CN113657494B - 预测冠状动脉原位病变介入手术支架尺寸的深度学习方法 - Google Patents

预测冠状动脉原位病变介入手术支架尺寸的深度学习方法 Download PDF

Info

Publication number
CN113657494B
CN113657494B CN202110941970.1A CN202110941970A CN113657494B CN 113657494 B CN113657494 B CN 113657494B CN 202110941970 A CN202110941970 A CN 202110941970A CN 113657494 B CN113657494 B CN 113657494B
Authority
CN
China
Prior art keywords
prediction model
classification
regression
branch
size
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
Application number
CN202110941970.1A
Other languages
English (en)
Other versions
CN113657494A (zh
Inventor
王金甲
常万里
周莹
郭浩攀
宋佳锐
陈妍
孟康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yanshan University
Original Assignee
Yanshan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yanshan University filed Critical Yanshan University
Priority to CN202110941970.1A priority Critical patent/CN113657494B/zh
Publication of CN113657494A publication Critical patent/CN113657494A/zh
Application granted granted Critical
Publication of CN113657494B publication Critical patent/CN113657494B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Epidemiology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种预测冠状动脉原位病变介入手术支架尺寸的深度学习方法，属于医学技术领域，包括获取实验所需要的冠脉造影图像数据、利用深度学习方法训练多任务分类与回归预测模型、训练完成后验证多任务分类与回归预测模型的性能、对多任务分类与回归预测模型进行测试、将测试好的多任务分类与回归预测模型应用于冠脉介入手术支架的选择；所述多任务分类与回归预测模型包括由交叉熵损失函数监督训练的分类支路和由均方误差损失函数进行监督训练的回归回路。本发明可以帮助医生快速准确地确定所需要的冠状动脉原位病变介入手术支架的最优尺寸，能够有效提高手术效率并提升手术成功率。

