CN115068171A - 设计与评估瓣膜的方法和装置 - Google Patents
设计与评估瓣膜的方法和装置 Download PDFInfo
- Publication number
- CN115068171A CN115068171A CN202210666760.0A CN202210666760A CN115068171A CN 115068171 A CN115068171 A CN 115068171A CN 202210666760 A CN202210666760 A CN 202210666760A CN 115068171 A CN115068171 A CN 115068171A
- Authority
- CN
- China
- Prior art keywords
- valve
- aortic
- parameters
- left ventricular
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 210000001765 aortic valve Anatomy 0.000 claims abstract description 97
- 238000012549 training Methods 0.000 claims abstract description 93
- 230000002861 ventricular Effects 0.000 claims abstract description 81
- 238000002513 implantation Methods 0.000 claims abstract description 46
- 238000004088 simulation Methods 0.000 claims abstract description 42
- 230000017531 blood circulation Effects 0.000 claims abstract description 33
- 238000013461 design Methods 0.000 claims abstract description 30
- 210000004351 coronary vessel Anatomy 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims description 37
- 239000008280 blood Substances 0.000 claims description 18
- 210000004369 blood Anatomy 0.000 claims description 18
- 210000000709 aorta Anatomy 0.000 claims description 15
- 230000036772 blood pressure Effects 0.000 claims description 5
- 208000032843 Hemorrhage Diseases 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 206010053649 Vascular rupture Diseases 0.000 claims description 3
- 210000004204 blood vessel Anatomy 0.000 claims description 3
- 230000001684 chronic effect Effects 0.000 claims description 3
- 238000010992 reflux Methods 0.000 claims description 3
- 206010011086 Coronary artery occlusion Diseases 0.000 claims description 2
- 238000001356 surgical procedure Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 5
- 210000005240 left ventricle Anatomy 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002526 effect on cardiovascular system Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 208000027896 Aortic valve disease Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 208000034158 bleeding Diseases 0.000 description 2
- 230000000740 bleeding effect Effects 0.000 description 2
- 230000005489 elastic deformation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000003017 Aortic Valve Stenosis Diseases 0.000 description 1
- 206010002915 Aortic valve incompetence Diseases 0.000 description 1
- 206010008479 Chest Pain Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 206010002906 aortic stenosis Diseases 0.000 description 1
