CN111476880A - 基于深度神经网络的冠脉造影设备及系统 - Google Patents
基于深度神经网络的冠脉造影设备及系统 Download PDFInfo
- Publication number
- CN111476880A CN111476880A CN202010143861.0A CN202010143861A CN111476880A CN 111476880 A CN111476880 A CN 111476880A CN 202010143861 A CN202010143861 A CN 202010143861A CN 111476880 A CN111476880 A CN 111476880A
- Authority
- CN
- China
- Prior art keywords
- coronary artery
- coronary
- neural network
- processor
- deep neural
- 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
- 238000002586 coronary angiography Methods 0.000 title claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 45
- 210000004351 coronary vessel Anatomy 0.000 claims abstract description 97
- 230000017531 blood circulation Effects 0.000 claims abstract description 12
- 238000003745 diagnosis Methods 0.000 claims description 13
- 239000003086 colorant Substances 0.000 claims description 5
- 230000000747 cardiac effect Effects 0.000 claims 2
- 238000000034 method Methods 0.000 abstract description 16
- 239000012530 fluid Substances 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 208000031481 Pathologic Constriction Diseases 0.000 description 10
- 208000031225 myocardial ischemia Diseases 0.000 description 10
- 230000036262 stenosis Effects 0.000 description 10
- 208000037804 stenosis Diseases 0.000 description 10
- 201000000057 Coronary Stenosis Diseases 0.000 description 7
- 208000029078 coronary artery disease Diseases 0.000 description 6
- 210000004204 blood vessel Anatomy 0.000 description 5
- 208000024172 Cardiovascular disease Diseases 0.000 description 4
- 239000002872 contrast media Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002966 stenotic effect Effects 0.000 description 4
- 206010020565 Hyperaemia Diseases 0.000 description 3
- 238000010968 computed tomography angiography Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 210000004165 myocardium Anatomy 0.000 description 3
- 210000000709 aorta Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 210000002321 radial artery Anatomy 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 208000004434 Calcinosis Diseases 0.000 description 1
