CN114678105B - 一种结合人工智能技术自动计算球囊参数的方法 - Google Patents
一种结合人工智能技术自动计算球囊参数的方法 Download PDFInfo
- Publication number
- CN114678105B CN114678105B CN202210283967.XA CN202210283967A CN114678105B CN 114678105 B CN114678105 B CN 114678105B CN 202210283967 A CN202210283967 A CN 202210283967A CN 114678105 B CN114678105 B CN 114678105B
- Authority
- CN
- China
- Prior art keywords
- balloon
- image
- parameters
- data
- result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 8
- 238000005516 engineering process Methods 0.000 title claims abstract description 8
- 230000002787 reinforcement Effects 0.000 claims abstract description 13
- 230000002980 postoperative effect Effects 0.000 claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000011084 recovery Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000003745 diagnosis Methods 0.000 claims abstract description 5
- 238000013459 approach Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000010354 integration Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 239000008280 blood Substances 0.000 claims description 9
- 210000004369 blood Anatomy 0.000 claims description 9
- 230000017531 blood circulation Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000002604 ultrasonography Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 5
- 230000036772 blood pressure Effects 0.000 claims description 4
- 230000003211 malignant effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000000747 cardiac effect Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000002861 ventricular Effects 0.000 claims description 3
- 239000007795 chemical reaction product Substances 0.000 claims 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000002411 adverse Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000001356 surgical procedure Methods 0.000 description 4
- 238000002513 implantation Methods 0.000 description 3
- 238000002324 minimally invasive surgery Methods 0.000 description 3
- 210000001765 aortic valve Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000003709 heart valve Anatomy 0.000 description 2
- 238000012274 Preoperative evaluation Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- 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
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Databases & Information Systems (AREA)
- Urology & Nephrology (AREA)
- Robotics (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种结合人工智能技术自动计算球囊参数的方法,首先,采集、分析并统计球囊的参数、病人的术中及术后情况,将球囊的参数和病人的术后恢复评分作为真实世界的决策和临床结局;然后,进行神经网络模型训练,使用深度强化学习得到优选的球囊参数的决策,将深度强化学习的决策和真实世界的决策进行对比,使其结果趋近于临床结局获益的真实世界决策而远离不良结局发生的真实世界决策;最后,将训练好的网络模型部署至推理服务器,所述推理服务器接受深度强化学习网络所需的影像数据及测量诊断参数并输出最终的建议球囊参数。本发明利用人工智能技术实现了球囊最佳充水量和压力的自动计算,避免球囊扩张不充分或扩张过度引起的不良后果。