Description

预测冠状动脉原位病变介入手术支架尺寸的深度学习方法
技术领域
本发明涉及医学技术领域，尤其是一种预测冠状动脉原位病变介入手术支架尺寸的深度学习方法。
背景技术
冠状动脉介入手术是冠心病治疗的重要手段，手术器械的选择基于对于冠脉造影图像的解读和判断。临床冠脉介入治疗中医生常常基于心脏冠脉造影图像选择介入手术支架，手术效果取决于医生的个人经验。如何从技术上准确地选择出最佳尺寸的医用器械目前对于医生来说也是一个亟待解决的问题。虽然IVUS(Intravenous-Ultrasound，IVUS)和OCT(Optical Coherence Tomography，OCT)等心脏冠脉腔内导管对冠脉病变的准确评价有助于冠脉介入治疗中介入手术支架的选择，但是IVUS或者OCT设备昂贵，医疗成本高，一直临床没有广泛推广。冠脉造影图像本身的分辨率是1mm。当前冠脉介入治疗中介入手术支架选择主要是医生基于冠脉造影图像、医生的个人主观判断和经验。而这种凭借视觉估计的主观判断是一种不准确的量化，存在观察者间的可变性，这种主观的量化可能导致对冠脉病变评估的不可靠，不仅增加了手术复杂性，也增加了患者的手术风险，因此寻找一种能准确选择与冠脉病变相应的冠脉介入手术支架的技术对于冠脉介入治疗手术的成功有着极大的推动作用。随着深度学习的发展，以及该技术在冠脉造影中的应用实践，我们进一步探讨深度学习在冠脉介入治疗中选择冠脉介入手术支架的使用。
发明内容
本发明需要解决的技术问题是提供一种预测冠状动脉原位病变介入手术支架尺寸的深度学习方法，基于心脏冠脉造影的深度学习方法在冠脉介入治疗中有助于心脏介入医生更准确选取介入手术支架，能够有效的提高手术的成功率。
为解决上述技术问题，本发明所采用的技术方案是：
一种预测冠状动脉原位病变介入手术支架尺寸的深度学习方法，包括以下步骤：
步骤1，获取实验所需要的冠脉造影图像数据，所述冠脉造影图像数据为冠脉造影图像并含有相应的标签，并将冠脉造影图像数据分为训练集、验证集和测试集；
步骤2，利用深度学习的方法使用训练集和验证集训练一个多任务分类与回归预测模型，所述多任务分类与回归预测模型是具有两条支路的模型，包括负责判断血管狭窄程度的分类支路和负责输出预测的介入手术支架尺寸的回归支路；
在训练过程中，分类支路由交叉熵损失Lce进行监督训练，回归支路由均方误差损失Lmse进行监督训练；
步骤3，训练完成后，查看验证集上的多任务分类与回归预测模型的性能，若训练的多任务分类与回归预测模型不能很好地收敛，则调整多任务分类与回归预测模型的超参数，然后重新训练，直到多任务分类与回归预测模型能很好地收敛；
步骤4，得到训练好的多任务分类与回归预测模型，再用测试集对多任务分类与回归预测模型进行测试，最终确定需要的多任务分类与回归预测模型；
步骤5，运用步骤4最终确定的多任务分类与回归预测模型预测冠状动脉原位病变介入手术支架尺寸，帮助医生更准确选取介入手术支架。
本发明技术方案的进一步改进在于：步骤2中，所述分类支路采用的是InceptionV3网络结构；所述Inception V3网络结构首先由五个卷积层进行初步特征提取，后面跟着五个模块对特征进行深度提取，然后将提取的深度特征映射传递给后面的全局池化层和Dropout得到进一步的特征，并将该特征共享给回归支路，最后在该分类支路上利用全连接层和Softmax预测血管狭窄程度。
本发明技术方案的进一步改进在于：步骤2中，所述回归支路基于Densenet121网络，所述Densenet121网络包含四个Dense Block模块并且每两个模块中间包含一个过渡层Transition Layer，在Dense Block中，各个层的特征图大小一致，可以在通道维度上连接；并且在Dense Block中的非线性组合函数均采用的是BN+ReLU+1x1 Conv+BN+ReLU+3x3Conv的结构，该结构可以有效地减少计算量，提高计算效率；所述过渡层Transition Layer采用的均为BN+ReLU+1x1 Conv+2x2 AvgPooling的结构，它主要连接两个相邻的DenseBlock块，并且降低特征图的大小；在最后一个Dense Block后面连接一个全局平均池化层，然后将该层提取的特征与分类支路共享的特征进行加权得到新的特征，后面连接三层全连接层，每层全连接层含有BN和ReLU进行非线性化，从而更好地拟合最后的数据，最后输出预测的狭窄血管相应的介入手术支架的尺寸。
本发明技术方案的进一步改进在于：回归支路输出预测的介入手术支架的尺寸，介入手术支架的尺寸与回归支路输出预测的狭窄血管附近正常血管的直径保持一致。
本发明技术方案的进一步改进在于：步骤2中，所述回归支路所用的损失函数均方误差损失Lmse如下所示：
Figure GDA0003800468090000031
式中的yi和
Figure GDA0003800468090000032
分别为真实值和预测的结果，M为训练的样本数量。
本发明技术方案的进一步改进在于：步骤2中，所述分类支路所用的交叉熵损失函数Lce如下所示：
Figure GDA0003800468090000041
式中的yi和
Figure GDA0003800468090000042
分别为真实值和预测的结果，M为训练的样本数量。
由于采用了上述技术方案，本发明取得的技术进步是：
本发明采用深度学习的方法进行冠脉造影狭窄部位的介入手术支架的选择，可以帮助医生快速准确地确定狭窄血管的程度，并且预测出介入手术支架的尺寸，从而帮助医生选取最优的介入手术支架，不仅提高了手术效率，同时还能有效提升手术的成功率。
附图说明
图1是本发明的总体框架路线图；
图2是本发明整个模型的网络结构示意图；
图3是本发明中右侧回归支路的Dense Block1模块的结构示意图；
图4是本发明中左侧分类支路的Block 1模块的结构示意图；
图5是本发明中左侧分类支路的Block 2模块的结构示意图；
图6是本发明中左侧分类支路的Block 3模块的结构示意图；
图7是本发明中左侧分类支路的Block 4模块的结构示意图；
图8是本发明中左侧分类支路的Block 5模块的结构示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步详细说明：
如图1所示，一种预测冠状动脉原位病变介入手术支架尺寸的深度学习方法，包括以下步骤：
步骤1，获取实验所需要的冠脉造影图像数据，所述冠脉造影图像数据为冠脉造影图像并含有相应的标签，并将冠脉造影图像数据分为训练集、验证集和测试集；
步骤2，利用深度学习的方法使用训练集和验证集训练一个多任务分类与回归预测模型，所述多任务分类与回归预测模型是具有两条支路的模型，包括负责判断血管狭窄程度的分类支路和负责输出预测的介入手术支架尺寸的回归支路；