- 206010011089 Coronary artery stenosis Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000544 hyperemic effect Effects 0.000 description 1
- 210000004969 inflammatory cell Anatomy 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 238000002608 intravascular ultrasound Methods 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007505 plaque formation Effects 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 210000000329 smooth muscle myocyte Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于深度神经网络的冠脉造影设备及系统,属于数据处理技术领域。本发明由处理器基于冠脉血管造影图像建立3D心脏模型,然后通过流体力学方式确定所述3D心脏模型的冠状动脉中各点的压力,再根据所述冠状动脉中各点的压力通过预设深度神经网络算法计算冠状动脉的冠状动脉血流储备分数FFR,最后通过显示器对所述冠状动脉的FFR进行展示,由于是通过图像结合算法确定冠状动脉的FFR,故而无需通过压力导丝进行数据测量,成本较低,便于进行广泛的临床应用。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于深度神经网络的冠脉造影设备及系统。
背景技术
心血管疾病是剥夺人类生命的一大疾病。根据《中国心血管病报告》,中国心血管病患病率及死亡率仍处于上升阶段。
心血管疾病中最为凶险即为冠心病,是由于动脉粥样硬化在冠状动脉中积累形成斑块而导致冠状动脉狭窄,从而降低供应心肌的血液量造成心肌缺血的疾病。简单来说,就是冠状动脉中形成了一层主要由脂质、炎性细胞和平滑肌细胞、结缔组织、血栓和钙沉积物等组织的沉积物,它们会堵塞血流,造成心肌缺血,也有可能脱落,造成心梗。
冠心病的诊断方式包括心电图、冠脉造影、冠脉CTA(CT血管造影)、冠状动脉内超声显像技术(IVUS)、冠状动脉血流储备分数(FFR)测量。其中冠脉造影、冠脉CTA是目前确诊冠心病较常见的方法。冠脉造影通过手腕处桡动脉穿刺,进导丝直至心脏冠脉血管,然后打入造影剂,直观的观察造影剂在冠脉各个血管的充盈情况。出现充盈缺损,则证明血管有斑块导致狭窄,医生再根据血管狭窄情况,分析是否安装支架扩开血管。
然而这些影像学方法都只能评价冠脉狭窄,并不能判断狭窄是否引起心肌缺血,而心肌缺血才是引起患者长期预后不良(包括心梗、心力衰竭等) 的直接原因。虽然冠脉狭窄和心肌缺血具有相关性,狭窄达到一定程度时可导致心肌缺血,实际上冠脉的狭窄程度和缺血并不完全匹配。在某些时候,医生肉眼观察到的冠状动脉狭窄程度严重,但是并未造成心肌缺血;有的冠状动脉病变从影像学观察狭窄并不严重,但实际上造成了严重的心肌缺血。
冠状动脉血流储备分数(FFR)在上世纪90年代问世,它的出现让基于冠脉造影的冠心病诊断标准开始受到挑战。冠状动脉血流储备分数Fractional Flowreverse缩写为FFR,常翻译成血流储备分数,是指在最大充血状态下冠脉狭窄远端的压力(Pd)与该狭窄近端的压力(Pa)比值。在心肌最大充血状态下的狭窄远端冠状动脉内平均压与冠状动脉口部主动脉平均压的比值。若比值FFR≦0.8则提示狭窄病变引起心肌缺血。
FFR的测定可判断狭窄冠脉是否发生血运障碍,从而更好地指导狭窄冠脉是否需要放支架。但目前FFR主要通过压力导丝进行数据测量,压力导丝检测是有创的,价格也偏高(高达万元),导致成本过高,限制了其广泛的临床应用。
发明内容
本发明的主要目的在于提供一种基于深度神经网络的冠脉造影设备及系统,旨在解决现有技术中成本过高,不利于临床应用的技术问题。
为实现上述目的,本发明提供一种基于深度神经网络的冠脉造影设备,所述基于深度神经网络的冠脉造影设备包括:接收器、处理器和显示器;
所述接收器,用于获取冠脉血管造影图像,并将所述冠脉血管造影图像发送至所述处理器;
所述处理器,用于基于所述冠脉血管造影图像建立3D心脏模型;
所述处理器,还用于通过流体力学方式确定所述3D心脏模型的冠状动脉中各点的压力;
所述处理器,还用于根据所述冠状动脉中各点的压力通过预设深度神经网络算法计算冠状动脉的冠状动脉血流储备分数FFR;
所述显示器,用于对所述冠状动脉的FFR进行展示。
可选地,所述处理器,还用于获取3D心脏模型中冠状动脉的宽度信息,根据所述冠状动脉的宽度信息通过所述流体力学方式确定所述3D心脏模型的冠状动脉中各点的压力。
可选地,所述处理器,还用于基于所述冠状动脉的宽度信息确定冠状动脉的血流状态,并基于所述冠状动脉的血流状态通过流体力学方式确定所述 3D心脏模型的冠状动脉中各点的压力。
可选地,所述处理器,还用于根据所述冠状动脉的FFR生成对应的诊断结果,并将所述诊断结果发送至显示器;