Description
技术领域
本发明属于数字化医疗技术领域,特别涉及一种通过人工智能技术在心脏瓣膜植入术中自动化输出优选的球囊型号、充水体积和球囊压力的方法。
背景技术
传统的心脏瓣膜置换手术通过胸部中的纵向切口进入患者的心脏。植入式的微创手术相比于传统开胸手术有以下几个优势:手术时间短、恢复期时间短、减少了手术后的创伤和术后恢复期的疼痛。在过去几十年中,本领域致力于促进和改进微创手术的装置和方法。但在进行微创手术的治疗位置的术前评估方面仍存在改进的空间。例如,在手术时,外科医生评估治疗位置的形状、大小、位置、顺应性和其他物理特性,并使用该信息来控制在体腔内或位于患者体内的器官的中空部分内执行手术过程的器械是十分有益的。目前该领域利用检查设备对患者进行术前评估的主观性太强,效率不高,尚无法做到术中导航。
目前,在瓣膜植入术前评估方面已有解剖结构测量平台工具软件,如FluoroCT、3mensio、cvi42等。但是,需要医生凭借自身经验和对主动脉根部解剖结构的理解,通过纯手动或半自动的方式对主动脉根部相关结构进行打点、描绘和测量。对影像中特征范围的选择和提取,完全通过医生手工操作完成。在经导管主动脉瓣植入术(TAVI)期间,仅依靠施加的压力或体积手动对任何类型的瓣膜扩张球囊充气仍然是一种“粗略”的方法。可能导致充气到指定压力时不能保证瓣膜完全膨胀到公称直径,或者充气到指定体积时不能确保达到所需压力,甚至更危险的是已经超过主动脉根部承受压力的极限,导致瓣环破裂。
发明内容
为了解决上述问题,本发明提出了一种结合人工智能技术自动计算球囊参数的方法,包括:
S1:数据采集和分析,采集多中心不同条件下病人的术前术后的影像资料和手术记录,分析和统计的信息包括球囊的参数、病人的术中及术后情况,将球囊的参数和病人的术后恢复评分作为真实世界的决策和临床结局;
S2:进行神经网络模型训练,使用深度强化学习得到优选的球囊参数的决策,将深度强化学习的决策和真实世界的决策进行对比,使其结果趋近于临床结局获益的真实世界决策而远离不良结局发生的真实世界决策;
S3:将训练好的网络模型部署至推理服务器,所述推理服务器接受深度强化学习网络所需的影像数据及测量诊断参数并输出最终的建议球囊参数。
进一步地,所述球囊的参数包括球囊的型号、尺寸Sballoon、充水量Vballoon和球囊内部压力Pballoon。
其中,所述步骤S2中的神经网络模型训练的具体方法为:
综合三维影像数据ICt及若干多模态数据,采用多模态数据融合架构将不同模态的数据融合,所述多模态数据融合架构首先使用两个独立的神经网络,即图像处理网络netimage和参数处理网络netparameter,将不同模态的数据转换为相似的数据结构,然后,将相似的数据结构合并,并使用集成神经网络netintegration综合上述合并后的结果得到最终的结果Result,将最终结果与真实世界的结果的获益结局Benign和不良结局Malignant进行对比,对比结果使用交叉熵损失函数BCE,利用神经网络的反向传播机制自动学习上述三个神经网络,使其预测结果更加接近真实世界的临床获益结局Benign或更加远离真实世界的不良结局Malignant。
进一步地,所述步骤S2中的所述三维影像数据及多模态数据包括:所述数据包括基于CT影像的主动脉层面,窦管交界平面,瓦式窦平面和瓣环平面的长度L、面积A和周长P,还包括原始CT影像及基于该影像得到的图像分割结果ISeg,以及基于超声图像得到的血液流速vblood、瓣膜两侧血流压强Δpva1ve和心脏射血分数Ejection Fraction(EF)。
进一步地,步骤S2中的数据处理方法表达为:
图像处理网络:
Vimage=netimage(ICT,Iseg);
参数处理网络:
Vparameter=netparameter(L,A,P,vblood,Δpvalve,EF);
将网络输出合并:
Vintegration=Concatenate(Vimage,Vimage);
集成神经网络:
Result=netintegration(Vintegration);
损失函数:
GroundTruth={Benigh,Malignant}
Loss=BCE(Result,GroundTruth)
整个系统的学习过程可以被概括为:
f:=argminf(BCE(f(ICT,ISeg,L,A,P,vblood,Δpvalve,EF),GroundTruth));
其中,
f={netimage,netparameter,netparameter}。
进一步地,所述步骤S3中的所述影像数据包括主动脉分割图像和原始CT影像数据,所述测量诊断参数包括通过超声获得的左心室射血分数、血液流速、瓣膜两侧血流压强和主动脉层面,窦管交界平面,瓦式窦平面和瓣环平面的长度L、面积A和周长P。
发明的有益效果:本发明利用人工智能技术通过学习临床真实手术案例,实现对介入手术术中球囊最佳充水量和最佳压力的预测。该预测能避免球囊扩张不充分导致手术效果不佳,也能够避免球囊扩张过度导致术中循环崩溃风险。
附图说明
图1为本发明实施方式的示意性流程图;
图2为本发明的实施方式的步骤S2中数据处理方法的示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,实施例仅用于说明本发明而不用于限制本发明的保护范围。此外,应理解,在阅读了本发明所公开的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本发明所限定的保护范围之内。
本发明实施方式的步骤参见图1。具体如下:
S1:数据采集和分析,采集多中心不同条件下病人的术前术后的影像资料,对相应的手术记录进行分析和统计,分析和统计的信息包括:球囊的型号尺寸、操作过程、内部所施加的压力和充水体积,记录病人的术中及术后情况,重点记录和分析因球囊充气而导致终点事件的病例,将球囊的尺寸Sballoon、充水量Vballoon、球囊内部压力Pballoon和病人的术后恢复评分Score作为真实世界的决策和临床结局;