- 201000002064 aortic valve insufficiency Diseases 0.000 description 1
- 210000005242 cardiac chamber Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000003709 heart valve Anatomy 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 239000007943 implant Substances 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
- 230000004796 pathophysiological change Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
- A61F2/02—Prostheses implantable into the body
- A61F2/24—Heart valves ; Vascular valves, e.g. venous valves; Heart implants, e.g. passive devices for improving the function of the native valve or the heart muscle; Transmyocardial revascularisation [TMR] devices; Valves implantable in the body
- A61F2/2472—Devices for testing
Landscapes
- Health & Medical Sciences (AREA)
- Cardiology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Transplantation (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Vascular Medicine (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种设计与评估瓣膜的方法和装置，该方法包括：获取患者冠脉CTA图像序列，并基于CTA图像序列构建主动脉根部、主动脉瓣和左心室流出道的物理模型；确定不同的人工瓣膜物理模型、血流相关参数、以及人工瓣膜的释放位置；基于物理模型以及血流相关参数，利用预先基于采集的真实CTA图像序列训练得到的瓣膜置换模型依次模拟将各人工瓣膜物理模型放置到释放位置的过程，得到对应的模拟结果；根据模拟结果确定瓣膜植入风险指数；根据瓣膜植入风险指数选择人工瓣膜的设计参数。利用本发明方案，可以便高效、快速、准确地得到个体化的人工瓣膜数据，为临床经导管主动脉瓣置换手术提供有效参考，也为新型号瓣膜的设计提供有效参考。
Description
技术领域
本发明涉及医疗技术领域，具体涉及一种设计与评估瓣膜的方法和装置。
背景技术
主动脉瓣是主动脉起始部与左心室连接的地方的一个瓣膜结构，其由3个半月瓣组成，抑制射入主动脉的血流回流入左心室。因为处于中心位置，主动脉瓣与各个心腔和瓣膜关系密切。主动脉瓣可以因为各种病因导致其狭窄(主动脉瓣狭窄)、关闭不全(主动脉瓣关闭不全)等，从而出现一系列病理生理改变。目前，对于无法进行传统外科手术的、有胸痛等症状的主动脉瓣疾病患者，通常会采用TAVR(Transcatheter Aortic ValveReplacement,经导管主动脉瓣置换术)的治疗手段，将携带人工瓣膜的导管从主动脉进入左心室后，将人工瓣膜输送到原生主动脉瓣的位置进行释放。
CT(Computed Tomography，电子计算机断层扫描)影像是TAVR术前选择人工瓣膜时采用的影像评估标准，它可以为瓣膜选择、手术入路提供参考依据。因此，业界出现了相关的计算机软件，帮助医生在CT影像上做解剖结构，但这类软件有以下缺点：
1、测量内容只有主动脉根部的解剖参数，没有血液返流、人工瓣膜对主动脉的压力等功能性的参数测量，会导致评估不够全面，只有比较有经验的医生可以不借助功能性参数来评估手术中血液严重返流、冠脉被堵塞，以及人工瓣膜对血管壁压力过大导致血管壁破裂、出血等问题；
2、手动测量会导致不同的医生之间，测量出的结果有差异。
发明内容
本发明提供一种设计与评估瓣膜的方法和装置，以便高效、快速、准确地得到个体化的人工瓣膜数据，为临床人工瓣膜型号选择、人工瓣膜设计和临床经导管主动脉瓣置换手术提供有效参考。
为此，本发明提供如下技术方案：
一方面，本发明提供一种设计与评估瓣膜的方法，所述方法包括：
获取患者冠脉CTA图像序列，并基于所述CTA图像序列构建主动脉根部、主动脉瓣和左心室流出道的物理模型；
确定不同的人工瓣膜物理模型；
获取所述患者的血流相关参数；
确定人工瓣膜的释放位置；
基于所述主动脉根部、主动脉瓣和左心室流出道的物理模型、以及所述血流相关参数，利用预先基于采集的真实CTA图像序列训练得到的用于模拟人工瓣膜在主动脉根部释放过程的瓣膜置换模型，依次模拟将各人工瓣膜物理模型放置到所述释放位置的过程，得到对应各人工瓣膜物理模型的模拟结果；
根据所述模拟结果，确定各人工瓣膜物理模型的瓣膜植入风险指数；
根据所述瓣膜植入风险指数选择人工瓣膜的设计参数。
可选地，基于采集的真实CTA图像序列训练得到用于模拟人工瓣膜在主动脉根部释放过程的瓣膜置换模型包括：
采集真实CTA图像序列及对应的血流相关参数；
基于采集的真实CTA图像序列，构建主动脉根部、主动脉瓣和左心室流出道的物理模型，并构建人工瓣膜的物理模型；
根据所述主动脉根部、主动脉瓣和左心室流出道的物理模型、以及人工瓣膜的物理模型、所述血流相关参数，得到训练数据集及对应的偏微分方程参数；
利用所述训练数据集及对应的偏微分方程参数，训练得到用于模拟人工瓣膜在主动脉根部释放过程的瓣膜置换模型。
