CN112927815B - 一种预测颅内动脉瘤信息的方法、装置以及设备 - Google Patents
一种预测颅内动脉瘤信息的方法、装置以及设备 Download PDFInfo
- Publication number
- CN112927815B CN112927815B CN202110507563.XA CN202110507563A CN112927815B CN 112927815 B CN112927815 B CN 112927815B CN 202110507563 A CN202110507563 A CN 202110507563A CN 112927815 B CN112927815 B CN 112927815B
- Authority
- CN
- China
- Prior art keywords
- intracranial aneurysm
- information
- data
- normalized
- 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 338
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000000877 morphologic effect Effects 0.000 claims abstract description 100
- 238000005070 sampling Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 13
- 238000011478 gradient descent method Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000009098 adjuvant therapy Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 16
- 238000003860 storage Methods 0.000 description 12
- 206010002329 Aneurysm Diseases 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 4
- 238000010968 computed tomography angiography Methods 0.000 description 3
- 238000002583 angiography Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Images
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
- G16H50/70—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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G16H50/30—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例公开了一种预测颅内动脉瘤信息的方法、装置以及设备,属于医学影像和计算机技术领域。所述方法包括:获取待处理的影像数据的网格数据、颅内动脉瘤形态学数据及病例信息数据;对所述颅内动脉瘤形态学数据及所述病例信息数据进行归一化处理,获得归一化的颅内动脉瘤形态学数据及归一化的病例信息数据;将所述网格数据、所述归一化的颅内动脉瘤形态学数据及所述归一化的病例信息数据输入颅内动脉瘤信息预测模型,对所述待处理的影像数据的颅内动脉瘤的信息进行预测,获得颅内动脉瘤信息的预测结果。采用本说明书提供的方法,能够降低或减少人为因素的影响,快速实现颅内动脉瘤信息的预测,准确性较高,且能够为临床辅助治疗提供客观依据。
Description
技术领域
本说明书涉及医学影像及计算机技术领域,尤其涉及一种预测颅内动脉瘤信息的方法、装置以及设备。
背景技术
颅内动脉瘤是一种高发的疾病,并且现今的研究也主要集中在预测已成型的颅内动脉瘤是否存在破裂风险,而已成型的颅内动脉瘤破裂几率是很高的,随时有可能产生破裂并且造成更为严重的后果。而早期颅内动脉瘤发展阶段则能够很好的为医生提供准确判断,预测颅内动脉瘤生长时期,并且确定治疗方案,防止其继续生长。