S2:进行神经网络模型训练,使用深度强化学习自主做出球囊选型、球囊最佳充水量和工作压力的决策,将深度强化学习的决策和真实世界的决策进行对比,要求深度强化学习的决策结果趋近于临床结局获益的真实世界决策,同时远离不良结局发生的真实世界决策,具体方法如下(参见图2):
深度学习网络能够综合三维影像数据ICt及若干多模态数据,所述数据包括基于CT影像的主动脉层面,窦管交界平面,瓦式窦平面和瓣环平面的长度L、面积A和周长P,还包括原始CT影像及基于该影像得到的图像分割结果ISeg,以及基于超声图像得到的血液流速vblood、瓣膜两侧血流压强Δpvalve和心脏射血分数Ejection Fraction(EF);
采用多模态数据融合架构将不同模态的数据融合,综合多模态结果得到最终的建议决策,所述多模态数据融合架构首先使用两个独立的神经网络,即图像处理网络netimage和参数处理网络netparametero两个网络将不同模态的数据转换为相似的数据结构,之后将相似的数据结构合并,并使用集成神经网络netintegration综合上述合并后的结果得到最终的结果Resu1t,将最终结果与真实世界的结果的获益结局Benign和不良结局Malignant进行对比。对比结果使用交叉熵损失函数BCE,利用神经网络的反向传播机制自动学习上述三个神经网络,使其预测结果更加接近真实世界的临床获益结局Benign或更加远离真实世界的不良结局Malignant;
其中,图像处理网络:
Vimage=netimage(ICT,Iseg);
参数处理网络:
Vparameter=netparameter(L,A,P,vblood,Δpvalve,EF);
将网络输出合并:
Vintegration=Concatenate(Vimage,Vimage);
集成神经网络:
Result=netintegration(Vintegration);
损失函数:
GroundTruth={Benigh,Malignant}
Loss=BCE(Result,GroundTruth)
整个系统的学习过程可以被概括为:
f:=argmint(BCE(f(ICT,ISeg,L,A,P,vblood,Δpvalve,EF),GroundTruth));
其中
f={netimage,netparameter,netparameter};
S3:将训练好的网络模型部署至推理服务器,当所述推理服务器进行推理时,所述推理服务器接受深度强化学习网络所需的影像数据及测量诊断参数并输出最终的建议球囊型号、充水体积和球囊压力,所述影像数据包括主动脉分割图像和原始CT影像数据,所述测量诊断参数包括通过超声获得的左心室射血分数、血液流速、瓣膜两侧血流压强和主动脉层面,窦管交界平面,瓦式窦平面和瓣环平面的长度L、面积A和周长P。
Claims (5)
1.一种结合人工智能技术自动计算球囊参数的方法,其特征在于,包括以下步骤:
S1:数据采集和分析,采集多中心不同条件下病人的术前术后的影像资料和手术记录,分析和统计的信息包括球囊的参数、病人的术中及术后情况,将球囊的参数和病人的术后恢复评分作为真实世界的决策和临床结局;
S2:进行神经网络模型训练,使用深度强化学习得到最佳的球囊参数的决策,将深度强化学习的决策和真实世界的决策进行对比,使其结果趋近于临床结局获益的真实世界决策而远离不良结局发生的真实世界决策;
S3:将训练好的网络模型部署至推理服务器,所述推理服务器接受深度强化学习网络所需的影像数据及测量诊断参数并输出最终的建议球囊参数;
其中,所述球囊的参数包括球囊的型号、尺寸Sballoon、充水量Vballoon和球囊内部压力Pballoon;
此外,所述步骤S2中的神经网络模型训练的具体方法为:
综合三维影像数据ICt及若干多模态数据,采用多模态数据融合架构将不同模态的数据融合,所述多模态数据融合架构首先使用两个独立的神经网络,即图像处理网络netimage和参数处理网络netparameter,将不同模态的数据转换为相似的数据结构,然后,将相似的数据结构合并,并使用集成神经网络netintegration综合上述合并后的结果得到最终的结果Result,将最终结果与真实世界的结果的获益结局Benign和不良结局Malignant进行对比,对比结果使用交叉熵损失函数BCE,利用神经网络的反向传播机制自动学习上述三个神经网络,使其预测结果更加接近真实世界的临床获益结局Benign或更加远离真实世界的不良结局Malignant。
2.根据权利要求1所述的计算球囊参数的方法,其特征在于,所述步骤S2中的所述三维影像数据及多模态数据包括:所述数据包括基于CT影像的主动脉层面,窦管交界平面,瓦式窦平面和瓣环平面的长度L、面积A和周长P,还包括原始CT影像及基于该影像得到的图像分割结果ISeg,以及基于超声图像得到的血液流速vblood、瓣膜两侧血流压强Δpvalve和心脏射血分数EF。
3.根据权利要求2所述的计算球囊参数的方法,其特征在于,步骤S2中的数据处理方法表达为:
图像处理网络:
Vimage=netimage(ICT,ISeg);
参数处理网络:
Vparameter=netparameter(L,A,P,vblood,Δpvalve,EF);
将网络输出合并:
Vintegration=Concatenate(Vimage,Vparameter);
集成神经网络:
Result=netintegration(Vintegration);
损失函数:
GroundTruth={Benign,Malignant}
Loss=BCE(Result,GroundTruth)
将整个系统的学习过程概括为:
f∶=argminf(BCE(f(ICT,ISeg,L,A,P,vblood,Δpvalve,EF),GroundTruth));
其中,
f={netimage,netparameter,netintegration}。
4.根据权利要求3所述的计算球囊参数的方法,其特征在于,所述步骤S3中的所述影像数据包括主动脉分割图像和原始CT影像数据。