所述分类支路采用的是Inception V3网络结构；所述Inception V3网络结构首先由五个卷积层进行初步特征提取，后面跟着五个模块对特征进行深度提取，然后将提取的深度特征映射传递给后面的全局池化层和Dropout得到进一步的特征，并将该特征共享给回归支路，最后在该分类支路上利用全连接层和Softmax预测血管狭窄程度；
所述回归支路基于Densenet121网络，所述Densenet121网络包含四个DenseBlock模块并且每两个模块中间包含一个过渡层Transition Layer，在Dense Block中，各个层的特征图大小一致，可以在通道维度上连接；并且在Dense Block中的非线性组合函数均采用的是BN+ReLU+1x1 Conv+BN+ReLU+3x3 Conv的结构，该结构可以有效地减少计算量，提高计算效率；所述过渡层Transition Layer采用的均为BN+ReLU+1x1 Conv+2x2AvgPooling的结构，它主要连接两个相邻的Dense Block块，并且降低特征图的大小；在最后一个Dense Block后面连接一个全局平均池化层，然后将该层提取的特征与分类支路共享的特征进行加权得到新的特征，后面连接三层全连接层，每层全连接层含有BN和ReLU进行非线性化，从而更好地拟合最后的数据，最后输出预测的狭窄血管相应的介入手术支架的尺寸；
所述回归支路输出预测的介入手术支架的尺寸，介入手术支架的尺寸与回归支路输出预测的狭窄血管附近正常血管的直径保持一致；
在训练过程中，分类支路由交叉熵损失Lce进行监督训练，所述分类支路所用的交叉熵损失函数Lce如下所示：
Figure GDA0003800468090000061
式中的yi和
Figure GDA0003800468090000062
分别为真实值和预测的结果，M为训练的样本数量；
回归支路由均方误差损失Lmse进行监督训练；所述回归支路所用的损失函数均方误差损失Lmse如下所示：
Figure GDA0003800468090000063
式中的yi和
Figure GDA0003800468090000064
分别为真实值和预测的结果，M为训练的样本数量。
步骤3，训练完成后，查看验证集上的多任务分类与回归预测模型的性能，若训练的多任务分类与回归预测模型不能很好地收敛，则调整多任务分类与回归预测模型的超参数，然后重新训练，直到多任务分类与回归预测模型能很好地收敛；
步骤4，得到训练好的多任务分类与回归预测模型，再用测试集对多任务分类与回归预测模型进行测试，最终确定需要的多任务分类与回归预测模型；
步骤5，运用步骤4最终确定的多任务分类与回归预测模型预测冠状动脉原位病变介入手术支架尺寸，帮助医生更准确选取介入手术支架。
具体的：
图1所示，预测冠状动脉原位病变介入手术支架尺寸的深度学习方法的整体框架路线图，具体包括以下步骤：
步骤1，获取实验所需要的冠脉造影图像数据，数据包括冠脉造影图像和标签，并将其分为训练集、验证集和测试集；
步骤2，利用深度学习的方法使用训练集和验证集训练一个多任务分类与回归预测模型，所述多任务分类与回归预测模型是具有两条支路的模型，包括负责判断血管狭窄程度的分类支路和负责输出预测的介入手术支架尺寸的回归支路；
在训练的过程中，使用训练集和验证集进行训练，其中分类支路由交叉熵损失监督训练，回归预测回路由均方误差损失函数监督训练。
整个模型的网络结构如图2所示，其中左侧为分类支路，右侧为回归支路；该模型的分类支路采用的是Inception V3网络结构；该Inception V3网络结构首先由五个卷积层进行初步特征提取，后面跟着Block 1～5五个模块，分别如图4～8所示，它们每个模块的数量分别为3，1，4，1，2，该五个模块对特征进行深度提取，然后将提取的深度特征映射传递给后面的全局池化层和Dropout得到进一步提取的特征，并将该特征共享给回归支路，最后该分类支路利用全连接层和Softmax预测血管狭窄程度。
该模型的回归支路基于Densenet121网络；所述的网络包含四个Dense Block模块并且每两个模块中间包含一个过渡层Transition Layer。这四个Dense Block模块完全一样，它们的结构如图3所示，在Dense Block中，各个层的特征图大小一致，可以在通道维度上连接，并且在Dense Block中的非线性组合函数采用的均是BN+ReLU+1x1 Conv+BN+ReLU+3x3 Conv的结构，即图3中的C，该结构可以有效地减少计算量，提高计算效率；结构中的过渡层的结构也完全一样，它们采用的均为BN+ReLU+1x1 Conv+2x2 AvgPooling的结构，它主要连接两个相邻的Dense Block块，并且降低特征图的大小；在最后一个Dense Block后面连接一个全局平均池化层，然后将该层提取的特征与分类支路共享的特征进行加权得到新的特征，后面连接三层全连接层，每层全连接层含有BN和ReLU进行非线性化，从而更好地拟合最后的数据，最后输出预测的狭窄血管相应的介入手术支架的尺寸。
该模型在训练的过程中，回归支路由均方误差损失Lmse对模型进行监督训练，其Lmse的公式如下：
Figure GDA0003800468090000081
式中的yi和
Figure GDA0003800468090000082
分别为真实值和预测的结果，M为训练的样本数量。
分类支路所用的交叉熵损失函数Lce如下所示：
Figure GDA0003800468090000083
式中的yi和
Figure GDA0003800468090000084
分别为真实值和预测的结果，M为训练的样本数量。
步骤3，当模型训练完毕，查看验证集上训练模型的性能，若能很好地预测介入手术支架的尺寸，则用测试集进行测试并保存模型，否则，调整模型超参数，重新开始训练。
步骤4，得到训练好的多任务分类与回归预测模型，再用测试集对多任务分类与回归预测模型进行测试，最终确定需要的多任务分类与回归预测模型；
步骤5，运用步骤4最终确定的多任务分类与回归预测模型预测冠状动脉原位病变介入手术支架尺寸，帮助医生更准确选取介入手术支架。
实施例：
申请人采用本发明方法，用了60张冠脉造影图像图片作为训练集，10张作为验证集，对多任务分类与回归预测模型进行了训练和验证；
对5张冠脉造影图像数据进行了测试，进行了介入手术支架的尺寸的预测得出了预测值，并与医生手术后测量的真实值进行了对比，如下表1所示：
表1
Figure GDA0003800468090000085
Figure GDA0003800468090000091
由以上表1可知，预测值与真实值的误差在0.101～0.629mm之间，能够有效帮助医生选取最优的介入手术支架。
综上所述，本发明采用深度学习的方法进行冠脉造影狭窄部位的介入手术支架的选择，可以帮助医生快速准确地确定狭窄血管的程度，并且预测出介入手术支架的尺寸，从而帮助医生选取最优的介入手术支架，提高手术的成功率。

