CN111991020B - 造影剂注射方法、装置、计算机设备和存储介质 - Google Patents
造影剂注射方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111991020B CN111991020B CN202010909237.7A CN202010909237A CN111991020B CN 111991020 B CN111991020 B CN 111991020B CN 202010909237 A CN202010909237 A CN 202010909237A CN 111991020 B CN111991020 B CN 111991020B
- Authority
- CN
- China
- Prior art keywords
- contrast agent
- neural network
- network model
- subject
- parameters
- 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
- 239000002872 contrast media Substances 0.000 title claims abstract description 123
- 238000002347 injection Methods 0.000 title claims abstract description 54
- 239000007924 injection Substances 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 62
- 230000010412 perfusion Effects 0.000 claims abstract description 36
- 230000000306 recurrent effect Effects 0.000 claims abstract description 31
- 230000015654 memory Effects 0.000 claims description 29
- 125000004122 cyclic group Chemical group 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 12
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 210000003484 anatomy Anatomy 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 229940039231 contrast media Drugs 0.000 claims description 3
- 230000006378 damage Effects 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 210000000577 adipose tissue Anatomy 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 238000001361 intraarterial administration Methods 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000009745 pathological pathway Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/54—Control of apparatus or devices for radiation diagnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/54—Control of apparatus or devices for radiation diagnosis
- A61B6/545—Control of apparatus or devices for radiation diagnosis involving automatic set-up of acquisition parameters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/007—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests for contrast media
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Anesthesiology (AREA)
- Hematology (AREA)
- Vascular Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种造影剂注射方法、装置、计算机设备和存储介质,所述方法包括:通过红外扫描、文本输入或传感器感应的方式获取受检者的基本体征信息;通过预先训练的循环神经网络模型从所述受检者的基本体征信息中提取目标体征特性信息;基于所述目标体征特性信息确定灌注造影剂过程中的一个或多个参数;基于所述一个或多个参数配置所需要灌注的造影剂的剂量,根据所述造影剂的剂量进行造影剂注射。上述方法可以获得适合不同受检者的灌注造影剂注射剂量,提高注射造影剂剂量的精确度,减少对受检者的人体伤害。