可选地，所述基于采集的真实CTA图像序列数据，构建主动脉根部、主动脉瓣和左心室流出道的物理模型包括：
基于采集的真实CTA图像序列，训练得到主动脉根部、主动脉瓣和左心室流出道的分割模型；
利用所述主动脉根部血管、主动脉瓣和左心室流出道的分割模型，构建主动脉根部三维图像；
确定所述主动脉根部三维图像中主动脉根部血管、主动脉瓣和左心室流出道的生物力学参数，生成主动脉根部、主动脉瓣和左心室流出道的物理模型。
可选地，所述基于采集的真实CTA图像序列，训练得到主动脉根部、主动脉瓣和左心室流出道的分割模型包括：
对所述真实CTA图像序列进行主动脉根部、主动脉瓣和左心室流出道分割，得到训练数据集及对应的掩模；
利用所述训练数据集及对应的掩模训练得到主动脉根部、主动脉瓣和左心室流出道的分割模型。
可选地，所述利用所述训练数据集及对应的掩模训练得到主动脉根部、主动脉瓣和左心室流出道的分割模型包括：
利用所述训练数据集及对应的掩模，采用U-net网络、或者全卷积网络进行深度学习训练得到主动脉根部、主动脉瓣和左心室流出道的分割模型；或者
利用所述训练数据集及对应的掩模，采用阈值分割法、或者区域生长法训练得到主动脉根部、主动脉瓣和左心室流出道的分割模型。
可选地，所述生物力学参数包括以下任意一种或多种：杨氏模量、泊松比、血管破裂强度。
可选地，所述确定不同的人工瓣膜物理模型包括：选取人工瓣膜的不同物理参数，得到多个不同的人工瓣膜物理模型。
可选地，所述物理参数包括：尺寸参数和力学参数；所述尺寸参数包括以下任意一种或多种：植入短缩率、人工瓣膜完全展开时的瓣架高度、裙边高度、流入部位的最大直径、流出部位的最大直径、腰部最小直径；所述力学参数包括以下任意一种或多种：径向阻力、慢性向外力。
可选地，所述血流相关参数包括以下任意一项或多项：心率、每搏血液输出量、血压、血液粘稠度。
可选地，所述根据所述模拟结果，确定各人工瓣膜物理模型的瓣膜植入风险指数包括：
根据所述模拟结果，计算对应各人工瓣膜物理模型的生理功能性参数；
根据所述生理功能性参数确定各人工瓣膜物理模型的瓣膜植入风险指数。
可选地，所述生理功能性参数包括以下任意一项或多项：主动脉根撕裂风险指数、主动脉根出血风险指数、冠脉堵塞风险指数、瓣膜脱落风险指数、血液返流百分比。
可选地，所述根据所述风险指数选择人工瓣膜的设计参数包括：选择风险指数最小的人工瓣膜物理模型的参数作为设计参数。
可选地，所述方法还包括：
根据所述人工瓣膜的不同物理参数，生成对应的人工瓣膜的三维图像；
根据所述患者冠脉CTA图像序列，生成主动脉根部、主动脉瓣和左心室流出道的三维图像；
基于所述主动脉根部、主动脉瓣和左心室流出道的三维图像、以及所述人工瓣膜的三维图像，重建人工瓣膜植入过程的三维图像；
根据所述模拟结果和所述患者冠脉CTA图像序列，模拟出人工瓣膜植入的DSA图像。
另一方面，本发明还提供一种设计与评估瓣膜的装置，所述装置包括：
第一模型建立模块，用于获取患者冠脉CTA图像序列，并基于所述CTA图像序列构建主动脉根部、主动脉瓣和左心室流出道的物理模型；
第二模型建立模块，用于确定不同的人工瓣膜物理模型；
参数获取模块，用于获取所述患者的血流相关参数；
释放位置确定模块，用于确定人工瓣膜的释放位置；
释放过程模拟模块，用于基于所述主动脉根部、主动脉瓣和左心室流出道的物理模型、以及所述血流相关参数，利用预先基于采集的真实CTA图像序列训练得到的用于模拟人工瓣膜在主动脉根部释放过程的瓣膜置换模型，依次模拟将各人工瓣膜物理模型放置到所述释放位置的过程，得到对应各人工瓣膜物理模型的模拟结果；
风险指数计算模块，用于根据所述模拟结果，确定各人工瓣膜物理模型的瓣膜植入风险指数；
设计参数选择模块，用于根据所述瓣膜植入风险指数选择人工瓣膜的设计参数。
可选地，所述装置还包括：瓣膜置换模型训练模块，所述瓣膜置换模型训练模块包括：
数据采集单元，用于采集真实CTA图像序列及对应的血流相关参数；
物理模型建立单元，用于基于所述数据采集单元采集的真实CTA图像序列，构建主动脉根部、主动脉瓣和左心室流出道的物理模型，并构建人工瓣膜的物理模型；
训练数据生成单元，用于根据所述主动脉根部、主动脉瓣和左心室流出道的物理模型、以及人工瓣膜的物理模型、所述血流相关参数，得到训练数据集及对应的偏微分方程参数；
训练单元，用于利用所述训练数据集及对应的偏微分方程参数，训练得到用于模拟人工瓣膜在主动脉根部释放过程的瓣膜置换模型。
可选地，所述物理模型建立单元包括：
分割子单元，用于对所述真实CTA图像序列进行主动脉根部、主动脉瓣和左心室流出道分割，得到训练数据集及对应的掩模；
分割模型训练子单元，用于利用所述训练数据集及对应的掩模训练得到主动脉根部、主动脉瓣和左心室流出道的分割模型。
可选地，所述装置还包括：DSA图像生成模块；
所述第二模型建立模块，还用于根据所述人工瓣膜的不同物理参数，生成对应的人工瓣膜的三维图像；
所述第一模型建立模块，还用于根据所述患者冠脉CTA图像序列，生成主动脉根部、主动脉瓣和左心室流出道的三维图像；
所述释放过程模拟模块，还用于基于所述主动脉根部、主动脉瓣和左心室流出道的三维图像、以及所述人工瓣膜的三维图像，重建人工瓣膜植入过程的三维图像；
所述DSA图像生成模块，用于根据所述模拟结果和所述患者冠脉CTA图像序列，模拟出人工瓣膜植入的DSA图像。
本发明提供的设计与评估瓣膜的方法和装置，预先基于采集的真实CTA图像序列训练得到用于模拟人工瓣膜在主动脉根部释放过程的瓣膜置换模型。在对需要进行经导管主动脉瓣膜植换手术的患者选择人工瓣膜时，基于患者的冠脉CTA图像序列构建主动脉根部、主动脉瓣和左心室流出道的物理模型，利用所述瓣膜置换模型模拟将人工瓣膜物理模型放置到确定的释放位置的过程，得到对应各种不同人工瓣膜物理模型的模拟结果，进而确定各人工瓣膜物理模型的瓣膜植入风险指数，根据瓣膜植入风险指数选择人工瓣膜的设计参数，指导人工瓣膜的开发和TAVR手术中人工瓣膜型号的选择，从而可以高效、快速、准确地得到个体化的人工瓣膜数据，为临床人工瓣膜型号选择、人工瓣膜设计和临床经导管主动脉瓣置换手术提供有效参考。利用本发明方案，可以模拟市面上未有的人工瓣膜尺寸，根据患者自身的心血管情况，个性化地调整人工瓣膜不同部位的尺寸，从而使人工瓣膜与患者自身状况能够更好地相适应。
