CN111743627A - 一种基于深度学习的脑血管病变治疗方案预测方法 - Google Patents
一种基于深度学习的脑血管病变治疗方案预测方法 Download PDFInfo
- Publication number
- CN111743627A CN111743627A CN202010646158.1A CN202010646158A CN111743627A CN 111743627 A CN111743627 A CN 111743627A CN 202010646158 A CN202010646158 A CN 202010646158A CN 111743627 A CN111743627 A CN 111743627A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- deep learning
- simulated blood
- simulated
- layer
- 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.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/102—Modelling of surgical devices, implants or prosthesis
- A61B2034/104—Modelling the effect of the tool, e.g. the effect of an implanted prosthesis or for predicting the effect of ablation or burring
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
Landscapes
- Health & Medical Sciences (AREA)
- Surgery (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Robotics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开的属于脑血管病变治疗技术领域,具体为一种基于深度学习的脑血管病变治疗方案预测方法,包括步骤一:向模拟血管中注入模拟血液,通过蠕动泵推动模拟血液在模拟血管中循环;步骤二:向模拟血管的不同位置施加机械压力,使模拟血管发生形变,模拟出不同狭窄程度的病变模型;步骤三:将压力测量传感器安装于血管模型的各个传感器接口上,在体外模拟病变发生环境,其结构合理,通过血管模型、压力传感器接口、防泄露薄膜、机械挤压装置和蠕动泵模拟血管循环,使用多个传感器,同时监测颈动脉至大脑中动脉的多个测试点,构建数据实时采集系统,使用深度学习的方法结合测量装置提出治疗决策建议。
Description
技术领域
本发明涉及脑血管病变治疗技术领域,具体为一种基于深度学习的脑血管病变治疗方案预测方法。
背景技术
颈动脉是给脑组织供血的非常重要的动脉系统,正常的健康动脉柔软且内壁光滑,随着年龄的增长,颈动脉内可能会形成斑块的堆积,随着时间的流逝,动脉内壁内的斑块沉积会形成较大的肿块,从而使动脉的内径变窄,增加患者患中风的风险。
颈动脉狭窄治疗可以选择颈动脉血管支架置入术,该手术是一种微创的血管介入手术。手术是在放射室的血管造影过程中进行的。手术主要过程是将柔性导丝导管插入股动脉中,通过主动脉弓进入颈动脉,将球囊放置在斑块的位置,扩张球囊以使斑块压在动脉壁上,然后将球囊放气取出,将支架放在斑块上并扩张,保持动脉张开。
针对不同患者的实际情况,临床时应采取不同的治疗方法,其中,颈动脉血管支架置入术在球囊扩张,即对颈动脉狭窄处的斑块压缩时,由于狭窄程度立刻受到了变化,会产生额外的压降,极大增加了对患者脑部血管壁的压力,增大了患者出现脑出血情况的可能性,这一信息也很大程度影响了临床治疗方案的决策,因此了解脑血管病变位置治疗方案与压降的关系对临床上有很大的指导意义。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
因此,本发明的目的是提供一种基于深度学习的脑血管病变治疗方案预测方法,能够实现通过特征参数的引入和大量数据的训练,给出病变位置的最佳治疗方案。
为解决上述技术问题,根据本发明的一个方面,本发明提供了如下技术方案:
一种基于深度学习的脑血管病变治疗方案预测方法,其包括如下步骤;
步骤一:向模拟血管中注入模拟血液,通过蠕动泵推动模拟血液在模拟血管中循环;
步骤二:向模拟血管的不同位置施加机械压力,使模拟血管发生形变,模拟出不同狭窄程度的病变模型;
步骤三:将压力测量传感器安装于血管模型的各个传感器接口上,在体外模拟病变发生环境;
步骤四:信息采集电路对各个压力测量传感器传来的电信号通过模数转换进行采集,使用处理器对信号进行处理,并将结果存储于存储器中;
步骤五:基于深度学习网络模型,通过输入包含特征参数的数据集进行训练,然后使用训练所获的网络模型输出脑血管病变位置的建议治疗方案。
作为本发明所述的一种基于深度学习的脑血管病变治疗方案预测方法的一种优选方案,其中:病变模拟装置有模拟血液、血管模型、压力传感器接口、防泄露薄膜、机械挤压装置和蠕动泵组成。
作为本发明所述的一种基于深度学习的脑血管病变治疗方案预测方法的一种优选方案,其中:数据采集部分由压力传感器、信号采集器、处理器、存储器和电源组成。
作为本发明所述的一种基于深度学习的脑血管病变治疗方案预测方法的一种优选方案,其中:深度学习网络按有监督学习方式进行训练,训练数据集提供给网络后,其神经元的激活值将从输入层经各隐含层向输出层传播,在输出层的各神经元输出对应于输入模式的网络响应,按减少希望输出与实际输出误差的原则,从输出层经各隐含层、最后回到输人层逐层修正各连接权重。
