CN115147390A - 基于深度学习的推荐栓塞动脉瘤的弹簧圈的方法及装置 - Google Patents
基于深度学习的推荐栓塞动脉瘤的弹簧圈的方法及装置 Download PDFInfo
- Publication number
- CN115147390A CN115147390A CN202210850380.2A CN202210850380A CN115147390A CN 115147390 A CN115147390 A CN 115147390A CN 202210850380 A CN202210850380 A CN 202210850380A CN 115147390 A CN115147390 A CN 115147390A
- Authority
- CN
- China
- Prior art keywords
- aneurysm
- image processing
- network model
- information
- identification 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.)
- Pending
Links
- 206010002329 Aneurysm Diseases 0.000 title claims abstract description 217
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 230000003073 embolic effect Effects 0.000 title description 5
- 238000012545 processing Methods 0.000 claims abstract description 130
- 238000003066 decision tree Methods 0.000 claims abstract description 43
- 230000010102 embolization Effects 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012856 packing Methods 0.000 abstract description 4
- 238000004393 prognosis Methods 0.000 abstract description 4
- 239000002699 waste material Substances 0.000 abstract description 4
- 206010047163 Vasospasm Diseases 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 13
- 201000008450 Intracranial aneurysm Diseases 0.000 description 10
- 208000005189 Embolism Diseases 0.000 description 7
- 210000004204 blood vessel Anatomy 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010968 computed tomography angiography Methods 0.000 description 3
- 230000008602 contraction Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 206010002091 Anaesthesia Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 208000010378 Pulmonary Embolism Diseases 0.000 description 2
- 208000004717 Ruptured Aneurysm Diseases 0.000 description 2
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000037005 anaesthesia Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000004 hemodynamic effect Effects 0.000 description 2
- 238000007917 intracranial administration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010065559 Cerebral arteriosclerosis Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 206010047115 Vasculitis Diseases 0.000 description 1
- 206010047513 Vision blurred Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000001627 cerebral artery Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 201000005851 intracranial arteriosclerosis Diseases 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000000944 nerve tissue Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/20—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种基于深度学习的推荐栓塞动脉瘤的弹簧圈的方法及装置。所述方法包括：获取动脉瘤的三维医学图像；通过图像处理网络模型获得动脉瘤的识别结果；根据动脉瘤的识别结果，获得动脉瘤的尺寸信息；将动脉瘤的尺寸信息输入决策树模型，获得首发弹簧圈的推荐信息。根据本公开，能够在术前规划选择合适的弹簧圈，达到最佳的动脉瘤瘤内致密填塞，减少错误的选择后导致的动脉瘤残留的可能性。且通过对首发弹簧圈的合理选择，减少血管内操作，避免出现血管痉挛，首发弹簧的合理选择可以减少不必要的手术耗材的浪费，降低医保支出，减轻手术经济负担，提高治疗效果及预后生活质量。提高了动脉瘤介入手术治疗水平。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种基于深度学习的推荐栓塞动脉瘤的弹簧圈的方法及装置。
