh) | 2022-05-13 |
Family
ID=59067544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810610594.6A Active CN109087701B (zh) | 2017-06-14 | 2018-06-13 | 提供次要参数的方法、决策支持系统、介质、计算机程序 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11948683B2 (zh) |
EP (1) | EP3270308B9 (zh) |
CN (1) | CN109087701B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3270308B9 (en) * | 2017-06-14 | 2022-05-18 | Siemens Healthcare GmbH | Method for providing a secondary parameter, decision support system, computer-readable medium and computer program product |
EP3751580B1 (en) | 2019-06-11 | 2024-04-03 | Siemens Healthineers AG | Hemodynamic analysis of vessels using recurrent neural network |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331600A (zh) * | 2014-09-30 | 2015-02-04 | 百度在线网络技术(北京)有限公司 | 基于因子图模型的自诊模型训练方法和装置 |
CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
CN105431851A (zh) * | 2013-07-31 | 2016-03-23 | 皇家飞利浦有限公司 | 用于定制患者护理的健康护理决策支持系统 |
US20160129282A1 (en) * | 2013-06-18 | 2016-05-12 | Duke University | Systems and methods for specifying treatment criteria and treatment parameters for patient specific radiation therapy planning |
US20170018075A1 (en) * | 2015-07-13 | 2017-01-19 | Delineo Diagnostics, Inc | Method and apparatus for adaptive Computer-Aided Diagnosis |
CN106529116A (zh) * | 2015-09-11 | 2017-03-22 | 西门子保健有限责任公司 | 诊断系统和诊断方法 |
US20170113002A1 (en) * | 2015-10-23 | 2017-04-27 | University Of Southern California | Adaptive brain-machine interface system for anesthesia delivery |
CN106778005A (zh) * | 2016-12-27 | 2017-05-31 | 中南民族大学 | 基于多参数mri的前列腺癌计算机辅助检测方法及系统 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6873718B2 (en) | 2001-10-12 | 2005-03-29 | Siemens Corporate Research, Inc. | System and method for 3D statistical shape model for the left ventricle of the heart |
US8396533B2 (en) | 2007-08-21 | 2013-03-12 | Siemens Aktiengesellschaft | Method and system for catheter detection and tracking in a fluoroscopic image sequence |
US8116548B2 (en) | 2008-06-04 | 2012-02-14 | Siemens Aktiengesellschaft | Method and system for detecting 3D anatomical structures using constrained marginal space learning |
US9025841B2 (en) | 2009-11-18 | 2015-05-05 | Siemens Aktiengesellschaft | Method and system for segmentation of the prostate in 3D magnetic resonance images |
US8315812B2 (en) * | 2010-08-12 | 2012-11-20 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
WO2012082789A2 (en) * | 2010-12-13 | 2012-06-21 | The Trustees Of Columbia University In The City Of New York | Medical imaging devices, methods, and systems |
US10433740B2 (en) * | 2012-09-12 | 2019-10-08 | Heartflow, Inc. | Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology |
US9454958B2 (en) * | 2013-03-07 | 2016-09-27 | Microsoft Technology Licensing, Llc | Exploiting heterogeneous data in deep neural network-based speech recognition systems |
US9700219B2 (en) * | 2013-10-17 | 2017-07-11 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
US9668699B2 (en) * | 2013-10-17 | 2017-06-06 | Siemens Healthcare Gmbh | Method and system for anatomical object detection using marginal space deep neural networks |
GB2532075A (en) * | 2014-11-10 | 2016-05-11 | Lego As | System and method for toy recognition and detection based on convolutional neural networks |
US10409235B2 (en) * | 2014-11-12 | 2019-09-10 | Siemens Healthcare Gmbh | Semantic medical image to 3D print of anatomic structure |
WO2016094330A2 (en) * | 2014-12-08 | 2016-06-16 | 20/20 Genesystems, Inc | Methods and machine learning systems for predicting the liklihood or risk of having cancer |
US20160196384A1 (en) | 2015-01-06 | 2016-07-07 | Siemens Aktiengesellschaft | Personalized whole-body circulation in medical imaging |
CA2979579C (en) * | 2015-03-20 | 2020-02-18 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Relevance score assignment for artificial neural networks |
US20170071671A1 (en) | 2015-09-11 | 2017-03-16 | Siemens Healthcare Gmbh | Physiology-driven decision support for therapy planning |