Description
技术领域
本发明涉及医学灌注造影剂技术领域,特别是涉及一种造影剂注射方法、装置、计算机设备和存储介质。
背景技术
在CT灌注成像中,需要注入造影剂,以用于增强影像观察效果、动态显示血流灌注情况。然而,传统的灌注注射造影剂的途径包括静脉和动脉内推注、经自然或者人工或者病理通道输入。其中传统注射造影剂的方式中,造影剂用量是通过计算公式:5ml×体重(Kg)/Cr(mg/dl)。由于个体差异性,传统的灌注造影剂注入的剂量不够精确。
发明内容
本发明的目的在于克服现有技术的不足,提供了一种造影剂注射方法、装置、计算机设备和存储介质,可以获得适合不同受检者的灌注造影剂注射剂量,提高注射造影剂剂量的精确度,减少对受检者的人体伤害。
为了解决上述中至少一个技术问题,本发明实施例提供了一种造影剂注射方法、装置、计算机设备和存储介质,所述方法包括:
通过红外扫描、文本输入或传感器感应的方式获取受检者的基本体征信息;
通过预先训练的循环神经网络模型从所述受检者的基本体征信息中提取目标体征特性信息;
基于所述目标体征特性信息确定灌注造影剂过程中的一个或多个参数;
基于所述一个或多个参数配置所需要灌注的造影剂的剂量,根据所述造影剂的剂量进行造影剂注射。
优选地,所述通过红外扫描、文本输入或传感器感应的方式获取受检者的基本体征信息,包括:
通过所述红外扫描的方式获取受检者的身高、体表面积大小及径向厚度;
通过所述文本输入的方式获取受检者的性别及年龄;
通过所述传感器感应的方式获取受检者的体重及净体重;
其中,所述受检者的基本体征信息包括受检者的身高、体表面积大小及径向厚度、性别、年龄、体重、净体重。
优选地,所述通过预先训练的循环神经网络模型从所述受检者的基本体征信息中提取目标体征特性信息之前,还包括:将所述受检者的基本体征信息进行编码操作的预处理,得到体征数值序列;
所述通过预先训练的循环神经网络模型从所述受检者的基本体征信息中提取目标体征特性信息,包括:将所述体征数值序列输入所述预先训练的循环神经网络模型,得到包含目标区域解剖结构特征的所述目标体征特性信息;
所述基于所述目标体征特性信息确定灌注造影剂过程中的一个或多个参数,包括:基于包含目标区域解剖结构特征的所述目标体征特性信息,并根据待成像类型从预定的信息存储库中确定灌注造影剂过程中的一个或多个参数;
所述基于所述一个或多个参数配置所需要灌注的造影剂的剂量,包括:基于所述一个或多个参数配置所需要灌注的最小化的用于给所述受检者的造影剂的剂量。
优选地,所述一个或多个参数包括造影剂类型、造影剂注射总量或造影剂的注射速率。
优选地,所述循环神经网络模型通过以下方式进行训练:
获取多个样本受检者的基本体征信息;
将所述多个样本受检者的基本体征信息与灌注造影剂过程中的一个或多个参数进行关联;
采用关联后的所述多个样本受检者的基本体征信息与灌注造影剂过程中的一个或多个参数对所述循环神经网络模型进行训练。
优选地,所述根据所述造影剂的剂量进行造影剂注射之后,还包括:
获取所述受检者的个体状况的数据;
根据所述个体状况的数据更新所述循环神经网络模型的模型参数,得到更新后的循环神经网络模型,以使用所述更新后的循环神经网络模型提取所述受检者的目标体征特性信息。
优选地,所述根据所述个体状况的数据更新所述循环神经网络模型的模型参数,包括:
根据所述个体状况的数据采用随机梯度下降法或Adam优化算法调整所述循环神经网络模型的模型学习率,以降低所述循环神经网络模型的损失函数,得到所述循环神经网络模型的最优超参数。
另外,本发明实施例还提供了一种造影剂注射装置,所述装置包括:
获取模块,用于通过红外扫描、文本输入或传感器感应的方式获取受检者的基本体征信息;
提取模块,用于通过预先训练的循环神经网络模型从所述受检者的基本体征信息中提取目标体征特性信息;
确定模块,用于基于所述目标体征特性信息确定灌注造影剂过程中的一个或多个参数;
注射模块,用于基于所述一个或多个参数配置所需要灌注的造影剂的剂量,根据所述造影剂的剂量进行造影剂注射。
另外,本发明实施例还提供了一种计算机设备,其包括:存储器、处理器及存储在存储器上并可在处理器上运行的应用程序,处理器执行应用程序时实现上述任一实施例方法的步骤。
另外,本发明实施例还提供了一种计算机可读存储介质,其上存储有应用程序,应用程序被处理器执行时实现上述任一实施例方法的步骤。
在本发明实施例中,通过实施上述方法,利用深度学习技术,即预先训练的循环神经网络模型,高效挖掘医疗大数据的结构特性,从而智能获得适合不同受检者的灌注的造影剂注射剂量,提高注射造影剂剂量的精确度,减少对受检者的人体伤害。
附图说明
图1是本发明实施例中的一种造影剂注射方法的流程示意图;
图2是本发明实施例中的一种造影剂注射装置的结构组成示意图;
图3是本发明实施例中的计算机设备的结构组成示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明实施例提供了一种造影剂注射方法,如图1所示,该造影剂注射方法包括以下步骤:
步骤S102,通过红外扫描、文本输入或传感器感应的方式获取受检者的基本体征信息。