现有技术中,颅内动脉瘤信息一般是由医生根据影像学随访结果,结合医生的经验给出的结果,这种方法缺乏客观依据,且受客观因素的影响较大。这种方法,因无法提前预测颅内动脉瘤的信息而导致不能提前治疗,增加了动脉瘤破裂的风险。另一方面,现在有技术中,在进行颅内动脉瘤信息预测时,仅考虑影像学的变化,而忽视了病例信息等相关因素的影响,信息预测的准确性较差。
因此,需要一种新的预测颅内动脉瘤信息的方法,能够减少或者降低主观因素的影响,为临床决策提供客观依据。
发明内容
本说明书实施例提供一种预测颅内动脉瘤信息的方法、装置以及设备,用于解决以下技术问题:能够减少或者降低主观因素的影响,为临床决策提供客观依据。
为解决上述技术问题,本说明书实施例是这样实现的:
本说明书实施例提供的一种预测颅内动脉瘤信息的方法,包括:
获取待处理的影像数据的网格数据、颅内动脉瘤形态学数据及病例信息数据;
对所述颅内动脉瘤形态学数据及所述病例信息数据进行归一化处理,获得归一化的颅内动脉瘤形态学数据及归一化的病例信息数据;
将所述网格数据、所述归一化的颅内动脉瘤形态学数据及所述归一化的病例信息数据输入颅内动脉瘤信息预测模型,对所述待处理的影像数据的颅内动脉瘤的信息进行预测,获得颅内动脉瘤信息的预测结果,所述颅内动脉瘤信息预测模型是基于图网络模型预先训练获得的模型。
进一步地,所述对所述颅内动脉瘤形态学数据及所述病例信息数据进行归一化处理,获得归一化的颅内动脉瘤形态学数据及归一化的病例信息数据,具体包括:
对所述颅内动脉瘤形态学数据及所述病例信息数据进行最大最小值归一化处理,获得归一化的颅内动脉瘤形态学数据及归一化的病例信息数据。
进一步地,所述颅内动脉瘤信息预测模型是基于图网络模型预先训练获得的模型,具体包括:
将第一颅内动脉瘤网格信息输入图网络模型提取特征信息,获得所述第一颅内动脉瘤的全局特征;
将归一化的第一颅内动脉瘤的形态学数据及归一化的第一病例信息数据输入所述图网络模型;
所述归一化的第一颅内动脉瘤的形态学数据、所述归一化的第一病例信息数据与所述第一颅内动脉瘤的全局特征经多层感知机计算,获得所述第一颅内动脉瘤的信息预测结果;
将所述第一颅内动脉瘤的信息预测结果与所述第一颅内动脉瘤发展到第二颅内动脉瘤的真实信息结果进行比较,采用梯度下降法进行参数调优,获得训练的颅内动脉瘤信息预测模型。
进一步地,所述将第一颅内动脉瘤网格信息输入图网络模型提取特征信息,获得所述第一颅内动脉瘤的全局特征,具体包括:
所述第一颅内动脉瘤网格信息输入图网络模型后,经卷积运算,提取所述第一颅内动脉瘤网格信息的特征信息,获得所述第一颅内动脉瘤的全局特征,其中,所述第一颅内动脉瘤的全局特征为固定大小的特征向量。
进一步地,所述第一颅内动脉瘤的形态学数据、所述第一病例信息数据与所述第一颅内动脉瘤的全局特征经多层感知机计算,获得所述第一颅内动脉瘤的信息预测结果,具体包括:
将所述第一颅内动脉瘤的形态学数据、所述第一病例信息数据与所述第一颅内动脉瘤的全局特征进行全连接操作,获得所述第一颅内动脉瘤的信息预测结果。
本说明书实施例还提供一种预测颅内动脉瘤信息的装置,包括:
获取模块,获取待处理的影像数据的网格数据、颅内动脉瘤形态学数据及病例信息数据;
归一化模块,对所述颅内动脉瘤形态学数据及所述病例信息数据进行归一化处理,获得归一化的颅内动脉瘤形态学数据及归一化的病例信息数据;
预测模块,将所述网格数据、所述归一化的颅内动脉瘤形态学数据及所述归一化的病例信息数据输入颅内动脉瘤信息预测模型,对所述待处理的影像数据的颅内动脉瘤的信息进行预测,获得颅内动脉瘤信息的预测结果,所述颅内动脉瘤信息预测模型是基于图网络模型预先训练获得的模型。
进一步地,所述对所述颅内动脉瘤形态学数据及所述病例信息数据进行归一化处理,获得归一化的颅内动脉瘤形态学数据及归一化的病例信息数据,具体包括:
对所述颅内动脉瘤形态学数据及所述病例信息数据进行最大最小值归一化处理,获得归一化的颅内动脉瘤形态学数据及归一化的病例信息数据。
进一步地,所述颅内动脉瘤信息预测模型是基于图网络模型预先训练获得的模型,具体包括:
将第一颅内动脉瘤网格信息输入图网络模型提取特征信息,获得所述第一颅内动脉瘤的全局特征;
将归一化的第一颅内动脉瘤的形态学数据及归一化的第一病例信息数据输入所述图网络模型;
所述归一化的第一颅内动脉瘤的形态学数据、所述归一化的第一病例信息数据与所述第一颅内动脉瘤的全局特征经多层感知机计算,获得所述第一颅内动脉瘤的信息预测结果;
将所述第一颅内动脉瘤的信息预测结果与所述第一颅内动脉瘤发展到第二颅内动脉瘤的真实信息结果进行比较,采用梯度下降法进行参数调优,获得训练的颅内动脉瘤信息预测模型。