与现有技术相比,本发明的有益效果是:通过该一种基于深度学习的脑血管病变治疗方案预测方法的设置,结构设计合理,通过血管模型、压力传感器接口、防泄露薄膜、机械挤压装置和蠕动泵模拟血管循环,使用多个传感器,同时监测颈动脉至大脑中动脉的多个测试点,构建数据实时采集系统,使用深度学习的方法结合测量装置提出治疗决策建议。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将结合附图和详细实施方式对本发明进行详细说明,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施方式的限制。
其次,本发明结合示意图进行详细描述,在详述本发明实施方式时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明提供如下技术方案:一种基于深度学习的脑血管病变治疗方案预测方法,能够实现通过特征参数的引入和大量数据的训练,给出病变位置的最佳治疗方案;
请再次参阅图1,一种基于深度学习的脑血管病变治疗方案预测方法,包括如下步骤;
步骤一:向模拟血管中注入模拟血液,通过蠕动泵推动模拟血液在模拟血管中循环;
步骤二:向模拟血管的不同位置施加机械压力,使模拟血管发生形变,模拟出不同狭窄程度的病变模型;
步骤三:将压力测量传感器安装于血管模型的各个传感器接口上,在体外模拟病变发生环境;
步骤四:信息采集电路对各个压力测量传感器传来的电信号通过模数转换进行采集,使用处理器对信号进行处理,并将结果存储于存储器中;
步骤五:基于深度学习网络模型,通过输入包含特征参数的数据集进行训练,然后使用训练所获的网络模型输出脑血管病变位置的建议治疗方案;
其中,病变模拟装置有模拟血液、血管模型、压力传感器接口、防泄露薄膜、机械挤压装置和蠕动泵组成。
其中,数据采集部分由压力传感器、信号采集器、处理器、存储器和电源组成。
其中,深度学习网络按有监督学习方式进行训练,训练数据集提供给网络后,其神经元的激活值将从输入层经各隐含层向输出层传播,在输出层的各神经元输出对应于输入模式的网络响应,按减少希望输出与实际输出误差的原则,从输出层经各隐含层、最后回到输人层逐层修正各连接权重。
虽然在上文中已经参考实施方式对本发明进行了描述,然而在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本发明并不局限于文中公开的特定实施方式,而是包括落入权利要求的范围内的所有技术方案。
Claims (4)
1.一种基于深度学习的脑血管病变治疗方案预测方法,其特征在于:包括如下步骤;
步骤一:向模拟血管中注入模拟血液,通过蠕动泵推动模拟血液在模拟血管中循环;
步骤二:向模拟血管的不同位置施加机械压力,使模拟血管发生形变,模拟出不同狭窄程度的病变模型;
步骤三:将压力测量传感器安装于血管模型的各个传感器接口上,在体外模拟病变发生环境;
步骤四:信息采集电路对各个压力测量传感器传来的电信号通过模数转换进行采集,使用处理器对信号进行处理,并将结果存储于存储器中;
步骤五:基于深度学习网络模型,通过输入包含特征参数的数据集进行训练,然后使用训练所获的网络模型输出脑血管病变位置的建议治疗方案。
2.根据权利要求1所述的一种基于深度学习的脑血管病变治疗方案预测方法,其特征在于:病变模拟装置有模拟血液、血管模型、压力传感器接口、防泄露薄膜、机械挤压装置和蠕动泵组成。
3.根据权利要求1所述的一种基于深度学习的脑血管病变治疗方案预测方法,其特征在于:数据采集部分由压力传感器、信号采集器、处理器、存储器和电源组成。
4.根据权利要求1所述的一种基于深度学习的脑血管病变治疗方案预测方法,其特征在于:深度学习网络按有监督学习方式进行训练,训练数据集提供给网络后,其神经元的激活值将从输入层经各隐含层向输出层传播,在输出层的各神经元输出对应于输入模式的网络响应,按减少希望输出与实际输出误差的原则,从输出层经各隐含层、最后回到输人层逐层修正各连接权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010646158.1A CN111743627A (zh) | 2020-07-07 | 2020-07-07 | 一种基于深度学习的脑血管病变治疗方案预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010646158.1A CN111743627A (zh) | 2020-07-07 | 2020-07-07 | 一种基于深度学习的脑血管病变治疗方案预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111743627A true CN111743627A (zh) | 2020-10-09 |
Family
ID=72679826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010646158.1A Pending CN111743627A (zh) | 2020-07-07 | 2020-07-07 | 一种基于深度学习的脑血管病变治疗方案预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111743627A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112842460A (zh) * | 2021-01-06 | 2021-05-28 | 苏州中荟医疗科技有限公司 | 用于心血管狭窄的具有液压监测补给的冲击波发生系统 |
CN116942104A (zh) * | 2023-09-21 | 2023-10-27 | 首都医科大学附属北京儿童医院 | 一种用于测量在体局部循环血管的智能观测方法 |
-
2020
- 2020-07-07 CN CN202010646158.1A patent/CN111743627A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112842460A (zh) * | 2021-01-06 | 2021-05-28 | 苏州中荟医疗科技有限公司 | 用于心血管狭窄的具有液压监测补给的冲击波发生系统 |