所述显示器,还用于对所述诊断结果进行展示。
可选地,所述处理器,还用于将所述冠状动脉的FFR与预设阈值进行比较,获得比较结果;
所述处理器,还用于根据所述比较结果生成对应的诊断结果。
可选地,所述接收器,还用于接收若干样本心脏模型,并将所述样本心脏模型发送至所述处理器,所述样本心脏模型中具有冠状动脉中各点的压力;
所述处理器,还用于通过所述样本心脏模型对初始深度神经网络算法进行训练,获得预设深度神经网络算法。
可选地,所述处理器,还用于根据所述冠状动脉中各点的压力确定所述冠状动脉中各点的颜色,并将所述3D心脏模型以及所述冠状动脉中各点的颜色发送至显示器;
所述显示器,还用于基于所述冠状动脉中各点的颜色对所述3D心脏模型进行展示。
此外,为实现上述目的,本发明还提供一种基于深度神经网络的冠脉造影系统,所述基于深度神经网络的冠脉造影系统包括:影像数据设备和所述的基于深度神经网络的冠脉造影设备;
所述影像数据设备,用于存储冠脉血管造影图像。
本发明由处理器基于冠脉血管造影图像建立3D心脏模型,然后通过流体力学方式确定所述3D心脏模型的冠状动脉中各点的压力,再根据所述冠状动脉中各点的压力通过预设深度神经网络算法计算冠状动脉的冠状动脉血流储备分数FFR,最后通过显示器对所述冠状动脉的FFR进行展示,由于是通过图像结合算法确定冠状动脉的FFR,故而无需通过压力导丝进行数据测量,成本较低,便于进行广泛的临床应用。
附图说明
图1为本发明基于深度神经网络的冠脉造影设备一实施例的结构框图;
图2为本发明基于深度神经网络的冠脉造影系统一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
参照图1,图1为本发明基于深度神经网络的冠脉造影设备一实施例的结构框图。
在实施例中,所述基于深度神经网络的冠脉造影设备包括:接收器1、处理器2和显示器3。
所述接收器1,用于获取冠脉血管造影图像,并将所述冠脉血管造影图像发送至所述处理器2。
需要说明的是,所述冠脉血管造影图像即为通过冠脉造影获得的图像,所述冠脉造影是目前确诊冠心病较常见的方法。冠脉造影通过手腕处桡动脉穿刺,进导丝直至心脏冠脉血管,然后打入造影剂,直观的观察造影剂在冠脉各个血管的充盈情况,此时,即可通过多排螺旋CT对冠状动脉进行扫描,从而获得冠脉血管造影图像。
可理解的是,接收器2通常为设备的通信接口,例如:USB接口或是串行接口等,本实施例对此不加以限制。
所述处理器2,用于基于所述冠脉血管造影图像建立3D心脏模型。
在具体实现中,所述冠脉血管造影图像通常为多张不同角度的图像,因此,可基于这些图像中的某些特征点作为基准来换算图像中各像素的空间坐标,基于各像素的空间坐标即可建立3D心脏模型。
所述处理器2,还用于通过流体力学方式确定所述3D心脏模型的冠状动脉中各点的压力。
需要说明的是,由于人体的血液也是属于液体,因此,其具有流体力学的特点,因此,可通过流体力学方式确定所述3D心脏模型的冠状动脉中各点的压力。
可理解的是,由于冠状动脉的宽度信息在一定程度上能够反映其压力,因此,所述处理器2,还用于可获取3D心脏模型中冠状动脉的宽度信息,根据所述冠状动脉的宽度信息通过所述流体力学方式确定所述3D心脏模型的冠状动脉中各点的压力。
在具体实现中,所述处理器2可先基于所述冠状动脉的宽度信息确定冠状动脉的血流状态,并基于所述冠状动脉的血流状态通过流体力学方式确定所述3D心脏模型的冠状动脉中各点的压力。
所述处理器2,还用于根据所述冠状动脉中各点的压力通过预设深度神经网络算法计算冠状动脉的冠状动脉血流储备分数FFR。
需要说明的是,冠状动脉血流储备分数(FFR)在上世纪90年代问世,它的出现让基于冠脉造影的冠心病诊断标准开始受到挑战。冠状动脉血流储备分数FractionalFlowreverse缩写为FFR,常翻译成血流储备分数,是指在最大充血状态下冠脉狭窄远端的压力(Pd)与该狭窄近端的压力(Pa)比值。通常计算时,是计算在心肌最大充血状态下的狭窄远端冠状动脉内平均压与冠状动脉口部主动脉平均压的比值。若比值FFR≦0.8则提示狭窄病变引起心肌缺血。
可理解的是,深度神经网络是机器学习(ML,Machine Learning)领域中一种技术,而深度神经网络算法则是相对比较成熟的算法,在训练前无法实现任何功能,因此,本实施例中,所述接收器1,还用于接收若干样本心脏模型,并将所述样本心脏模型发送至所述处理器,所述样本心脏模型中具有冠状动脉中各点的压力;所述处理器2,还用于通过所述样本心脏模型对初始深度神经网络算法进行训练,获得预设深度神经网络算法。
也就是说,可预先建立一个初始深度神经网络算法,由于所述样本心脏模型中具有冠状动脉中各点的压力,而这些样本心脏模型对应的FFR是已知的,因此,可基于样本心脏模型的冠状动脉中各点的压力对初始深度神经网络算法进行训练,从而获得预设深度神经网络算法,此时,所述预设深度神经网络算法即可根据所述冠状动脉中各点的压力通过预设深度神经网络算法计算冠状动脉的冠状动脉血流储备分数FFR。
所述显示器3,用于对所述冠状动脉的FFR进行展示。