进一步地,所述将第一颅内动脉瘤网格信息输入图网络模型提取特征信息,获得所述第一颅内动脉瘤的全局特征,具体包括:
所述第一颅内动脉瘤网格信息输入图网络模型后,经卷积运算,提取所述第一颅内动脉瘤网格信息的特征信息,获得所述第一颅内动脉瘤的全局特征,其中,所述第一颅内动脉瘤的全局特征为固定大小的特征向量。
进一步地,所述第一颅内动脉瘤的形态学数据、所述第一病例信息数据与所述第一颅内动脉瘤的全局特征经多层感知机计算,获得所述第一颅内动脉瘤的信息预测结果,具体包括:
将所述第一颅内动脉瘤的形态学数据、所述第一病例信息数据与所述第一颅内动脉瘤的全局特征进行全连接操作,获得所述第一颅内动脉瘤的信息预测结果。
本说明书实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待处理的影像数据的网格数据、颅内动脉瘤形态学数据及病例信息数据;
对所述颅内动脉瘤形态学数据及所述病例信息数据进行归一化处理,获得归一化的颅内动脉瘤形态学数据及归一化的病例信息数据;
将所述网格数据、所述归一化的颅内动脉瘤形态学数据及所述归一化的病例信息数据输入颅内动脉瘤信息预测模型,对所述待处理的影像数据的颅内动脉瘤的信息进行预测,获得颅内动脉瘤信息的预测结果,所述颅内动脉瘤信息预测模型是基于图网络模型预先训练获得的模型。
本说明书实施例获取待处理的影像数据的网格数据、颅内动脉瘤形态学数据及病例信息数据;对所述颅内动脉瘤形态学数据及所述病例信息数据进行归一化处理,获得归一化的颅内动脉瘤形态学数据及归一化的病例信息数据;将所述网格数据、所述归一化的颅内动脉瘤形态学数据及所述归一化的病例信息数据输入颅内动脉瘤信息预测模型,对所述待处理的影像数据的颅内动脉瘤的信息进行预测,获得颅内动脉瘤信息的预测结果,所述颅内动脉瘤信息预测模型是基于图网络模型预先训练获得的模型,能够降低或减少人为因素的影响,快速实现颅内动脉瘤信息的预测,准确性较高,且能够为临床辅助治疗提供客观依据。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种预测颅内动脉瘤信息的方法的示意图;
图2为本说明书实施例提供的一种颅内动脉瘤信息预测模型的训练示意图;
图3为本说明书实施例提供的一种颅内动脉瘤信息预测模型的网络结构示意图;
图4为本说明书实施例提供的一种预测颅内动脉瘤信息的装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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申请一部分实施例,而不是全部的实施例。基于本说明书实施例,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他实施例,都应当属于本申请保护的范围。
图1为本说明书实施例提供的一种预测颅内动脉瘤信息的方法的示意图,该预测颅内动脉瘤信息的方法包括:
步骤S101:获取待处理的影像数据的网格数据、颅内动脉瘤形态学数据及病例信息数据。
在本说明书实施例中,待处理的影像数据为颅内动脉瘤的影像数据。在具体实施例中,待处理的影像数据可以为三维断层数据,例如DSA(Digital subtractionangiography,数字减影血管造影)影像数据,CTA(CT angiography,CT血管成像)影像数据或者MRA(MR angiography,磁共振血管成像)影像数据,待处理的影像数据的具体类型并不构成对本申请的限定。
在本说明书实施例中,待处理的影像数据的网格数据为待处理的影像数据上的采样点在三维空间内的坐标(x, y, z),以及相邻采样点之间的连接关系。具体地,待处理的影像数据的网格数据存储在stl文件中。
在本说明书实施例中,相邻采样点之间的连接关系是对待处理的影像数据上的采样点进行下采样,获得的颅内动脉瘤及其周围相关的节点的位置信息。
在本说明书实施例中,颅内动脉瘤形态学数据包括动脉瘤宽度、动脉瘤最长直径、动脉瘤长宽比、瘤颈面积、瘤颈直径、载瘤血管长度、波动指数(UI)、非球形指数(NSI)等。颅内动脉瘤形态学数据可以采用基于颅内动脉瘤影像数据中的动脉瘤及其载瘤血管,得到的10-20种参数。颅内动脉瘤形态学数据的获取方式,以及颅内动脉瘤形态学数据的参数的具体种类并不构成对本申请的限定。
在本说明书实施例中,病例信息数据包括是否为多发动脉瘤患者、饮酒史、动脉瘤在血管分段中的位置、症状等。病例信息数据的具体内容并不构成对本申请的限定。