CN116942104A (zh) * | 2023-09-21 | 2023-10-27 | 首都医科大学附属北京儿童医院 | 一种用于测量在体局部循环血管的智能观测方法 |
CN116942104B (zh) * | 2023-09-21 | 2024-01-02 | 首都医科大学附属北京儿童医院 | 一种用于测量在体局部循环血管的智能观测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6665240B2 (ja) | 患者固有の血管幾何形状及び境界条件の変化をモデリングするためのシステム及びその作動方法 | |
Qian et al. | Computational hemodynamic analysis in congenital heart disease: simulation of the Norwood procedure | |
Blanco et al. | A dimensionally-heterogeneous closed-loop model for the cardiovascular system and its applications | |
CN106570313B (zh) | 获取四维血管变形行为与管壁在体应力的方法及系统 | |
CN110085321A (zh) | 对冠脉循环进行多尺度的解剖学和功能建模的方法和系统 | |
CN111743627A (zh) | 一种基于深度学习的脑血管病变治疗方案预测方法 | |
CN111241759B (zh) | 一种基于零维血流动力学模型的ffr快速计算方法 | |
CN110491231A (zh) | 一种血管内支架植入的生物力学实验模拟装置 | |
US20160256277A1 (en) | Implantable Open Vein Valve | |
Cosentino et al. | Patient-specific computational models to support interventional procedures: a case study of complex aortic re-coarctation | |
De Mey et al. | Limitations of Doppler echocardiography for the post-operative evaluation of aortic coarctation | |
Chi et al. | Application of multiscale coupling models in the numerical study of circulation system | |
CN116864115A (zh) | 一种胸主动脉腔内修复术后的疗效评估方法和系统 | |
Rahmani et al. | Investigation of a new prototype of multi-balloons LVAD using FSI | |
Figueroa et al. | Blood flow | |
Jeong et al. | Cardiovascular hardware simulator and artificial aorta-generated central blood pressure waveform database according to various vascular ages for cardiovascular health monitoring applications | |
Ebrahimi et al. | Evaluation of personalized right ventricle to pulmonary artery conduits using in silico design and computational analysis of flow | |
Friedrich et al. | 3D-printing of elastic stenosis phantoms | |
Kuhl et al. | Additively manufactured anatomical heart model for performance evaluation of aortic valve implants | |
Hoskins et al. | The Arterial System I. Pressure, Flow and Stiffness | |
Kim et al. | Numerical models of human circulatory system under altered gravity: brain circulation | |
Corazza et al. | Automated CO2 angiography: Injection pressure and volume settings | |
CN114947909A (zh) | 基于狭窄病变前后的血液流量比值计算ffr的方法、系统 | |
Granegger et al. | A passive beating heart setup for interventional cardiology training | |
Scarsoglio et al. | A review of multiscale 0D-1D computational modeling of coronary circulation with applications to cardiac arrhythmias |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201009 |