5.根据权利要求1-4中任一项所述的计算球囊参数的方法,其特征在于,所述测量诊断参数包括通过超声获得的左心室射血分数、血液流速、瓣膜两侧血流压强和主动脉层面,窦管交界平面,瓦式窦平面和瓣环平面的长度L、面积A和周长P。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210283967.XA CN114678105B (zh) | 2022-03-21 | 2022-03-21 | 一种结合人工智能技术自动计算球囊参数的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210283967.XA CN114678105B (zh) | 2022-03-21 | 2022-03-21 | 一种结合人工智能技术自动计算球囊参数的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114678105A CN114678105A (zh) | 2022-06-28 |
CN114678105B true CN114678105B (zh) | 2023-10-17 |
Family
ID=82075114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210283967.XA Active CN114678105B (zh) | 2022-03-21 | 2022-03-21 | 一种结合人工智能技术自动计算球囊参数的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114678105B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1739463A (zh) * | 2005-06-29 | 2006-03-01 | 东南大学 | 球囊扩张血管内支架扩张性能体外测试装置及测试方法 |
CN109044739A (zh) * | 2018-09-13 | 2018-12-21 | 梁建军 | 一种康复训练手套 |
CN109528196A (zh) * | 2018-11-14 | 2019-03-29 | 北京工业大学 | 一种基于多模态影像及经验知识的肝静脉压力梯度无创性评估方法 |
CN110236906A (zh) * | 2019-05-20 | 2019-09-17 | 安徽通灵仿生科技有限公司 | 一种反馈式多模态数据融合同步辅助心脏控制系统 |
CN111128328A (zh) * | 2019-10-25 | 2020-05-08 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 鼻咽癌结构化影像报告及数据处理系统和方法 |
CN111860425A (zh) * | 2020-07-30 | 2020-10-30 | 清华大学 | 一种深度多模态跨层交叉融合方法、终端设备及存储介质 |
EP3777782A1 (de) * | 2019-08-14 | 2021-02-17 | Biotronik Ag | Lernendes medizinisches system für eine optimale stenteinbettung bei der angioplastie |
CN215130896U (zh) * | 2021-01-14 | 2021-12-14 | 南京圣德医疗科技有限公司 | 一种具有内收式翼展裙边的球囊扩张式介入瓣膜支架 |
CN215130897U (zh) * | 2021-01-14 | 2021-12-14 | 南京圣德医疗科技有限公司 | 一种具有折叠式翼展裙边的球囊扩张式介入瓣膜支架 |
CN113870259A (zh) * | 2021-12-02 | 2021-12-31 | 天津御锦人工智能医疗科技有限公司 | 多模态医学数据融合的评估方法、装置、设备及存储介质 |
CN114140641A (zh) * | 2021-11-08 | 2022-03-04 | 江苏大学 | 面向图像分类的多参数自适应异构并行计算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9319905B2 (en) * | 2013-08-30 | 2016-04-19 | Google Inc. | Re-tasking balloons in a balloon network based on expected failure modes of balloons |
-
2022
- 2022-03-21 CN CN202210283967.XA patent/CN114678105B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1739463A (zh) * | 2005-06-29 | 2006-03-01 | 东南大学 | 球囊扩张血管内支架扩张性能体外测试装置及测试方法 |
CN109044739A (zh) * | 2018-09-13 | 2018-12-21 | 梁建军 | 一种康复训练手套 |
CN109528196A (zh) * | 2018-11-14 | 2019-03-29 | 北京工业大学 | 一种基于多模态影像及经验知识的肝静脉压力梯度无创性评估方法 |
CN110236906A (zh) * | 2019-05-20 | 2019-09-17 | 安徽通灵仿生科技有限公司 | 一种反馈式多模态数据融合同步辅助心脏控制系统 |
EP3777782A1 (de) * | 2019-08-14 | 2021-02-17 | Biotronik Ag | Lernendes medizinisches system für eine optimale stenteinbettung bei der angioplastie |
CN111128328A (zh) * | 2019-10-25 | 2020-05-08 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 鼻咽癌结构化影像报告及数据处理系统和方法 |