进一步地，本发明方案基于CTA图像模拟出主动脉根部的DSA(Digitalsubtraction angiography，数字减影血管造影)图像，并且可模拟DSA图像上的人工瓣膜植入情况，更贴近TAVR手术中医生看到的真实图像，从而可以帮助医生更全面地评估手术。
附图说明
图1是本发明方法中训练得到瓣膜置换模型的流程图；
图2是本发明方法中构建主动脉根部、主动脉瓣和左心室流出道的物理模型的流程图；
图3是本发明设计与评估瓣膜的方法实施例的一种流程图；
图4是本发明设计与评估瓣膜的装置的一种结构示意图；
图5是本发明设计与评估瓣膜的装置中瓣膜置换模型训练模块的一种结构示意图；
图6是本发明设计与评估瓣膜的装置的另一种结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案，下面结合附图和实施方式对本发明实施例作进一步的详细说明。
针对现有的主动脉瓣疾病患者采用TAVR的治疗手段时，术前需要选择人工瓣膜、而且不同的个体人工瓣膜数据有不同的需求等问题，本发明提供一种设计与评估瓣膜的方法和装置，基于CTA(CT angiography，CT血管造影)图像，重建主动脉根部的三维模型和物理模型，根据主动脉根部和人工瓣膜的模型、人工瓣膜释放位置等，利用预先建立的瓣膜置换模型人工瓣膜在主动脉根部的释放过程，根据模拟结果计算相关功能性参数，帮助选择人工瓣膜参数，指导人工瓣膜的开发和TAVR手术中人工瓣膜型号的选择。
本发明实施例中，人工瓣膜在主动脉根部释放过程的模拟是利用预先建立的瓣膜置换模型进行的，所述瓣膜置换模型基于采集的真实CTA图像序列训练得到。
所述瓣膜置换模型可以采用深度学习模型，下面首先对瓣膜置换模型的训练过程进行详细说明。
如图1所示，是本发明方法中训练得到瓣膜置换模型的流程图，包括以下步骤：
在步骤101，采集真实CTA图像序列及对应的血流相关参数。
CTA是将CT增强技术与薄层、大范围、快速扫描技术相结合，通过合理的后处理，清晰显示全身各部位血管细节。所述真实CTA图像序列是指大量进行过主动脉瓣膜置换患者的CTA图像序列。
需要说明的是，所述真实CTA图像序列包括患者术前与术后的CTA图像序列。
其中，所述血流相关参数是对相应患者在进行经导管主动脉瓣膜置换手术前检测并记录的血流数据，具体可以包括但不限于以下任意一项或多项：心率、每搏血液输出量、血压、血液粘稠度等。
在步骤102，基于采集的真实CTA图像序列，构建主动脉根部、主动脉瓣和左心室流出道的物理模型，并构建对应的人工瓣膜的物理模型。
其中，构建主动脉根部、主动脉瓣和左心室流出道的物理模型的流程如图2所示，包括以下步骤：
步骤201，基于采集的真实CTA图像序列，训练得到主动脉根部、主动脉瓣和左心室流出道的分割模型。
首先，对所述真实CTA图像序列进行主动脉根部、主动脉瓣和左心室流出道分割，得到用于训练所述分割模型的训练数据集及对应的掩模；用于训练所述分割模型的训练数据集包括：收集到的已有病例的原始CTA图像、以及在这些图像上分割后的图像。
然后，利用所述训练数据集及对应的掩模训练得到主动脉根部、主动脉瓣和左心室流出道的分割模型。比如，可以采用U-net网络、或者全卷积网络等，进行深度学习训练得到主动脉根部、主动脉瓣和左心室流出道的分割模型。当然，也可以采用传统的算法，比如阈值分割法、或者区域生长法等训练得到主动脉根部、主动脉瓣和左心室流出道的分割模型，对此本发明实施例不做限定。
步骤202，利用所述主动脉根部血管、主动脉瓣和左心室流出道的分割模型，构建主动脉根部三维图像。
步骤203，确定所述主动脉根部三维图像中主动脉根部血管、主动脉瓣和左心室流出道的生物力学参数，生成主动脉根部、主动脉瓣和左心室流出道的物理模型。
所述生物力学参数可以包括但不限于以下任意一种或多种：杨氏模量、泊松比、血管破裂强度等。
其中，人工瓣膜的物理模型可以根据相应患者实际采用的人工瓣膜的物理参数来生成，所述物理参数可以包括：尺寸参数和力学参数。其中，所述尺寸参数包括但不限于以下任意一种或多种：植入短缩率、人工瓣膜完全展开时的瓣架高度、裙边高度、流入部位的最大直径、流出部位的最大直径、腰部最小直径等；所述力学参数可以包括但不限于以下任意一种或多种：径向阻力、慢性向外力等。
继续参照图1，在步骤103，根据所述主动脉根部、主动脉瓣和左心室流出道的物理模型、以及人工瓣膜的物理模型、所述血流相关参数，得到用于训练瓣膜置换模型的训练数据集及对应的偏微分方程参数。用于训练瓣膜置换模型的训练数据集包括：基于收集到的已有病例的术前与术后的主动脉根部、主动脉瓣和左心室流出道的物理模型、血流的物理模型，患者手术中实际使用的人工瓣膜的物理模型(物理模型中包含物体的形状和各种物理属性参数值)、以及手术后人工瓣膜的实际形态。
所用偏微分方程包括但不限于：弹性形变的偏微分方程和流体力学的偏微分方程。
所需计算的弹性形变偏微分方程为：
其中，i表示三维空间中x、y、z轴中的某一轴的方向，t表示t时刻，Fit是t时刻i方向上物体受到的弹力，
是所需计算的偏微分方程参数，
是由时刻点t，在t时刻i方向上的血流力学分量(即为下面的fit)，主动脉根部、主动脉瓣、左心室流出道的直径等解剖参数、杨氏模量、泊松比等物理量，人工瓣膜的尺寸和力学参数，以及上述参数的倒数、参数的平方、参数之间的乘积等组成的向量。
所需计算的流体力学偏微分方程为：
其中，fit是在t时刻i方向上血液从左心室泵出所产生的力，
是所需计算的流体力学偏微分方程参数，
是由时刻点t，患者的心率、每搏血液输出量、血压、血液粘稠度、血液密度等血流参数，主动脉根部、主动脉瓣、左心室流出道的直径等解剖参数、杨氏模量、泊松比等物理量，人工瓣膜的尺寸和力学参数，以及上述参数的倒数、参数的平方、参数之间的乘积等组成的向量。