可理解的是,为了便于用户迅速地了解诊断结果,本实施例中,所述处理器2,还用于根据所述冠状动脉的FFR生成对应的诊断结果,并将所述诊断结果发送至显示器3;
所述显示器3,还用于对所述诊断结果进行展示。
具体地,所述处理器2,还用于将所述冠状动脉的FFR与预设阈值进行比较,获得比较结果;
所述处理器2,还用于根据所述比较结果生成对应的诊断结果。
通常而言,FFR≦0.8则需要提示狭窄病变引起心肌缺血,因此,可将所述预设阈值设置为0.8。
为便于用户观察3D心脏模型,本实施例中,所述处理器,还用于根据所述冠状动脉中各点的压力确定所述冠状动脉中各点的颜色,并将所述3D心脏模型以及所述冠状动脉中各点的颜色发送至显示器;
所述显示器,还用于基于所述冠状动脉中各点的颜色对所述3D心脏模型进行展示。
也就是说,可将不同的压力值对应不同的颜色,从而根据所述冠状动脉中各点的压力确定所述冠状动脉中各点的颜色。
本实施例由处理器基于冠脉血管造影图像建立3D心脏模型,然后通过流体力学方式确定所述3D心脏模型的冠状动脉中各点的压力,再根据所述冠状动脉中各点的压力通过预设深度神经网络算法计算冠状动脉的冠状动脉血流储备分数FFR,最后通过显示器对所述冠状动脉的FFR进行展示,由于是通过图像结合算法确定冠状动脉的FFR,故而无需通过压力导丝进行数据测量,成本较低,便于进行广泛的临床应用。
参照图2,图2为本发明基于深度神经网络的冠脉造影系统一实施例的结构框图。
在实施例中,所述基于深度神经网络的冠脉造影系统包括:影像数据设备10和上述的基于深度神经网络的冠脉造影设备20;
所述影像数据设备10,用于存储冠脉血管造影图像。
也就是说,所述基于深度神经网络的冠脉造影设备20可从影像数据设备 10中获取冠脉血管造影图像,而冠脉血管造影图像是由CT设备扫描后存储至所述影像数据设备10中。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
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。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于深度神经网络的冠脉造影设备,其特征在于,所述基于深度神经网络的冠脉造影设备包括:接收器、处理器和显示器;
所述接收器,用于获取冠脉血管造影图像,并将所述冠脉血管造影图像发送至所述处理器;
所述处理器,用于基于所述冠脉血管造影图像建立3D心脏模型;
所述处理器,还用于通过流体力学方式确定所述3D心脏模型的冠状动脉中各点的压力;
所述处理器,还用于根据所述冠状动脉中各点的压力通过预设深度神经网络算法计算冠状动脉的冠状动脉血流储备分数FFR;
所述显示器,用于对所述冠状动脉的FFR进行展示。
2.如权利要求1所述的基于深度神经网络的冠脉造影设备,其特征在于,所述处理器,还用于获取3D心脏模型中冠状动脉的宽度信息,根据所述冠状动脉的宽度信息通过所述流体力学方式确定所述3D心脏模型的冠状动脉中各点的压力。
3.如权利要求2所述的基于深度神经网络的冠脉造影设备,其特征在于,所述处理器,还用于基于所述冠状动脉的宽度信息确定冠状动脉的血流状态,并基于所述冠状动脉的血流状态通过流体力学方式确定所述3D心脏模型的冠状动脉中各点的压力。
4.如权利要求1所述的基于深度神经网络的冠脉造影设备,其特征在于,所述处理器,还用于根据所述冠状动脉的FFR生成对应的诊断结果,并将所述诊断结果发送至显示器;
所述显示器,还用于对所述诊断结果进行展示。
5.如权利要求4所述的基于深度神经网络的冠脉造影设备,其特征在于,所述处理器,还用于将所述冠状动脉的FFR与预设阈值进行比较,获得比较结果;
所述处理器,还用于根据所述比较结果生成对应的诊断结果。
6.如权利要求1~5中任一项所述的基于深度神经网络的冠脉造影设备,其特征在于,所述接收器,还用于接收若干样本心脏模型,并将所述样本心脏模型发送至所述处理器,所述样本心脏模型中具有冠状动脉中各点的压力;
所述处理器,还用于通过所述样本心脏模型对初始深度神经网络算法进行训练,获得预设深度神经网络算法。
7.如权利要求1~5中任一项所述的基于深度神经网络的冠脉造影设备,其特征在于,所述处理器,还用于根据所述冠状动脉中各点的压力确定所述冠状动脉中各点的颜色,并将所述3D心脏模型以及所述冠状动脉中各点的颜色发送至显示器;
所述显示器,还用于基于所述冠状动脉中各点的颜色对所述3D心脏模型进行展示。
8.一种基于深度神经网络的冠脉造影系统,其特征在于,所述基于深度神经网络的冠脉造影系统包括:影像数据设备和权利要求1~7中任一项所述的基于深度神经网络的冠脉造影设备;
所述影像数据设备,用于存储冠脉血管造影图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010143861.0A CN111476880B (zh) | 2020-03-04 | 2020-03-04 | 基于深度神经网络的冠脉造影设备及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010143861.0A CN111476880B (zh) | 2020-03-04 | 2020-03-04 | 基于深度神经网络的冠脉造影设备及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111476880A true CN111476880A (zh) | 2020-07-31 |