CN111860425A (zh) * | 2020-07-30 | 2020-10-30 | 清华大学 | 一种深度多模态跨层交叉融合方法、终端设备及存储介质 |
CN215130896U (zh) * | 2021-01-14 | 2021-12-14 | 南京圣德医疗科技有限公司 | 一种具有内收式翼展裙边的球囊扩张式介入瓣膜支架 |
CN215130897U (zh) * | 2021-01-14 | 2021-12-14 | 南京圣德医疗科技有限公司 | 一种具有折叠式翼展裙边的球囊扩张式介入瓣膜支架 |
CN114140641A (zh) * | 2021-11-08 | 2022-03-04 | 江苏大学 | 面向图像分类的多参数自适应异构并行计算方法 |
CN113870259A (zh) * | 2021-12-02 | 2021-12-31 | 天津御锦人工智能医疗科技有限公司 | 多模态医学数据融合的评估方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
Tensor Analysis and Fusion of Multimodal Brain Images;Karahan, E 等;《PROCEEDINGS OF THE IEEE》;第103卷(第9期);第1531-1559页 * |
经口球囊扩张术对脑干卒中后环咽肌失弛缓症的疗效研究;高学聪;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》(第12期);第E070-84页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114678105A (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1832233A1 (en) | Cardiac valve data measuring method and device | |
CA2989159C (en) | System and method for navigation to a target anatomical object in medical imaging-based procedures | |
EP3608870A1 (en) | Computer assisted identification of appropriate anatomical structure for medical device placement during a surgical procedure | |
US11869670B2 (en) | Systems and methods for automated segmentation of patient specific anatomies for pathology specific measurements | |
KR20160091322A (ko) | 뼈 재건 및 정형외과용 임플란트 | |
CN108618749B (zh) | 基于便携式数字化眼底照相机的视网膜血管三维重建方法 | |
CN112106070A (zh) | 用于神经网络训练的超声成像数据集获取及相关装置、系统和方法 | |
US9730609B2 (en) | Method and system for aortic valve calcification evaluation | |
CN109077801A (zh) | 多源信息引导激光消融的诊疗方法及系统 | |
CN110327016A (zh) | 基于光学影像与光学治疗的智能型微创诊疗一体化系统 | |
CN111553887B (zh) | 桥血管评价信息获取方法及装置 | |
CN113538533B (zh) | 一种脊柱配准方法、装置、设备及计算机存储介质 | |
CN112105300A (zh) | 用于神经网络的超声成像平面对准指导及相关装置、系统和方法 | |
CN114831729A (zh) | 超声心动图和ct多模态图像融合的左心耳封堵模拟系统 | |
CN114678105B (zh) | 一种结合人工智能技术自动计算球囊参数的方法 | |
CN116570370B (zh) | 一种脊柱针刀穿刺导航系统 | |
Fidvi et al. | Advanced 3D visualization and 3D printing in radiology | |
CN116958067A (zh) | 一种骨结构目标减压区域确定方法、骨结构减压路径自动规划方法、电子设备及存储介质 | |
CN108670362B (zh) | 利用数字化空间重构及3d打印技术制备的切取导板 | |
JP2013543415A (ja) | 医療手順の間の拡張可能部材の制御された膨張 | |
CN114283179A (zh) | 基于超声图像的骨折远近端空间位姿实时获取与配准系统 | |
CN117414200B (zh) | 一种用于心脏外科瓣膜修复手术术前演练的系统及方法 | |
Maragkos et al. | Segmentation and Measurement of Ventricular and Cranial Vault Volumes in 15 223 Subjects Using Artificial Intelligence | |
John et al. | Prognostic Value of Admission Parameters in a Machine Learning Predictive Model in Patients With Severe Traumatic Brain Injury and Acute Subdural Hematomas | |
KR20240081405A (ko) | Ar 기반 오목가슴 교정 보조기를 구비한 수술 유도 시스템 |
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 |