在本实施例中,通过红外扫描、文本输入或传感器感应的方式获取受检者的基本体征信息。其中,所述受检者的基本体征信息包括受检者的身高、体表面积大小及径向厚度、性别、年龄、体重、净体重。
具体地,通过所述红外扫描的方式获取受检者的身高、体表面积大小及径向厚度;通过所述文本输入的方式获取受检者的性别及年龄;通过所述传感器感应的方式获取受检者的体重及净体重。其中,净体重具体是指人体总体重减去人体体脂质量。
步骤S104,通过预先训练的循环神经网络模型从所述受检者的基本体征信息中提取目标体征特性信息。
在本实施例中,预先训练的循环神经网络模型为采用训练样本提前训练得到。训练样本为多个样本受检者的基本体征信息以及对应多个样本受检者的目标体征特性信息。其中,循环神经网络模型包括多通道的循环神经网络。
优选地,所述循环神经网络模型通过以下方式进行训练:
获取多个样本受检者的基本体征信息;
将所述多个样本受检者的基本体征信息与灌注造影剂过程中的一个或多个参数进行关联;
采用关联后的所述多个样本受检者的基本体征信息与灌注造影剂过程中的一个或多个参数对所述循环神经网络模型进行训练。
具体地,受检者的基本体征信息是通过仪器检测所获取的基本信息,该基本信息与灌注注射造影剂的一个或多个参数关联,以用于训练循环神经网络模型。提取的目标体征特性信息是循环神经网络模型通过特征选择所需要提取的特征,以实现将原始基本体征信息转换为具有统计意义和/物理意义的特征。
步骤S106,基于所述目标体征特性信息确定灌注造影剂过程中的一个或多个参数。
在本实施例中,所述一个或多个参数包括造影剂类型、造影剂注射总量或造影剂的注射速率。所述一个或多个参数用于指示在将造影剂给与患者时使用的造影剂参数的装置。例如针对不同扫描时间的患者,选择合适的造影剂注射剂量,使造影剂维持高浓度的时间得到相应的调整,进而提高显像质量。
步骤S108,基于所述一个或多个参数配置所需要灌注的造影剂的剂量,根据所述造影剂的剂量进行造影剂注射。
在本实施例中,基于所述一个或多个参数配置所需要灌注的造影剂的剂量,根据所述造影剂的剂量进行造影剂注射,以实现智能注射造影剂进入受检者。
优选地,通过预先训练的循环神经网络模型从所述受检者的基本体征信息中提取目标体征特性信息之前,还包括:将所述受检者的基本体征信息进行编码操作的预处理,得到体征数值序列。通过预先训练的循环神经网络模型从所述受检者的基本体征信息中提取目标体征特性信息,包括:将所述体征数值序列输入所述预先训练的循环神经网络模型,得到包含目标区域解剖结构特征的所述目标体征特性信息。基于所述目标体征特性信息确定灌注造影剂过程中的一个或多个参数,包括:基于包含目标区域解剖结构特征的所述目标体征特性信息,并根据待成像类型从预定的信息存储库中确定灌注造影剂过程中的一个或多个参数。基于所述一个或多个参数配置所需要灌注的造影剂的剂量,包括:基于所述一个或多个参数配置所需要灌注的最小化的用于给所述受检者的造影剂的剂量。
优选地,根据所述造影剂的剂量进行造影剂注射之后,还包括:获取所述受检者的个体状况的数据;根据所述个体状况的数据更新所述循环神经网络模型的模型参数,得到更新后的循环神经网络模型,以使用所述更新后的循环神经网络模型提取所述受检者的目标体征特性信息。
具体地,基于来自受检者个体状况的数据生成和/更新所述循环循环神经网络模型,并且将反馈用于智能预测灌注注射造影剂的剂量。
优选地,根据所述个体状况的数据更新所述循环神经网络模型的模型参数,包括:根据所述个体状况的数据采用随机梯度下降法或Adam优化算法调整所述循环神经网络模型的模型学习率,以降低所述循环神经网络模型的损失函数,得到所述循环神经网络模型的最优超参数。
具体地,根据受检者个体状况的数据采用随机梯度下降法或Adam优化算法调整循环神经网络模型的模型学习率,从而降低模型的损失函数,获得最优超参数,进而提升模型的训练精度与泛化能力,实现模型性能提升。其中,损失函数可以为L1损失。
在本发明实施例中,通过实施上述方法,利用深度学习技术,即预先训练的循环神经网络模型,高效挖掘医疗大数据的结构特性,从而智能获得适合不同受检者的灌注的造影剂注射剂量,提高注射造影剂剂量的精确度,减少对受检者的人体伤害。此外,本发明将人体特征信息融入基于人工智能技术的模型中,从而可以隐含地学习出人体基本状况,克服了利用先验信息直接给予剂量的严谨性低的缺点,提高了存在个体差异的情况下提供灌注造影剂注射参数的准确性。
本发明还提供一种造影剂注射装置。如图2所示,所述装置包括:获取模块12,用于通过红外扫描、文本输入或传感器感应的方式获取受检者的基本体征信息。
在本实施例中,通过红外扫描、文本输入或传感器感应的方式获取受检者的基本体征信息。其中,所述受检者的基本体征信息包括受检者的身高、体表面积大小及径向厚度、性别、年龄、体重、净体重。
具体地,通过所述红外扫描的方式获取受检者的身高、体表面积大小及径向厚度;通过所述文本输入的方式获取受检者的性别及年龄;通过所述传感器感应的方式获取受检者的体重及净体重。其中,净体重具体是指人体总体重减去人体体脂质量。
所述装置还包括提取模块14,用于通过预先训练的循环神经网络模型从所述受检者的基本体征信息中提取目标体征特性信息。
在本实施例中,预先训练的循环神经网络模型为采用训练样本提前训练得到。训练样本为多个样本受检者的基本体征信息以及对应多个样本受检者的目标体征特性信息。其中,循环神经网络模型包括多通道的循环神经网络。
优选地,所述循环神经网络模型通过以下方式进行训练:
获取多个样本受检者的基本体征信息;