步骤S103:对所述颅内动脉瘤形态学数据及所述病例信息数据进行归一化处理,获得归一化的颅内动脉瘤形态学数据及归一化的病例信息数据。
为便于后续数据处理,加快数据处理速度,颅内动脉瘤形态学数据及病例信息数据需要进行归一化处理。在本说明书实施例中,对颅内动脉瘤形态学数据及病例信息数据进行最大最小值归一化处理,获得归一化的颅内动脉瘤形态学数据及归一化的病例信息数据。经过最大最小值归一化处理,能够保证归一化的颅内动脉瘤形态学数据及归一化的病例信息数据的范围均在[0,1]之间。
步骤S105:将所述网格数据、所述归一化的颅内动脉瘤形态学数据及所述归一化的病例信息数据输入颅内动脉瘤信息预测模型,对所述待处理的影像数据的颅内动脉瘤的信息进行预测,获得颅内动脉瘤信息的预测结果,所述颅内动脉瘤信息预测模型是基于图网络模型预先训练获得的模型。
在本说明书中,颅内动脉瘤信息预测是基于网格数据、颅内动脉瘤形态学数据及病例信息数据综合进行预测的,因此,准确性更高,预测结果更为精确。
为理解颅内动脉瘤信息预测模型的训练过程,图2为本说明书实施例提供的一种颅内动脉瘤信息预测模型的训练过程的示意图。颅内动脉瘤信息预测模型的训练包括:
步骤S201:将第一颅内动脉瘤网格信息输入图网络模型提取特征信息,获得所述第一颅内动脉瘤的全局特征。
在本说明书实施例中,将第一颅内动脉瘤网格信息输入图网络模型提取特征信息,获得所述第一颅内动脉瘤的全局特征,具体包括:
所述第一颅内动脉瘤网格信息输入图网络模型后,经卷积运算,提取所述第一颅内动脉瘤网格信息的特征信息,获得所述第一颅内动脉瘤的全局特征,其中,所述第一颅内动脉瘤的全局特征为固定大小的特征向量。
在本说明书实施例中,第一颅内动脉瘤网格信息输入图网络模型,提取第一颅内动脉瘤网格信息,是经过卷积加池化操作,以及卷积加最大池化操作实现的。
在本说明书实施例中,第一颅内动脉瘤网格信息用于颅内动脉瘤信息预测模型的训练,第一颅内动脉瘤网格信息是收集的颅内动脉瘤患者的影像数据中的信息。在具体实施例中,收集的颅内动脉瘤患者的影像数据可以为三维断层数据,例如DSA影像数据,CTA影像数据或者MRA影像数据,影像数据的具体类型并不构成对本申请的限定。
在本说明书的一个实施例中,固定大小的特征向量为1024维的特征向量。
步骤S203:将归一化的第一颅内动脉瘤的形态学数据及归一化的第一病例信息数据输入所述图网络模型。
在本说明书实施例中,归一化的第一颅内动脉瘤的形态学数据及归一化的第一病例信息数据是第一颅内动脉瘤网格信息的对应信息。归一化的第一颅内动脉瘤的形态学数据及归一化的第一病例信息数据是对第一颅内动脉瘤的形态学数据及第一病例信息数据进行最大最小值归一化处理,能够保证归一化的第一颅内动脉瘤形态学数据及归一化的第一病例信息数据的范围均在[0,1]之间。
在本说明书实施例中,归一化的第一颅内动脉瘤的形态学数据及归一化的第一病例信息数据输入所述图网络模型的目的是为了将归一化的第一颅内动脉瘤的形态学数据及归一化的第一病例信息数据与前述步骤获得的第一颅内动脉瘤的特征向量结合,从而综合预测颅内动脉瘤信息的概率,提高预测的准确性。
步骤S205:所述归一化的第一颅内动脉瘤的形态学数据、所述归一化的第一病例信息数据与所述第一颅内动脉瘤的全局特征经多层感知机计算,获得所述第一颅内动脉瘤的信息预测结果。
在本说明书实施例中,所述第一颅内动脉瘤的形态学数据、所述第一病例信息数据与所述第一颅内动脉瘤的全局特征经多层感知机计算,获得所述第一颅内动脉瘤的信息预测结果,具体包括:
将所述第一颅内动脉瘤的形态学数据、所述第一病例信息数据与所述第一颅内动脉瘤的全局特征进行全连接操作,获得所述第一颅内动脉瘤的信息预测结果。
步骤S207:将所述第一颅内动脉瘤的信息预测结果与所述第一颅内动脉瘤发展到第二颅内动脉瘤的真实信息结果进行比较,采用梯度下降法进行参数调优,获得训练的颅内动脉瘤信息预测模型。
为了进一步确定第一颅内动脉瘤的信息预测结果的准确性,需要将第一颅内动脉瘤的信息预测结果与所述第一颅内动脉瘤发展到第二颅内动脉瘤的真实信息结果进行比较并计算误差,通过梯度下降法进行参数迭代,缩写预测值与真实值之间的误差,找到网络参数的最优解,从而获得训练的颅内动脉瘤信息预测模型,以用于后续预测颅内动脉瘤的信息。
在本说明书实施例中,第二颅内动脉瘤是第一颅内动脉瘤经过预设周期后得到的颅内动脉瘤。预设周期一般以月为单位,预设周期的具体时间视情况而定,预设周期的具体时间并不构成对本申请的限定。