在步骤104，利用所述训练数据集及对应的偏微分方程参数，训练得到用于模拟人工瓣膜在主动脉根部释放过程的瓣膜置换模型。
具体地，可以采用传统物理模拟算法，比如有限元分析、有限体积分析算法等，或者采用深度学习算法，比如傅里叶神经算子法等，训练得到所述瓣膜置换模型。相应算法的具体训练过程可参照现有技术，对此不再赘述。
在对需要进行经导管主动脉瓣膜植换手术的患者选择人工瓣膜时，利用上述瓣膜置换模型模拟将人工瓣膜物理模型放置到确定的释放位置的过程，然后根据模拟结果选择适合该患者的人工瓣膜的设计参数。
如图3所示，是本发明设计与评估瓣膜的方法实施例的一种流程图，包括以下步骤：
步骤301，获取患者冠脉CTA图像序列，并基于所述CTA图像序列构建主动脉根部、主动脉瓣和左心室流出道的物理模型。
主动脉根部、主动脉瓣和左心室流出道的物理模型的构建过程与前面瓣膜置换模型训练过程中相应模型的建立方式相同，具体可参照前面图2所示流程中的描述，在此不再赘述。
步骤302，确定不同的人工瓣膜物理模型。
由于不同的患者的各项生理参数等各不相同，因此对应不同患者的人工瓣膜就需要特定化设计，使其更好地符合患者的相应生理参数，进而更好地保证人工瓣膜植入后的效果，减少由于人工瓣膜设计参数不合适给患者带来的各种风险。
为此，在本发明实施例中，可以设计多种不同物理参数的人工瓣膜，所述物理参数可以包括：尺寸参数和力学参数。其中，所述尺寸参数和力学参数可以参照前面的描述，在此不再赘述。
在具体应用中，比如可以在现有人工瓣膜产品的基础上，对其中的部分或全部参数进行调整，得到多种不同的物理参数，进而根据这些物理参数构建相应的人工瓣膜物理模型。
步骤303，获取所述患者的血流相关参数。
如同前面所述，血流相关参数可以包括但不限于以下任意一项或多项：心率、每搏血液输出量、血压、血液粘稠度等。
需要说明的是，上述步骤301至步骤303的顺序不分先后，可以并列进行。
步骤304，确定人工瓣膜的释放位置。
人工瓣膜的释放位置可以根据患者的患者冠脉CTA图像中主动脉根部、主动脉瓣和左心室流出道的位置来确定。
步骤305，基于所述主动脉根部、主动脉瓣和左心室流出道的物理模型、以及所述血流相关参数，利用所述瓣膜置换模型依次模拟将各人工瓣膜物理模型放置到所述释放位置的过程，得到对应各人工瓣膜物理模型的模拟结果。
所述模拟结果即为人工瓣膜释放后，人工瓣膜、主动脉根部、主动脉瓣、左心室流出道在最终稳定时的形态、受力情况等物理状态。
步骤306，根据所述模拟结果，确定各人工瓣膜物理模型的瓣膜植入风险指数。
具体地，可以根据所述模拟结果，计算对应各人工瓣膜物理模型的生理功能性参数，其中，所述生理功能性参数可以包括但不限于以下任意一项或多项：主动脉根撕裂风险指数、主动脉根出血风险指数、冠脉堵塞风险指数、瓣膜脱落风险指数、血液返流百分比等。然后，可以综合所述生理功能性参数确定各人工瓣膜物理模型的瓣膜植入风险指数，比如对各项生理功能性参数进行加权计算，得到对应各人工瓣膜物理模型的瓣膜植入风险指数。
步骤307，根据所述瓣膜植入风险指数选择人工瓣膜的设计参数。
针对多个不同的人工瓣膜物理模型，选择风险指数最小的人工瓣膜物理模型的参数作为设计参数。这样，可以根据选择的设计参数为该患者设计并制作个性化的人工瓣膜。
本发明提供的设计与评估瓣膜的方法，在对需要进行经导管主动脉瓣膜植换手术的患者选择人工瓣膜时，利用预先基于采集的真实CTA图像序列训练得到的瓣膜置换模型对多种不同设计参数的人工瓣膜进行植入模拟，并根据模拟结果确定各人工瓣膜物理模型的瓣膜植入风险指数，根据瓣膜植入风险指数选择人工瓣膜的设计参数，指导人工瓣膜的开发和TAVR手术中人工瓣膜型号的选择，从而可以高效、快速、准确地得到个体化的人工瓣膜数据，为临床人工瓣膜型号选择、人工瓣膜设计和临床经导管主动脉瓣置换手术提供有效参考。利用本发明方案，可以模拟市面上未有的人工瓣膜尺寸，根据患者自身的心血管情况，个性化地调整人工瓣膜不同部位的尺寸，从而使人工瓣膜与患者自身状况能够更好地相适应。
进一步地，在本发明设计与评估瓣膜的方法的另一种实施例中，还可以包括以下部分或全部步骤：
(1)根据所述人工瓣膜的不同物理参数，生成对应的人工瓣膜的三维图像；
(2)根据所述患者冠脉CTA图像序列，生成主动脉根部、主动脉瓣和左心室流出道的三维图像；
(3)基于所述主动脉根部、主动脉瓣和左心室流出道的三维图像、以及所述人工瓣膜的三维图像，重建人工瓣膜植入过程的三维图像；
(4)根据所述模拟结果和所述患者冠脉CTA图像序列，模拟出人工瓣膜植入的DSA图像。
具体地，首先采用冠脉CTA图像序列模拟出冠脉的DSA造影；然后根据模拟结果中人工瓣膜最终的形态和位置，在模拟出的冠脉的DSA造影上绘制出人工瓣膜，得到模拟人工瓣膜植入的DSA图像。
利用上述各种三维图像，可以基于CTA图像模拟出主动脉根部的DSA图像，并且可模拟DSA图像上的人工瓣膜植入情况，更贴近TAVR手术中医生看到的真实图像，从而可以帮助医生更全面地评估手术。
相应地，本发明还提供一种设计与评估瓣膜的装置，如图4所示，是本发明设计与评估瓣膜的装置的一种结构示意图。
在该实施例中，所述设计与评估瓣膜的装置400包括以下各模块：
第一模型建立模块401，用于获取患者冠脉CTA图像序列，并基于所述CTA图像序列构建主动脉根部、主动脉瓣和左心室流出道的物理模型；
第二模型建立模块402，用于确定不同的人工瓣膜物理模型；
参数获取模块403，用于获取所述患者的血流相关参数；
释放位置确定模块404，用于确定人工瓣膜的释放位置；
释放过程模拟模块405，用于基于所述主动脉根部、主动脉瓣和左心室流出道的物理模型、以及所述血流相关参数，利用预先基于采集的真实CTA图像序列训练得到的用于模拟人工瓣膜在主动脉根部释放过程的瓣膜置换模型，依次模拟将各人工瓣膜物理模型放置到所述释放位置的过程，得到对应各人工瓣膜物理模型的模拟结果；