将所述多个样本受检者的基本体征信息与灌注造影剂过程中的一个或多个参数进行关联;
采用关联后的所述多个样本受检者的基本体征信息与灌注造影剂过程中的一个或多个参数对所述循环神经网络模型进行训练。
具体地,受检者的基本体征信息是通过仪器检测所获取的基本信息,该基本信息与灌注注射造影剂的一个或多个参数关联,以用于训练循环神经网络模型。提取的目标体征特性信息是循环神经网络模型通过特征选择所需要提取的特征,以实现将原始基本体征信息转换为具有统计意义和/物理意义的特征。
所述装置还包括确定模块16,用于基于所述目标体征特性信息确定灌注造影剂过程中的一个或多个参数。
在本实施例中,所述一个或多个参数包括造影剂类型、造影剂注射总量或造影剂的注射速率。所述一个或多个参数用于指示在将造影剂给与患者时使用的造影剂参数的装置。例如针对不同扫描时间的患者,选择合适的造影剂注射剂量,使造影剂维持高浓度的时间得到相应的调整,进而提高显像质量。
所述装置还包括注射模块18,用于基于所述一个或多个参数配置所需要灌注的造影剂的剂量,根据所述造影剂的剂量进行造影剂注射。
在本实施例中,基于所述一个或多个参数配置所需要灌注的造影剂的剂量,根据所述造影剂的剂量进行造影剂注射,以实现智能注射造影剂进入受检者。
优选地,通过预先训练的循环神经网络模型从所述受检者的基本体征信息中提取目标体征特性信息之前,还包括:将所述受检者的基本体征信息进行编码操作的预处理,得到体征数值序列。通过预先训练的循环神经网络模型从所述受检者的基本体征信息中提取目标体征特性信息,包括:将所述体征数值序列输入所述预先训练的循环神经网络模型,得到包含目标区域解剖结构特征的所述目标体征特性信息。基于所述目标体征特性信息确定灌注造影剂过程中的一个或多个参数,包括:基于包含目标区域解剖结构特征的所述目标体征特性信息,并根据待成像类型从预定的信息存储库中确定灌注造影剂过程中的一个或多个参数。基于所述一个或多个参数配置所需要灌注的造影剂的剂量,包括:基于所述一个或多个参数配置所需要灌注的最小化的用于给所述受检者的造影剂的剂量。
优选地,根据所述造影剂的剂量进行造影剂注射之后,还包括:获取所述受检者的个体状况的数据;根据所述个体状况的数据更新所述循环神经网络模型的模型参数,得到更新后的循环神经网络模型,以使用所述更新后的循环神经网络模型提取所述受检者的目标体征特性信息。
具体地,基于来自受检者个体状况的数据生成和/更新所述循环循环神经网络模型,并且将反馈用于智能预测灌注注射造影剂的剂量。
优选地,根据所述个体状况的数据更新所述循环神经网络模型的模型参数,包括:根据所述个体状况的数据采用随机梯度下降法或Adam优化算法调整所述循环神经网络模型的模型学习率,以降低所述循环神经网络模型的损失函数,得到所述循环神经网络模型的最优超参数。
具体地,根据受检者个体状况的数据采用随机梯度下降法或Adam优化算法调整循环神经网络模型的模型学习率,从而降低模型的损失函数,获得最优超参数,进而提升模型的训练精度与泛化能力,实现模型性能提升。其中,损失函数可以为L1损失。
在本发明实施例中,上述装置利用深度学习技术,即预先训练的循环神经网络模型,高效挖掘医疗大数据的结构特性,从而智能获得适合不同受检者的灌注的造影剂注射剂量,提高注射造影剂剂量的精确度,减少对受检者的人体伤害。此外,本发明将人体特征信息融入基于人工智能技术的模型中,从而可以隐含地学习出人体基本状况,克服了利用先验信息直接给予剂量的严谨性低的缺点,提高了存在个体差异的情况下提供灌注造影剂注射参数的准确性。
本发明实施例提供的一种计算机可读存储介质,所述计算机可读存储介质上存储有应用程序,该程序被处理器执行时实现上述实施例中任意一个实施例的一种造影剂注射方法。其中,所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(Random AcceSS Memory,随即存储器)、EPROM(EraSable Programmable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically EraSable ProgrammableRead-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是,存储设备包括由设备(例如,计算机、手机)以能够读的形式存储或传输信息的任何介质,可以是只读存储器,磁盘或光盘等。
本发明实施例还提供了一种计算机应用程序,其运行在计算机上,该计算机应用程序用于执行上述中任意一个实施例的一种造影剂注射方法。
此外,图3是本发明实施例中的计算机设备的结构组成示意图。
本发明实施例还提供了一种计算机设备,如图3所示。所述计算机设备包括处理器302、存储器303、输入单元304以及显示单元305等器件。本领域技术人员可以理解,图3示出的设备结构器件并不构成对所有设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件。存储器303可用于存储应用程序301以及各功能模块,处理器302运行存储在存储器303的应用程序301,从而执行设备的各种功能应用以及数据处理。存储器可以是内存储器或外存储器,或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(ROM)、可编程 ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器只作为例子而非作为限定。