在本说明书中,第一颅内动脉瘤发展到第二颅内动脉瘤的真实信息结果是根据收集的第一颅内动脉瘤网格信息和第二颅内动脉瘤网格信息,通过人工比对,获得动脉瘤是否信息,并进行人工标注。
为了进一步理解本说明书实施例提供的颅内动脉瘤信息预测模型的结构,本说明书将结合具体的网络模型进行说明。图3为本说明书实施例提供的一种颅内动脉瘤信息预测模型的网络结构示意图。如图3所示,第一颅内动脉瘤网格信息作为节点信息输入到模型中,大小为N*3*1(N为节点的个数),对输入的第一颅内动脉瘤网格信息进行两次卷积和一次池化操作得到N*64*1的数据,继续对数据进行三次卷积和一次最大池化,得到一个全局特征,大小为1*1024*1,将这个全局特征和第一颅内动脉瘤的形态学数据、第一病例信息数据结合,合成一个1060维的特征向量,特征向量经过多次全连接结构得到颅内动脉瘤信息的预测结果。
在本说明书实施例中,颅内动脉瘤信息的预测结果为预测的颅内动脉瘤生长的概率,用于预测颅内动脉瘤是否会继续生长,从而为后续的干预治疗提供参考。
采用本说明书提供的预测颅内动脉瘤信息的方法,能够降低或减少人为因素的影响,快速实现颅内动脉瘤信息的预测,准确性较高,且能够为临床辅助治疗提供客观依据。
上述内容详细说明了一种预测颅内动脉瘤信息的方法,与之相应的,本说明书还提供了一种预测颅内动脉瘤信息的装置,如图4所示。图4为本说明书实施例提供的一种预测颅内动脉瘤信息的装置的示意图,该装置包括:
获取模块401,获取待处理的影像数据的网格数据、颅内动脉瘤形态学数据及病例信息数据;
归一化模块403,对所述颅内动脉瘤形态学数据及所述病例信息数据进行归一化处理,获得归一化的颅内动脉瘤形态学数据及归一化的病例信息数据;
预测模块405,将所述网格数据、所述归一化的颅内动脉瘤形态学数据及所述归一化的病例信息数据输入颅内动脉瘤信息预测模型,对所述待处理的影像数据的颅内动脉瘤的信息进行预测,获得颅内动脉瘤信息的预测结果,所述颅内动脉瘤信息预测模型是基于图网络模型预先训练获得的模型。
进一步地,所述对所述颅内动脉瘤形态学数据及所述病例信息数据进行归一化处理,获得归一化的颅内动脉瘤形态学数据及病例信息数据,具体包括:
对所述颅内动脉瘤形态学数据及所述病例信息数据进行最大最小值归一化处理,获得归一化的颅内动脉瘤形态学数据及归一化的病例信息数据。
进一步地,所述颅内动脉瘤信息预测模型是基于图网络模型预先训练获得的模型,具体包括:
将第一颅内动脉瘤网格信息输入图网络模型提取特征信息,获得所述第一颅内动脉瘤的全局特征;
将归一化的第一颅内动脉瘤的形态学数据及归一化的第一病例信息数据输入所述图网络模型;
所述归一化的第一颅内动脉瘤的形态学数据、所述归一化的第一病例信息数据与所述第一颅内动脉瘤的全局特征经多层感知机计算,获得所述第一颅内动脉瘤的信息预测结果;
将所述第一颅内动脉瘤的信息预测结果与所述第一颅内动脉瘤发展到第二颅内动脉瘤的真实信息结果进行比较,采用梯度下降法进行参数调优,获得训练的颅内动脉瘤信息预测模型。
进一步地,所述将第一颅内动脉瘤网格信息输入图网络模型提取特征信息,获得所述第一颅内动脉瘤的全局特征,具体包括:
所述第一颅内动脉瘤网格信息输入图网络模型后,经卷积运算,提取所述第一颅内动脉瘤网格信息的特征信息,获得所述第一颅内动脉瘤的全局特征,其中,所述第一颅内动脉瘤的全局特征为固定大小的特征向量。
进一步地,所述第一颅内动脉瘤的形态学数据、所述第一病例信息数据与所述第一颅内动脉瘤的全局特征经多层感知机计算,获得所述第一颅内动脉瘤的信息预测结果,具体包括:
将所述第一颅内动脉瘤的形态学数据、所述第一病例信息数据与所述第一颅内动脉瘤的全局特征进行全连接操作,获得所述第一颅内动脉瘤的信息预测结果。
本说明书实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待处理的影像数据的网格数据、颅内动脉瘤形态学数据及病例信息数据;
对所述颅内动脉瘤形态学数据及所述病例信息数据进行归一化处理,获得归一化的颅内动脉瘤形态学数据及归一化的病例信息数据;
将所述网格数据、所述归一化的颅内动脉瘤形态学数据及所述归一化的病例信息数据输入颅内动脉瘤信息预测模型,对所述待处理的影像数据的颅内动脉瘤的信息进行预测,获得颅内动脉瘤信息的预测结果,所述颅内动脉瘤信息预测模型是基于图网络模型预先训练获得的模型。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (7)
1.一种预测颅内动脉瘤信息的方法,其特征在于,所述方法包括:
获取待处理的影像数据的网格数据、颅内动脉瘤形态学数据及病例信息数据,所述网格数据为所述待处理的影像数据上的采样点在三维空间内的坐标,以及相邻采样点之间的连接关系,所述相邻采样点之间的连接关系是对所述待处理的影像数据上的采样点进行下采样,获得的所述颅内动脉瘤及其周围相关的节点的位置关系;
对所述颅内动脉瘤形态学数据及所述病例信息数据进行最大最小值归一化处理,获得归一化的颅内动脉瘤形态学数据及归一化的病例信息数据,所述归一化的颅内动脉瘤形态学数据及所述归一化的病例信息数据的范围均在[0,1]之间;
将所述网格数据、所述归一化的颅内动脉瘤形态学数据及所述归一化的病例信息数据输入颅内动脉瘤信息预测模型,对所述待处理的影像数据的颅内动脉瘤的信息进行预测,获得颅内动脉瘤信息的预测结果,所述颅内动脉瘤信息预测模型是基于图网络模型预先训练获得的模型;
其中,
所述颅内动脉瘤信息预测模型是基于图网络模型预先训练获得的模型,具体包括:
将第一颅内动脉瘤网格信息输入图网络模型提取特征信息,获得所述第一颅内动脉瘤的全局特征;
将归一化的第一颅内动脉瘤的形态学数据及归一化的第一病例信息数据输入所述图网络模型;
所述归一化的第一颅内动脉瘤的形态学数据、所述归一化的第一病例信息数据与所述第一颅内动脉瘤的全局特征经多层感知机计算,获得所述第一颅内动脉瘤的信息预测结果;
将所述第一颅内动脉瘤的信息预测结果与所述第一颅内动脉瘤发展到第二颅内动脉瘤的真实信息结果进行比较,采用梯度下降法进行参数调优,获得所述训练的颅内动脉瘤信息预测模型。
2.如权利要求1所述的方法,其特征在于,所述将第一颅内动脉瘤网格信息输入图网络模型提取特征信息,获得所述第一颅内动脉瘤的全局特征,具体包括:
所述第一颅内动脉瘤网格信息输入图网络模型后,经卷积运算,提取所述第一颅内动脉瘤网格信息的特征信息,获得所述第一颅内动脉瘤的全局特征,其中,所述第一颅内动脉瘤的全局特征为固定大小的特征向量。
3.如权利要求1所述的方法,其特征在于,所述第一颅内动脉瘤的形态学数据、所述第一病例信息数据与所述第一颅内动脉瘤的全局特征经多层感知机计算,获得所述第一颅内动脉瘤的信息预测结果,具体包括:
将所述第一颅内动脉瘤的形态学数据、所述第一病例信息数据与所述第一颅内动脉瘤的全局特征进行全连接操作,获得所述第一颅内动脉瘤的信息预测结果。
4.一种预测颅内动脉瘤信息的装置,其特征在于,所述装置包括:
获取模块,获取待处理的影像数据的网格数据、颅内动脉瘤形态学数据及病例信息数据,所述网格数据为所述待处理的影像数据上的采样点在三维空间内的坐标,以及相邻采样点之间的连接关系,所述相邻采样点之间的连接关系是对所述待处理的影像数据上的采样点进行下采样,获得的所述颅内动脉瘤及其周围相关的节点的位置关系;
归一化模块,对所述颅内动脉瘤形态学数据及所述病例信息数据进行最大最小值归一化处理,获得归一化的颅内动脉瘤形态学数据及归一化的病例信息数据,所述归一化的颅内动脉瘤形态学数据及所述归一化的病例信息数据的范围均在[0,1]之间;
预测模块,将所述网格数据、所述归一化的颅内动脉瘤形态学数据及所述归一化的病例信息数据输入颅内动脉瘤信息预测模型,对所述待处理的影像数据的颅内动脉瘤的信息进行预测,获得颅内动脉瘤信息的预测结果,所述颅内动脉瘤信息预测模型是基于图网络模型预先训练获得的模型;
其中,所述颅内动脉瘤信息预测模型是基于图网络模型预先训练获得的模型,具体包括:
将第一颅内动脉瘤网格信息输入图网络模型提取特征信息,获得所述第一颅内动脉瘤的全局特征;
将第一颅内动脉瘤的形态学数据及第一病例信息数据输入所述图网络模型;
所述第一颅内动脉瘤的形态学数据、所述第一病例信息数据与所述第一颅内动脉瘤的全局特征经多层感知机计算,获得所述第一颅内动脉瘤的信息预测结果;
将所述第一颅内动脉瘤的信息预测结果与所述第一颅内动脉瘤发展到第二颅内动脉瘤的真实信息结果进行比较,采用梯度下降法进行参数调优,获得训练的颅内动脉瘤信息预测模型。
5.如权利要求4所述的装置,其特征在于,所述将第一颅内动脉瘤网格信息输入图网络模型提取特征信息,获得所述第一颅内动脉瘤的全局特征,具体包括:
所述第一颅内动脉瘤网格信息输入图网络模型后,经卷积运算,提取所述第一颅内动脉瘤网格信息的特征信息,获得所述第一颅内动脉瘤的全局特征,其中,所述第一颅内动脉瘤的全局特征为固定大小的特征向量。
6.如权利要求4所述的装置,其特征在于,所述第一颅内动脉瘤的形态学数据、所述第一病例信息数据与所述第一颅内动脉瘤的全局特征经多层感知机计算,获得所述第一颅内动脉瘤的信息预测结果,具体包括:
将所述第一颅内动脉瘤的形态学数据、所述第一病例信息数据与所述第一颅内动脉瘤的全局特征进行全连接操作,获得所述第一颅内动脉瘤的信息预测结果。
7.一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待处理的影像数据的网格数据、颅内动脉瘤形态学数据及病例信息数据,所述网格数据为所述待处理的影像数据上的采样点在三维空间内的坐标,以及相邻采样点之间的连接关系,所述相邻采样点之间的连接关系是对所述待处理的影像数据上的采样点进行下采样,获得的所述颅内动脉瘤及其周围相关的节点的位置关系;
对所述颅内动脉瘤形态学数据及所述病例信息数据进行最大最小值归一化处理,获得归一化的颅内动脉瘤形态学数据及归一化的病例信息数据,所述归一化的颅内动脉瘤形态学数据及所述归一化的病例信息数据的范围均在[0,1]之间;
将所述网格数据、所述归一化的颅内动脉瘤形态学数据及所述归一化的病例信息数据输入颅内动脉瘤信息预测模型,对所述待处理的影像数据的颅内动脉瘤的信息进行预测,获得颅内动脉瘤信息的预测结果,所述颅内动脉瘤信息预测模型是基于图网络模型预先训练获得的模型;
其中,
所述颅内动脉瘤信息预测模型是基于图网络模型预先训练获得的模型,具体包括:
将第一颅内动脉瘤网格信息输入图网络模型提取特征信息,获得所述第一颅内动脉瘤的全局特征;
将第一颅内动脉瘤的形态学数据及第一病例信息数据输入所述图网络模型;
所述第一颅内动脉瘤的形态学数据、所述第一病例信息数据与所述第一颅内动脉瘤的全局特征经多层感知机计算,获得所述第一颅内动脉瘤的信息预测结果;
将所述第一颅内动脉瘤的信息预测结果与所述第一颅内动脉瘤发展到第二颅内动脉瘤的真实信息结果进行比较,采用梯度下降法进行参数调优,获得训练的颅内动脉瘤信息预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110507563.XA CN112927815B (zh) | 2021-05-10 | 2021-05-10 | 一种预测颅内动脉瘤信息的方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110507563.XA CN112927815B (zh) | 2021-05-10 | 2021-05-10 | 一种预测颅内动脉瘤信息的方法、装置以及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112927815A CN112927815A (zh) | 2021-06-08 |
CN112927815B true CN112927815B (zh) | 2021-08-13 |
Family
ID=76174847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110507563.XA Active CN112927815B (zh) | 2021-05-10 | 2021-05-10 | 一种预测颅内动脉瘤信息的方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112927815B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113782198A (zh) * | 2021-08-11 | 2021-12-10 | 东软医疗系统股份有限公司 | 颅内动脉瘤状态预测模型的生成方法及装置、存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227924A (zh) * | 2016-07-14 | 2016-12-14 | 哈尔滨理工大学 | 一种人体髋部模型网格划分方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020223693A1 (en) * | 2019-05-01 | 2020-11-05 | Icahn School Of Medicine At Mount Sinai | Elucidating a proteomic signature for the detection of intracerebral aneurysms |
CN110517780A (zh) * | 2019-09-02 | 2019-11-29 | 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 |