CN111476880B CN111476880B (zh) | 2024-02-20 |
Family
ID=71747146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010143861.0A Active CN111476880B (zh) | 2020-03-04 | 2020-03-04 | 基于深度神经网络的冠脉造影设备及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476880B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139961A (zh) * | 2021-05-28 | 2021-07-20 | 沈阳先进医疗设备技术孵化中心有限公司 | 一种冠状动脉优势型的确定方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130246034A1 (en) * | 2012-03-13 | 2013-09-19 | Siemens Aktiengesellschaft | Method and System for Non-Invasive Functional Assessment of Coronary Artery Stenosis |
US20130324842A1 (en) * | 2012-05-29 | 2013-12-05 | The Johns Hopkins University | Method for Estimating Pressure Gradients and Fractional Flow Reserve from Computed Tomography Angiography: Transluminal Attenuation Flow Encoding |
CN103914814A (zh) * | 2012-12-28 | 2014-07-09 | 北京思创贯宇科技开发有限公司 | 一种ct冠脉图像与xa造影图像的图像融合方法及系统 |
CN105096388A (zh) * | 2014-04-23 | 2015-11-25 | 北京冠生云医疗技术有限公司 | 基于计算流体力学的冠状动脉血流仿真系统和方法 |
CN106327487A (zh) * | 2016-08-18 | 2017-01-11 | 苏州润心医疗科技有限公司 | 基于x射线冠脉造影图像的冠状动脉血流储备分数计算方法 |
CN108294735A (zh) * | 2012-03-13 | 2018-07-20 | 西门子公司 | 用于冠状动脉狭窄的非侵入性功能评估的方法和系统 |
-
2020
- 2020-03-04 CN CN202010143861.0A patent/CN111476880B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130246034A1 (en) * | 2012-03-13 | 2013-09-19 | Siemens Aktiengesellschaft | Method and System for Non-Invasive Functional Assessment of Coronary Artery Stenosis |
CN108294735A (zh) * | 2012-03-13 | 2018-07-20 | 西门子公司 | 用于冠状动脉狭窄的非侵入性功能评估的方法和系统 |
US20130324842A1 (en) * | 2012-05-29 | 2013-12-05 | The Johns Hopkins University | Method for Estimating Pressure Gradients and Fractional Flow Reserve from Computed Tomography Angiography: Transluminal Attenuation Flow Encoding |
CN103914814A (zh) * | 2012-12-28 | 2014-07-09 | 北京思创贯宇科技开发有限公司 | 一种ct冠脉图像与xa造影图像的图像融合方法及系统 |
CN105096388A (zh) * | 2014-04-23 | 2015-11-25 | 北京冠生云医疗技术有限公司 | 基于计算流体力学的冠状动脉血流仿真系统和方法 |