Claims (4)

1.一种预测冠状动脉原位病变介入手术支架尺寸的深度学习方法，其特征在于：包括以下步骤：
步骤1，获取实验所需要的冠脉造影图像数据，所述冠脉造影图像数据为冠脉造影图像并含有相应的标签，并将冠脉造影图像数据分为训练集、验证集和测试集；
步骤2，利用深度学习的方法使用训练集和验证集训练一个多任务分类与回归预测模型，所述多任务分类与回归预测模型是具有两条支路的模型，包括负责判断血管狭窄程度的分类支路和负责输出预测的介入手术支架尺寸的回归支路；
所述分类支路采用的是Inception V3网络结构；所述Inception V3网络结构首先由五个卷积层进行初步特征提取，后面跟着五个模块对特征进行深度提取，然后将提取的深度特征映射传递给后面的全局池化层和Dropout得到进一步的特征，并将该特征共享给回归支路，最后在该分类支路上利用全连接层和Softmax预测血管狭窄程度；
所述回归支路基于Densenet121网络；所述Densenet121网络包含四个Dense Block模块并且每两个模块中间包含一个过渡层Transition Layer，在Dense Block中，各个层的特征图大小一致，可以在通道维度上连接；并且在Dense Block中的非线性组合函数均采用的是BN+ReLU+1x1 Conv+BN+ReLU+3x3Conv的结构，该结构可以有效地减少计算量，提高计算效率；所述过渡层Transition Layer采用的均为BN+ReLU+1x1 Conv+2x2 AvgPooling的结构，它主要连接两个相邻的Dense Block块，并且降低特征图的大小；在最后一个DenseBlock后面连接一个全局平均池化层，然后将该层提取的特征与分类支路共享的特征进行加权得到新的特征，后面连接三层全连接层，每层全连接层含有BN和ReLU进行非线性化，从而更好地拟合最后的数据，最后输出预测的狭窄血管相应的介入手术支架的尺寸；
在训练过程中，分类支路由交叉熵损失Lce进行监督训练，回归支路由均方误差损失Lmse进行监督训练；
步骤3，训练完成后，查看验证集上的多任务分类与回归预测模型的性能，若训练的多任务分类与回归预测模型不能很好地收敛，则调整多任务分类与回归预测模型的超参数，然后重新训练，直到多任务分类与回归预测模型能很好地收敛；
步骤4，得到训练好的多任务分类与回归预测模型，再用测试集对多任务分类与回归预测模型进行测试，最终确定需要的多任务分类与回归预测模型；
步骤5，运用步骤4最终确定的多任务分类与回归预测模型预测冠状动脉原位病变介入手术支架尺寸，帮助医生更准确选取介入手术支架。
2.根据权利要求1所述的一种预测冠状动脉原位病变介入手术支架尺寸的深度学习方法，其特征在于：回归支路输出预测的介入手术支架的尺寸，介入手术支架的尺寸与回归支路输出预测的狭窄血管附近正常血管的直径保持一致。
3.根据权利要求1所述的一种预测冠状动脉原位病变介入手术支架尺寸的深度学习方法，其特征在于：步骤2中，所述回归支路所用的损失函数均方误差损失Lmse如下所示：
Figure FDA0003800468080000021
式中的yi和
Figure FDA0003800468080000022
分别为真实值和预测的结果，M为训练的样本数量。
4.根据权利要求1所述的一种预测冠状动脉原位病变介入手术支架尺寸的深度学习方法，其特征在于：步骤2中，所述分类支路所用的交叉熵损失函数Lce如下所示：
Figure FDA0003800468080000031
式中的yi和
Figure FDA0003800468080000032
分别为真实值和预测的结果，M为训练的样本数量。
CN202110941970.1A 2021-08-17 2021-08-17 预测冠状动脉原位病变介入手术支架尺寸的深度学习方法 Active CN113657494B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110941970.1A CN113657494B (zh) 2021-08-17 2021-08-17 预测冠状动脉原位病变介入手术支架尺寸的深度学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110941970.1A CN113657494B (zh) 2021-08-17 2021-08-17 预测冠状动脉原位病变介入手术支架尺寸的深度学习方法