风险指数计算模块406，用于根据所述模拟结果，确定各人工瓣膜物理模型的瓣膜植入风险指数；
设计参数选择模块407，用于根据所述瓣膜植入风险指数选择人工瓣膜的设计参数。
需要说明的是，所述瓣膜置换模型可以由相应的瓣膜置换模型训练模块基于采集的真实CTA图像序列训练得到，所述瓣膜置换模型训练模块可以作为本发明设计与评估瓣膜的装置的一部分，也可以独立于该装置，对此本发明实施例不做限定。
如图5所示，是本发明设计与评估瓣膜的装置中瓣膜置换模型训练模块的一种结构示意图。
该瓣膜置换模型训练模块500包括以下各单元：
数据采集单元501，用于采集真实CTA图像序列及对应的血流相关参数；
物理模型建立单元502，用于基于所述数据采集单元采集的真实CTA图像序列，构建主动脉根部、主动脉瓣和左心室流出道的物理模型，并构建人工瓣膜的物理模型；
训练数据生成单元503，用于根据所述主动脉根部、主动脉瓣和左心室流出道的物理模型、以及人工瓣膜的物理模型、所述血流相关参数，得到训练数据集及对应的偏微分方程参数；
训练单元504，用于利用所述训练数据集及对应的偏微分方程参数，训练得到用于模拟人工瓣膜在主动脉根部释放过程的瓣膜置换模型。
其中，所述物理模型建立单元502具体可以包括以下各子单元：
分割子单元，用于对所述真实CTA图像序列进行主动脉根部、主动脉瓣和左心室流出道分割，得到训练数据集及对应的掩模；
分割模型训练子单元，用于利用所述训练数据集及对应的掩模训练得到主动脉根部、主动脉瓣和左心室流出道的分割模型。
上述各模块、单元、以及子单元的具体实现方式可
关于上述设计与评估瓣膜的装置的工作原理、工作方式的更多内容，可以参照前面设计与评估瓣膜的方法实施例中的相关描述，在此不再赘述。
本发明提供的设计与评估瓣膜的装置，在对需要进行经导管主动脉瓣膜植换手术的患者选择人工瓣膜时，利用预先基于采集的真实CTA图像序列训练得到的瓣膜置换模型对多种不同设计参数的人工瓣膜进行植入模拟，并根据模拟结果确定各人工瓣膜物理模型的瓣膜植入风险指数，根据瓣膜植入风险指数选择人工瓣膜的设计参数，指导人工瓣膜的开发和TAVR手术中人工瓣膜型号的选择，从而可以高效、快速、准确地得到个体化的人工瓣膜数据，为临床人工瓣膜型号选择、人工瓣膜设计和临床经导管主动脉瓣置换手术提供有效参考。利用本发明方案，可以模拟市面上未有的人工瓣膜尺寸，根据患者自身的心血管情况，个性化地调整人工瓣膜不同部位的尺寸，从而使人工瓣膜与患者自身状况能够更好地相适应。
进一步地，如图6所示，在本发明设计与评估瓣膜的装置的另一种实施例中，还可以包括：DSA图像生成模块601。
与图4所示实施例不同的是，在该实施例中，所述设计与评估瓣膜的装置400中，
所述第二模型建立模块402还用于根据所述人工瓣膜的不同物理参数，生成对应的人工瓣膜的三维图像；
所述第一模型建立模块401还用于根据所述患者冠脉CTA图像序列，生成主动脉根部、主动脉瓣和左心室流出道的三维图像；
所述释放过程模拟模块405还用于基于所述主动脉根部、主动脉瓣和左心室流出道的三维图像、以及所述人工瓣膜的三维图像，重建人工瓣膜植入过程的三维图像；
所述DSA图像生成模块601用于根据所述模拟结果和所述患者冠脉CTA图像序列，模拟出人工瓣膜植入的DSA图像。
利用上述各种三维图像，可以基于CTA图像模拟出主动脉根部的DSA图像，并且可模拟DSA图像上的人工瓣膜植入情况，更贴近TAVR手术中医生看到的真实图像，从而可以帮助医生更全面地评估手术。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
关于上述实施例中描述的各个装置、产品包含的各个模块/单元，其可以是软件模块/单元，也可以是硬件模块/单元，或者也可以部分是软件模块/单元，部分是硬件模块/单元。
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。而且，以上所描述的系统实施例仅仅是示意性的，其中作为分离部件说明的模块和单元可以是或者也可以不是物理上分开的，即可以位于一个网络单元上，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上对本发明实施例进行了详细介绍，本文中应用了具体实施方式对本发明进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及装置，其仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围，本说明书内容不应理解为对本发明的限制。因此，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (17)
1.一种设计与评估瓣膜的方法，其特征在于，所述方法包括：
获取患者冠脉CTA图像序列，并基于所述CTA图像序列构建主动脉根部、主动脉瓣和左心室流出道的物理模型；
确定不同的人工瓣膜物理模型；
获取所述患者的血流相关参数；
确定人工瓣膜的释放位置；
基于所述主动脉根部、主动脉瓣和左心室流出道的物理模型、以及所述血流相关参数，利用预先基于采集的真实CTA图像序列训练得到的用于模拟人工瓣膜在主动脉根部释放过程的瓣膜置换模型，依次模拟将各人工瓣膜物理模型放置到所述释放位置的过程，得到对应各人工瓣膜物理模型的模拟结果；
根据所述模拟结果，确定各人工瓣膜物理模型的瓣膜植入风险指数；
根据所述瓣膜植入风险指数选择人工瓣膜的设计参数。
2.根据权利要求1所述的方法，其特征在于，基于采集的真实CTA图像序列训练得到用于模拟人工瓣膜在主动脉根部释放过程的瓣膜置换模型包括：
采集真实CTA图像序列及对应的血流相关参数；
基于采集的真实CTA图像序列，构建主动脉根部、主动脉瓣和左心室流出道的物理模型，并构建人工瓣膜的物理模型；
根据所述主动脉根部、主动脉瓣和左心室流出道的物理模型、以及人工瓣膜的物理模型、所述血流相关参数，得到训练数据集及对应的偏微分方程参数；