DE102016204225B3 (de) * | 2016-03-15 | 2017-07-20 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Verfahren zur automatischen Erkennung von anatomischen Landmarken und Vorrichtung |
WO2018005891A2 (en) * | 2016-06-29 | 2018-01-04 | Ace Vision Group, Inc. | System and methods using real-time predictive virtual 3d eye finite element modeling for simulation of ocular structure biomechanics |
US10127659B2 (en) * | 2016-11-23 | 2018-11-13 | General Electric Company | Deep learning medical systems and methods for image acquisition |
US10962939B1 (en) * | 2017-04-18 | 2021-03-30 | Amazon Technologies, Inc. | Fine-grain content moderation to restrict images |
US10255693B2 (en) * | 2017-05-02 | 2019-04-09 | Techcyte, Inc. | Machine learning classification and training for digital microscopy images |
EP3270308B9 (en) * | 2017-06-14 | 2022-05-18 | Siemens Healthcare GmbH | Method for providing a secondary parameter, decision support system, computer-readable medium and computer program product |
-
2017
- 2017-06-14 EP EP17176007.7A patent/EP3270308B9/en active Active
-
2018
- 2018-06-12 US US16/005,863 patent/US11948683B2/en active Active
- 2018-06-13 CN CN201810610594.6A patent/CN109087701B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160129282A1 (en) * | 2013-06-18 | 2016-05-12 | Duke University | Systems and methods for specifying treatment criteria and treatment parameters for patient specific radiation therapy planning |
CN105431851A (zh) * | 2013-07-31 | 2016-03-23 | 皇家飞利浦有限公司 | 用于定制患者护理的健康护理决策支持系统 |
CN104331600A (zh) * | 2014-09-30 | 2015-02-04 | 百度在线网络技术(北京)有限公司 | 基于因子图模型的自诊模型训练方法和装置 |
CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
US20170018075A1 (en) * | 2015-07-13 | 2017-01-19 | Delineo Diagnostics, Inc | Method and apparatus for adaptive Computer-Aided Diagnosis |
CN106529116A (zh) * | 2015-09-11 | 2017-03-22 | 西门子保健有限责任公司 | 诊断系统和诊断方法 |
US20170113002A1 (en) * | 2015-10-23 | 2017-04-27 | University Of Southern California | Adaptive brain-machine interface system for anesthesia delivery |
CN106778005A (zh) * | 2016-12-27 | 2017-05-31 | 中南民族大学 | 基于多参数mri的前列腺癌计算机辅助检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
JONATHAN MASCI ET AL.: "ShapeNet: Convolutional Neural Networks on Non-Euclidean Manifolds", 《ARTIFICIAL INTELLIGENCE》 * |
Also Published As
Publication number | Publication date |
---|---|
EP3270308B1 (en) | 2020-08-05 |
US11948683B2 (en) | 2024-04-02 |
CN109087701B (zh) | 2022-05-13 |
EP3270308A1 (en) | 2018-01-17 |
EP3270308B9 (en) | 2022-05-18 |
US20180366224A1 (en) | 2018-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107115111B (zh) | 血流状态分析系统及方法 | |
JP7277053B2 (ja) | 階層式マルチレベル特徴画像合成および提示のためのシステムおよび方法 | |
US9141763B2 (en) | Method and system for patient-specific computational modeling and simulation for coupled hemodynamic analysis of cerebral vessels | |
JP6623265B2 (ja) | 偽陽性低減での小結節検出 | |
EP2866200B1 (en) | Apparatus and method for computer-aided diagnosis | |
CN106887000B (zh) | 医学图像的网格化处理方法及其系统 | |
CN107292884B (zh) | 一种识别mri图像中水肿和血肿的方法及装置 | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
CN106651750A (zh) | 用于基于卷积神经网络回归的2d/3d图像配准的方法和系统 | |
US20170011534A1 (en) | Generating a synthetic two-dimensional mammogram | |
CN107077736A (zh) | 依据基于解剖学界标的特征分割医学图像的系统和方法 | |
CN101374462A (zh) | 基于模型的流动分析和可视化 | |
CN104361318A (zh) | 一种基于弥散张量成像技术的疾病诊断辅助系统及方法 | |
CN110168619A (zh) | 用于在虚拟现实或增强现实环境中渲染复杂数据的系统和方法 | |
CN106073824A (zh) | 用于根据剪切波成像进行剪切模量和粘度的自动评估的方法和系统 | |
KR20200060102A (ko) | 진단 영상을 생성하고, 디스플레이하는 자기 공명 영상 장치 및 그 동작 방법 | |
CN109087701A (zh) | 提供次要参数的方法、决策支持系统、介质、计算机程序 | |
US11152122B2 (en) | System and method for evaluating vascular risks | |
CN113034528A (zh) | 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 | |
RU2746152C2 (ru) | Обнаружение биологического объекта | |
JP6661511B2 (ja) | 脳結合性分析システム、及び脳結合性分析方法 | |
CN107209794B (zh) | 解剖结构的有限元建模 | |
CN107330948B (zh) | 一种基于流行学习算法的fMRI数据二维可视化方法 | |
CN109886992A (zh) | 用于分割mri图像中异常信号区的全卷积网络模型训练方法 | |
US11416653B2 (en) | Numerical model of the human head |
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 |