Publications (2)

Publication Number Publication Date
CN113657494A CN113657494A (zh) 2021-11-16
CN113657494B true CN113657494B (zh) 2023-03-24

Family

ID=78480437

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110941970.1A Active CN113657494B (zh) 2021-08-17 2021-08-17 预测冠状动脉原位病变介入手术支架尺寸的深度学习方法

Country Status (1)

Country Link
CN (1) CN113657494B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114052762A (zh) * 2021-11-30 2022-02-18 燕山大学 基于Swin-T预测狭窄血管尺寸和器械尺寸的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106539622B (zh) * 2017-01-28 2019-04-05 北京欣方悦医疗科技有限公司 基于血流动力学分析的冠脉虚拟支架植入系统

Also Published As

Publication number Publication date
CN113657494A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
US11615894B2 (en) Diagnostically useful results in real time
US20240153087A1 (en) Vascular characteristic determination with correspondence modeling of a vascular tree
JP7039442B2 (ja) 血管モデルの作成方法
CN108665449B (zh) 预测血流矢量路径上的血流特征的深度学习模型及装置
CN107122621B (zh) 用于患者特异性血流建模的方法和系统
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
CN111476757A (zh) 一种冠脉斑块数据检测方法、系统、存储介质、终端
CN111009032B (zh) 基于改进外极线约束匹配的血管三维重建方法
JP2022554297A (ja) 生理パラメータに基づき血管評定パラメータを取得する方法、装置及び記憶媒体
CN109829892A (zh) 一种预测模型的训练方法、使用该模型的预测方法及装置
CN110755104A (zh) 基于3d多通道卷积神经网络的肝硬化门脉高压无创评估方法
JP2015097724A (ja) 血管解析装置及び血管解析プログラム
CN111340794B (zh) 冠状动脉狭窄的量化方法及装置
WO2021146699A1 (en) Systems and methods for utilizing synthetic medical images generated using a neural network
US20220151500A1 (en) Noninvasive quantitative flow mapping using a virtual catheter volume
CN113657494B (zh) 预测冠状动脉原位病变介入手术支架尺寸的深度学习方法
WO2022096867A1 (en) Image processing of intravascular ultrasound images
CN117576123A (zh) 一种心血管ct图像数据分割检测方法
CN114519722A (zh) 一种基于卷积神经网络的颈动脉提取方法
Stephens et al. MRI to CTA translation for pulmonary artery evaluation using CycleGANs trained with unpaired data
CN114241193A (zh) 一种基于深度学习的冠脉造影图像处理方法及装置
Taskén et al. Automatic detection and tracking of anatomical landmarks in transesophageal echocardiography for quantification of left ventricular function
Khodaei et al. Enhancing medical imaging with computational modeling for aortic valve disease intervention planning
CN118299006B (zh) 一种基于qfr、ofr的多模态冠脉功能评估方法
EP4113434A1 (en) Generation of plaque information

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