利用所述训练数据集及对应的偏微分方程参数，训练得到用于模拟人工瓣膜在主动脉根部释放过程的瓣膜置换模型。
3.根据权利要求2所述的方法，其特征在于，所述基于采集的真实CTA图像序列数据，构建主动脉根部、主动脉瓣和左心室流出道的物理模型包括：
基于采集的真实CTA图像序列，训练得到主动脉根部、主动脉瓣和左心室流出道的分割模型；
利用所述主动脉根部血管、主动脉瓣和左心室流出道的分割模型，构建主动脉根部三维图像；
确定所述主动脉根部三维图像中主动脉根部血管、主动脉瓣和左心室流出道的生物力学参数，生成主动脉根部、主动脉瓣和左心室流出道的物理模型。
4.根据权利要求3所述的方法，其特征在于，所述基于采集的真实CTA图像序列，训练得到主动脉根部、主动脉瓣和左心室流出道的分割模型包括：
对所述真实CTA图像序列进行主动脉根部、主动脉瓣和左心室流出道分割，得到训练数据集及对应的掩模；
利用所述训练数据集及对应的掩模训练得到主动脉根部、主动脉瓣和左心室流出道的分割模型。
5.根据权利要求4所述的方法，其特征在于，所述利用所述训练数据集及对应的掩模训练得到主动脉根部、主动脉瓣和左心室流出道的分割模型包括：
利用所述训练数据集及对应的掩模，采用U-net网络、或者全卷积网络进行深度学习训练得到主动脉根部、主动脉瓣和左心室流出道的分割模型；或者
利用所述训练数据集及对应的掩模，采用阈值分割法、或者区域生长法训练得到主动脉根部、主动脉瓣和左心室流出道的分割模型。
6.根据权利要求3所述的方法，其特征在于，所述生物力学参数包括以下任意一种或多种：杨氏模量、泊松比、血管破裂强度。
7.根据权利要求1所述的方法，其特征在于，所述确定不同的人工瓣膜物理模型包括：
选取人工瓣膜的不同物理参数，得到多个不同的人工瓣膜物理模型。
8.根据权利要求7所述的方法，其特征在于，所述物理参数包括：尺寸参数和力学参数；
所述尺寸参数包括以下任意一种或多种：植入短缩率、人工瓣膜完全展开时的瓣架高度、裙边高度、流入部位的最大直径、流出部位的最大直径、腰部最小直径；
所述力学参数包括以下任意一种或多种：径向阻力、慢性向外力。
9.根据权利要求7所述的方法，其特征在于，所述血流相关参数包括以下任意一项或多项：心率、每搏血液输出量、血压、血液粘稠度。
10.根据权利要求7所述的方法，其特征在于，所述根据所述模拟结果，确定各人工瓣膜物理模型的瓣膜植入风险指数包括：
根据所述模拟结果，计算对应各人工瓣膜物理模型的生理功能性参数；
根据所述生理功能性参数确定各人工瓣膜物理模型的瓣膜植入风险指数。
11.根据权利要求10所述的方法，其特征在于，所述生理功能性参数包括以下任意一项或多项：主动脉根撕裂风险指数、主动脉根出血风险指数、冠脉堵塞风险指数、瓣膜脱落风险指数、血液返流百分比。
12.根据权利要求10所述的方法，其特征在于，所述根据所述风险指数选择人工瓣膜的设计参数包括：
选择风险指数最小的人工瓣膜物理模型的参数作为设计参数。
13.根据权利要求7至12任一项所述的方法，其特征在于，所述方法还包括：
根据所述人工瓣膜的不同物理参数，生成对应的人工瓣膜的三维图像；
根据所述患者冠脉CTA图像序列，生成主动脉根部、主动脉瓣和左心室流出道的三维图像；
基于所述主动脉根部、主动脉瓣和左心室流出道的三维图像、以及所述人工瓣膜的三维图像，重建人工瓣膜植入过程的三维图像；
根据所述模拟结果和所述患者冠脉CTA图像序列，模拟出人工瓣膜植入的DSA图像。
14.一种设计与评估瓣膜的装置，其特征在于，所述装置包括：
第一模型建立模块，用于获取患者冠脉CTA图像序列，并基于所述CTA图像序列构建主动脉根部、主动脉瓣和左心室流出道的物理模型；
第二模型建立模块，用于确定不同的人工瓣膜物理模型；
参数获取模块，用于获取所述患者的血流相关参数；
释放位置确定模块，用于确定人工瓣膜的释放位置；
释放过程模拟模块，用于基于所述主动脉根部、主动脉瓣和左心室流出道的物理模型、以及所述血流相关参数，利用预先基于采集的真实CTA图像序列训练得到的用于模拟人工瓣膜在主动脉根部释放过程的瓣膜置换模型，依次模拟将各人工瓣膜物理模型放置到所述释放位置的过程，得到对应各人工瓣膜物理模型的模拟结果；
风险指数计算模块，用于根据所述模拟结果，确定各人工瓣膜物理模型的瓣膜植入风险指数；
设计参数选择模块，用于根据所述瓣膜植入风险指数选择人工瓣膜的设计参数。
15.根据权利要求14所述的装置，其特征在于，所述装置还包括：瓣膜置换模型训练模块，所述瓣膜置换模型训练模块包括：
数据采集单元，用于采集真实CTA图像序列及对应的血流相关参数；
物理模型建立单元，用于基于所述数据采集单元采集的真实CTA图像序列，构建主动脉根部、主动脉瓣和左心室流出道的物理模型，并构建人工瓣膜的物理模型；
训练数据生成单元，用于根据所述主动脉根部、主动脉瓣和左心室流出道的物理模型、以及人工瓣膜的物理模型、所述血流相关参数，得到训练数据集及对应的偏微分方程参数；
训练单元，用于利用所述训练数据集及对应的偏微分方程参数，训练得到用于模拟人工瓣膜在主动脉根部释放过程的瓣膜置换模型。
16.根据权利要求15所述的装置，其特征在于，所述物理模型建立单元包括：
分割子单元，用于对所述真实CTA图像序列进行主动脉根部、主动脉瓣和左心室流出道分割，得到训练数据集及对应的掩模；
分割模型训练子单元，用于利用所述训练数据集及对应的掩模训练得到主动脉根部、主动脉瓣和左心室流出道的分割模型。
17.根据权利要求14至16任一项所述的装置，其特征在于，所述装置还包括：DSA图像生成模块；
所述第二模型建立模块，还用于根据所述人工瓣膜的不同物理参数，生成对应的人工瓣膜的三维图像；
所述第一模型建立模块，还用于根据所述患者冠脉CTA图像序列，生成主动脉根部、主动脉瓣和左心室流出道的三维图像；
所述释放过程模拟模块，还用于基于所述主动脉根部、主动脉瓣和左心室流出道的三维图像、以及所述人工瓣膜的三维图像，重建人工瓣膜植入过程的三维图像；