输入单元304用于接收信号的输入,以及接收用户输入的关键字。输入单元304可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作),并根据预先设定的程序驱动相应的连接装置;其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元305可用于显示用户输入的信息或提供给用户的信息以及终端设备的各种菜单。显示单元305可采用液晶显示器、有机发光二极管等形式。处理器302是终端设备的控制中心,利用各种接口和线路连接整个设备的各个部分,通过运行或执行存储在存储器303内的软件程序和/或模块,以及调用存储在存储器内的数据,执行各种功能和处理数据。
作为一个实施例,所述计算机设备包括:一个或多个处理器302,存储器303,一个或多个应用程序301,其中所述一个或多个应用程序301被存储在存储器303中并被配置为由所述一个或多个处理器302执行,所述一个或多个应用程序301配置用于执行上述实施例中的任意一实施例中的一种造影剂注射方法。
另外,以上对本发明实施例所提供的一种造影剂注射方法、装置、计算机设备和存储介质进行了详细介绍,本文中应采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种造影剂注射装置,其特征在于,所述装置包括:
获取模块,用于通过红外扫描、文本输入和传感器感应的方式获取受检者的基本体征信息;
提取模块,用于将所述受检者的基本体征信息进行编码操作的预处理以得到体征数值序列,将所述体征数值序列输入预先训练的循环神经网络模型,提取包含目标区域解剖结构特征的目标体征特性信息;
确定模块,用于基于所述目标体征特性信息并根据待成像类型从预定的信息存储库中确定灌注造影剂过程中的一个或多个参数,所述一个或多个参数包括造影剂类型、造影剂注射总量或造影剂的注射速率;
注射模块,用于基于所述一个或多个参数配置所需要灌注的造影剂的最小化的剂量,根据所述造影剂的最小化的剂量进行造影剂注射;
于所述注射模块完成造影剂注射之后,所述获取模块获取所述受检者的个体状况的数据,所述提取模块根据所述个体状况的数据采用随机梯度下降法或Adam优化算法调整所述循环神经网络模型的模型学习率,通过降低所述循环神经网络模型的损失函数得到所述循环神经网络模型的最优超参数;
其中,所述提取模块根据以下方式预先训练所述循环神经网络模型:获取多个样本受检者的基本体征信息;将所述多个样本受检者的基本体征信息与灌注造影剂过程中的一个或多个参数进行关联;采用关联后的所述多个样本受检者的基本体征信息与灌注造影剂过程中的一个或多个参数对所述循环神经网络模型进行训练。
2.根据权利要求1所述的造影剂注射装置,其特征在于,所述获取模块获取受检者的基本体征信息具体包括:
通过所述红外扫描的方式获取受检者的身高、体表面积大小及径向厚度;
通过所述文本输入的方式获取受检者的性别及年龄;
通过所述传感器感应的方式获取受检者的体重;
其中,所述受检者的基本体征信息包括受检者的身高、体表面积大小及径向厚度、性别、年龄、体重。
3.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的应用程序,其特征在于,所述处理器执行所述应用程序时实现权利要求1至2中任一项所述的造影剂注射装置的功能。
4.一种计算机可读存储介质,其上存储有应用程序,其特征在于,所述应用程序被处理器运行时执行如权利要求1至2中任一项所述的造影剂注射装置的功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010909237.7A CN111991020B (zh) | 2020-09-02 | 2020-09-02 | 造影剂注射方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010909237.7A CN111991020B (zh) | 2020-09-02 | 2020-09-02 | 造影剂注射方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111991020A CN111991020A (zh) | 2020-11-27 |
CN111991020B true CN111991020B (zh) | 2023-06-23 |
Family
ID=73465152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010909237.7A Active CN111991020B (zh) | 2020-09-02 | 2020-09-02 | 造影剂注射方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111991020B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393433B (zh) * | 2021-06-10 | 2022-03-01 | 北京安德医智科技有限公司 | 一种通用的医学影像灌注参数预测方法及装置 |