CN106327487A (zh) * | 2016-08-18 | 2017-01-11 | 苏州润心医疗科技有限公司 | 基于x射线冠脉造影图像的冠状动脉血流储备分数计算方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139961A (zh) * | 2021-05-28 | 2021-07-20 | 沈阳先进医疗设备技术孵化中心有限公司 | 一种冠状动脉优势型的确定方法和装置 |
CN113139961B (zh) * | 2021-05-28 | 2024-04-23 | 东软医疗系统股份有限公司 | 一种冠状动脉优势型的确定方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111476880B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6667999B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
US20200320688A1 (en) | Rapid calculation method and system for plaque stability index based on medical image sequence | |
US8977339B1 (en) | Method for assessing stenosis severity through stenosis mapping | |
EP2442276B1 (en) | Medical image processing apparatus and medical image processing method | |
JP7023715B2 (ja) | 血管内のステントストラットカバレッジを決定するためのシステムの作動方法及びステント留置された領域を検出するための血管内画像化システムのプログラム可能なプロセッサベースのコンピュータ装置 | |
EP3281135B1 (en) | System and method for vascular tree generation using patient-specific structural and functional data, and joint prior information | |
US11122981B2 (en) | Arterial wall characterization in optical coherence tomography imaging | |
JP6362851B2 (ja) | 血管解析装置、血管解析プログラム、及び血管解析装置の作動方法 | |
CN112674736B (zh) | 一种用于自动评价血管形变的监测显示方法及系统 | |
JP2019202154A (ja) | 医用画像処理装置、医用画像処理システムおよび医用画像処理方法 | |
WO2021191909A1 (en) | Functional measurements of vessels using a temporal feature | |
CN111476880B (zh) | 基于深度神经网络的冠脉造影设备及系统 | |
JP2019522529A (ja) | 内腔に沿った管腔内デバイスの管腔内経路の推定 | |
Brekken et al. | Strain estimation in abdominal aortic aneurysms from 2-D ultrasound | |
CN111317508B (zh) | 超声波诊断装置、医用信息处理装置、计算机程序产品 | |
JP2004283583A (ja) | 画像形成医療検査装置の作動方法 | |
JP2022510879A (ja) | 血行力学的シミュレーションのための最も関連のあるx線画像の選択 | |
WO2022202323A1 (ja) | プログラム、情報処理方法及び情報処理装置 | |
JP2020527410A (ja) | 深部静脈血栓症の急性度を評価するデバイス、システム及び方法 | |
US20220262000A1 (en) | Vessel registration using functional information | |
JP6675458B2 (ja) | 血管解析装置、血管解析方法及び血管解析プログラム | |
US20220335612A1 (en) | Automated analysis of image data to determine fractional flow reserve | |
JP2015217113A (ja) | 血管解析装置、医用画像診断装置、血管解析方法及び血管解析プログラム | |
JP7041446B2 (ja) | 医用画像処理方法、医用画像処理装置および医用画像処理システム | |
WO2023189261A1 (ja) | コンピュータプログラム、情報処理装置及び情報処理方法 |
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 |