所述DSA图像生成模块，用于根据所述模拟结果和所述患者冠脉CTA图像序列，模拟出人工瓣膜植入的DSA图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210666760.0A CN115068171A (zh) | 2022-06-13 | 2022-06-13 | 设计与评估瓣膜的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210666760.0A CN115068171A (zh) | 2022-06-13 | 2022-06-13 | 设计与评估瓣膜的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115068171A true CN115068171A (zh) | 2022-09-20 |
Family
ID=83251638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210666760.0A Pending CN115068171A (zh) | 2022-06-13 | 2022-06-13 | 设计与评估瓣膜的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115068171A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117079080A (zh) * | 2023-10-11 | 2023-11-17 | 青岛美迪康数字工程有限公司 | 冠脉cta智能分割模型的训练优化方法、装置和设备 |
-
2022
- 2022-06-13 CN CN202210666760.0A patent/CN115068171A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117079080A (zh) * | 2023-10-11 | 2023-11-17 | 青岛美迪康数字工程有限公司 | 冠脉cta智能分割模型的训练优化方法、装置和设备 |
| CN117079080B (zh) * | 2023-10-11 | 2024-01-30 | 青岛美迪康数字工程有限公司 | 冠脉cta智能分割模型的训练优化方法、装置和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7483079B2 (ja) | 患者固有の幾何学的形状モデルを変更することによって治療を決定する方法及びシステム | |
| CN105380598B (zh) | 用于针对动脉狭窄的自动治疗规划的方法和系统 | |
| CN105555195B (zh) | 用于从患者特定的解剖数据识别个性化的血管植入物的系统和方法 | |
| CN105580019B (zh) | 为优化诊断性能利用边界条件模型化血流的方法和系统 | |
| CN108511075B (zh) | 一种非侵入式获取血流储备分数的方法和系统 | |
| KR101910233B1 (ko) | 맥관구조를 수치 평가하는 시스템들 및 방법들 | |
| CN105249954B (zh) | 预测支架术后血液动力学指标的方法和系统 | |
| KR102103126B1 (ko) | 환자별 혈류 모델링 방법 및 시스템 | |
| CN102525443B (zh) | 用于基于医学图像数据对心血管循环建模的方法和设备 | |
| CN106650267B (zh) | 计算血流储备分数的系统和设置边界条件的方法 | |
| 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 | |
| Urbina et al. | Realistic aortic phantom to study hemodynamics using MRI and cardiac catheterization in normal and aortic coarctation conditions | |
| JP2014534889A5 (zh) | ||
| CN110782988A (zh) | 颅内动脉瘤虚拟支架诊疗系统及其诊疗方法 | |
| CN113365552A (zh) | 冠状动脉中的血液动力学参数的患者特定的建模 | |
| CN115068171A (zh) | 设计与评估瓣膜的方法和装置 | |
| Ralovich et al. | Hemodynamic assessment of pre-and post-operative aortic coarctation from MRI | |
| CN116864115A (zh) | 一种胸主动脉腔内修复术后的疗效评估方法和系统 | |
| CN110584696B (zh) | 一种血流储备分数评估方法及装置、存储介质 | |
| CN110494923A (zh) | 对经导管主动脉瓣植入术(tavi)引起的对冠状动脉流量和压力的影响的模拟 | |
| Lo | Integration of patient-specific myocardial perfusion in CT-based FFR computations |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhou Yu Inventor after: Wang Minhan Inventor after: Chen Mao Inventor after: Feng Yuan Inventor after: Chen Fei Inventor before: Zhou Yu Inventor before: Wang Minhan |
|
| CB03 | Change of inventor or designer information |