KR102522697B1 (ko) * | 2022-01-04 | 2023-04-18 | 주식회사 클라리파이 | 딥러닝 기반의 개인 맞춤형 조영검사 최적화 방법 및 시스템 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10290231B2 (en) * | 2014-03-13 | 2019-05-14 | Truinject Corp. | Automated detection of performance characteristics in an injection training system |
US20180071452A1 (en) * | 2016-09-13 | 2018-03-15 | Siemens Healthcare Gmbh | System and Method for Optimizing Contrast Imaging of a Patient |
CN107929852A (zh) * | 2017-12-27 | 2018-04-20 | 上海联影医疗科技有限公司 | 增强扫描方法及系统 |
US20210015438A1 (en) * | 2019-07-16 | 2021-01-21 | Siemens Healthcare Gmbh | Deep learning for perfusion in medical imaging |
-
2020
- 2020-09-02 CN CN202010909237.7A patent/CN111991020B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111991020A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10910111B2 (en) | Information processing apparatus and information processing method | |
CN104769595B (zh) | 用于闭环胰岛素输注系统的防护技术 | |
CN111991020B (zh) | 造影剂注射方法、装置、计算机设备和存储介质 | |
CN104756116B (zh) | 用于闭环胰岛素输注系统的防护措施 | |
US8897518B2 (en) | Functional imaging | |
KR20100017924A (ko) | 테라피 시스템용 환자 정보 입력 인터페이스 | |
KR20160022903A (ko) | 삽입-부위 결정-지원 시스템 및 방법 | |
KR100904096B1 (ko) | 인슐린 주입장치 및 그 작동방법 | |
US11197956B2 (en) | Portal system-based bionic pancreas | |
US20100023345A1 (en) | Determination of a confidence measure for comparison of medical image data | |
EP3225263A1 (en) | Injection pump control method, control unit, and injection pump | |
Zahid et al. | The Evolution of Diabetes Technology–Options Towards Personalized Care | |
CN112309539B (zh) | 应用于注射系统的液体输出参数的智能修正方法及设备 | |
CN114259247A (zh) | 动态pet扫描方法、装置、电子设备及存储介质 | |
CN117280423A (zh) | 用于餐后血糖水平预测的方法和装置 | |
KR20170056904A (ko) | 연속 혈당 감지를 이용한 인슐린 투여 시스템 | |
US20240123148A1 (en) | Control device for determining a recommendation value of a control parameter of a fluid infusion device | |
CN114141350A (zh) | 一种麻醉用药量控制系统、方法、电子设备和存储介质 | |
US20230263430A1 (en) | Closed-loop artificial pancreas insulin infusion control system | |
CN116453681A (zh) | 一种智能化的胰岛素推荐方法、系统及电子设备 | |
Alvarez | Active and Smart Ageing: The Use of Technology for Preventive Medicine | |
CN116486991A (zh) | 一种放射性核素的活度控制方法 | |
CN115171884A (zh) | 针对nc膜吸附胰岛素漏液的血糖波动的分析方法及系统 | |
CN110559000A (zh) | 药物注射剂量检测方法、装置、存储介质及计算机设备 | |
CN116864132A (zh) | 基于运动测试的临床指征估算系统、方法、设备及介质 |
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 |