CN110827242B (zh) * | 2019-10-23 | 2022-06-14 | 华中科技大学 | 一种基于卷积神经网络的颅内动脉瘤检测方法及系统 |
CN111584076A (zh) * | 2020-04-08 | 2020-08-25 | 北京市神经外科研究所 | 一种动脉瘤破裂风险评估方法及系统 |
CN111584077A (zh) * | 2020-04-08 | 2020-08-25 | 北京市神经外科研究所 | 一种动脉瘤破裂风险评估方法及系统 |
CN112200914A (zh) * | 2020-10-10 | 2021-01-08 | 上海海事大学 | 数值模拟三维重建还原的载瘤动脉预测颅内动脉瘤发生的方法 |
-
2021
- 2021-05-10 CN CN202110507563.XA patent/CN112927815B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227924A (zh) * | 2016-07-14 | 2016-12-14 | 哈尔滨理工大学 | 一种人体髋部模型网格划分方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112927815A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111584077A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN111127428A (zh) | 一种基于颅脑影像数据的目标区域的提取方法及系统 | |
CN111863263B (zh) | 一种模拟方法、装置以及设备 | |
CN113129301A (zh) | 一种颅内动脉瘤手术规划的预测方法、装置以及设备 | |
CN110534193A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN112927815B (zh) | 一种预测颅内动脉瘤信息的方法、装置以及设备 | |
CN111081378B (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN111105425A (zh) | 一种基于颅脑影像数据的对称轴/对称面提取方法及系统 | |
CN111785381B (zh) | 一种支架模拟方法、装置以及设备 | |
CN111584076A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN116664513A (zh) | 一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备 | |
CN113130078B (zh) | 一种预测颅内动脉瘤闭塞的方法、装置以及设备 | |
CN113538463A (zh) | 一种动脉瘤分割方法、装置以及设备 | |
CN110517244B (zh) | 一种基于dsa图像的定位方法及系统 | |
CN113160165A (zh) | 一种血管分割方法、装置以及设备 | |
CN111862062A (zh) | 一种中心线优化的方法、装置以及设备 | |
CN113205508A (zh) | 一种基于影像数据的分割方法、装置以及设备 | |
CN110517243B (zh) | 一种基于dsa图像的定位方法及系统 | |
CN111863262B (zh) | 一种模拟方法、装置以及设备 | |
CN110739078B (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN110634129B (zh) | 一种基于dsa图像的定位方法及系统 | |
CN109671065A (zh) | 一种基于头颅ct影像的取栓判断的方法及系统 | |
CN116152246B (zh) | 一种图像识别方法、装置、设备及存储介质 | |
CN111815622B (zh) | 一种支架模拟中心线的优化方法、装置以及设备 | |
CN117057162B (zh) | 一种任务执行方法、装置、存储介质及电子设备 |
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 |