背景技术
颅内动脉瘤是导致蛛网膜下腔出血的主要原因，全世界每年有近50万人死于颅内动脉瘤，中国人群发病率约为5％。颅内动脉瘤是指颅内动脉管壁上出现异常膨出，极易诱发蛛网膜下腔出血。目前临床尚未完全明确颅内动脉瘤的发病机制，血管炎、脑动脉硬化以及高血压可能是其危险因素，一旦颅内动脉瘤发生破裂，将给患者的生命安全带来严重威胁。因此，临床加强对颅内破裂动脉瘤的治疗非常重要。
颅内动脉瘤多由脑部动脉血管异常膨出所致，通常无明显症状，随着瘤体增大可逐渐增大对血管及神经组织压迫作用，引起头晕、视物模糊等症状，若不及时治疗，颅内动脉瘤一旦发生破裂，还可威胁患者生命。目前血管内介入为治疗颅内动脉瘤常用方式，具有入路简单、创伤小等特点，通过弹簧圈栓塞，可减少血流对瘤体血管冲击，促使破裂动脉瘤形成血栓愈合，达到治愈目的。
因此，基于动脉瘤的血管形态及血流动力学基础，个性化的弹簧圈选择规划是目前神经外科医生面对的临床难题。动脉瘤的复发和栓塞是致密度是密切相关的，栓塞程度的评估通过测定脑血管造影下未充盈区域占动脉瘤腔的比例，最佳的动脉瘤栓塞，应达到囊内致密填塞，但是达到这种致密栓塞需要合理规划手术过程中每个弹簧圈的选择，避免错误的选择后导致的动脉瘤残留。然而，选择适当的弹簧圈进行栓塞存在一定难度。
公开于本申请背景技术部分的信息仅仅旨在加深对本申请的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本公开实施例提供一种基于深度学习的推荐栓塞动脉瘤的弹簧圈的方法及装置。能够通过图像处理网络模型识别动脉瘤，并通过决策树模型获得首发弹簧圈的推荐信息。术前规划选择合适的弹簧圈，达到最佳的动脉瘤瘤内致密填塞，减少错误的选择后导致的动脉瘤残留的可能性。且通过对首发弹簧圈的合理选择，减少血管内操作，避免出现血管痉挛，首发弹簧的合理选择可以减少不必要的手术耗材的浪费，降低医保支出，减轻手术经济负担，提高治疗效果及预后生活质量。提高了动脉瘤介入手术治疗水平。且减少弹簧圈的选择时间和手术的治疗时间，随着弹簧圈的逐渐栓塞，可供选择的弹簧圈会逐渐减少，缩短了麻醉和整体手术的治疗时间，减少了手术时间过长导致肺栓塞、心梗的风险和意外，缩短了住院治疗时间。
本公开实施例的第一方面，提供一种基于深度学习的推荐栓塞动脉瘤的弹簧圈的方法,包括：获取动脉瘤的三维医学图像；
通过图像处理网络模型对所述三维医学图像进行处理，获得动脉瘤的识别结果；
根据所述动脉瘤的识别结果，获得动脉瘤的尺寸信息；
将所述动脉瘤的尺寸信息，输入决策树模型进行处理，获得首发弹簧圈的推荐信息。
根据本公开的实施例，所述方法还包括：
将样本三维医学图像输入所述图像处理网络模型进行处理，获得动脉瘤的预测识别结果；
根据所述预测识别结果，和所述样本三维医学图像的标注信息，确定所述图像处理网络模型的损失函数；
根据所述损失函数，训练所述图像处理网络模型，获得训练后的图像处理模型。
根据本公开的实施例，根据所述预测识别结果，和所述样本三维医学图像的标注信息，确定所述图像处理网络模型的损失函数，包括：
根据公式
获得所述图像处理网络模型的损失函数L，其中，X为所述预测识别结果中动脉瘤所在区域，Y表示所述标注信息中动脉瘤所在区域。
根据本公开的实施例，根据所述损失函数，训练所述图像处理网络模型，获得训练后的图像处理模型，包括：
根据公式
对所述图像处理模型的参数进行梯度下降处理，获得所述训练后的图像处理模型，其中，L为所述图像处理网络模型的损失函数，ω1…ωN为所述图像处理网络模型的N个参数。
根据本公开的实施例，所述动脉瘤的尺寸信息包括动脉瘤的体积，
其中，根据所述动脉瘤的识别结果，获得动脉瘤的尺寸信息，包括：
将所述动脉瘤的识别结果围绕穹顶轴旋转，并在旋转过程中，确定动脉瘤的长度和宽度；
根据公式
确定所述脉瘤的体积IAV，其中，D为动脉瘤的长度，W为动脉瘤的宽度。
根据本公开的实施例，将所述动脉瘤的识别结果围绕穹顶轴旋转，并在旋转过程中，确定动脉瘤的长度和宽度，包括：
将所述旋转过程中，动脉瘤所在区域的最大长度确定为所述动脉瘤的长度，并将动脉瘤所在区域的最大宽度确定为所述动脉瘤的宽度。
根据本公开的实施例，所述动脉瘤的尺寸信息包括动脉瘤的长度、宽度、体积、宽径、横径、高度和瘤颈直径，所述首发弹簧圈的推荐信息包括首发弹簧圈的推荐直径和推荐长度，
将所述动脉瘤的尺寸信息，输入决策树模型进行处理，获得首发弹簧圈的推荐信息，包括：
将所述动脉瘤的长度、宽度、体积、宽径、横径、高度和瘤颈直径输入预设的条件映射矩阵，获得决策树条件；
将所述决策树条件输入所述决策树模型进行处理，获得首发弹簧圈的推荐直径和推荐长度。
根据本公开的第二方面，提供一种基于深度学习的推荐栓塞动脉瘤的弹簧圈的装置，包括：
图像获取模块，用于获取动脉瘤的三维医学图像；
识别模块，用于通过图像处理网络模型对所述三维医学图像进行处理，获得动脉瘤的识别结果；
尺寸获得模块，用于根据所述动脉瘤的识别结果，获得动脉瘤的尺寸信息；
推荐模块，用于将所述动脉瘤的尺寸信息，输入决策树模型进行处理，获得首发弹簧圈的推荐信息。
根据本公开的实施例，所述装置还包括：训练模块，用于将样本三维医学图像输入所述图像处理网络模型进行处理，获得动脉瘤的预测识别结果；
根据所述预测识别结果，和所述样本三维医学图像的标注信息，确定所述图像处理网络模型的损失函数；
根据所述损失函数，训练所述图像处理网络模型，获得训练后的图像处理模型。
根据本公开的实施例，所述训练模块进一步用于：根据公式
获得所述图像处理网络模型的损失函数L，其中，X为所述预测识别结果中动脉瘤所在区域，Y表示所述标注信息中动脉瘤所在区域。
根据本公开的实施例，所述训练模块进一步用于：根据所述损失函数，训练所述图像处理网络模型，获得训练后的图像处理模型，包括：
根据公式
对所述图像处理模型的参数进行梯度下降处理，获得所述训练后的图像处理模型，其中，L为所述图像处理网络模型的损失函数，ω1…ωN为所述图像处理网络模型的N个参数。
根据本公开的实施例，所述动脉瘤的尺寸信息包括动脉瘤的体积，所述尺寸获得模块进一步用于：将所述动脉瘤的识别结果围绕穹顶轴旋转，并在旋转过程中，确定动脉瘤的长度和宽度；
根据公式
确定所述脉瘤的体积IAV，其中，D为动脉瘤的长度，W为动脉瘤的宽度。
根据本公开的实施例，所述尺寸获得模块进一步用于：将所述旋转过程中，动脉瘤所在区域的最大长度确定为所述动脉瘤的长度，并将动脉瘤所在区域的最大宽度确定为所述动脉瘤的宽度。
根据本公开的实施例，所述动脉瘤的尺寸信息包括动脉瘤的长度、宽度、体积、宽径、横径、高度和瘤颈直径，所述首发弹簧圈的推荐信息包括首发弹簧圈的推荐直径和推荐长度，所述推荐模块进一步用于：将所述动脉瘤的长度、宽度、体积、宽径、横径、高度和瘤颈直径输入预设的条件映射矩阵，获得决策树条件；
将所述决策树条件输入所述决策树模型进行处理，获得首发弹簧圈的推荐直径和推荐长度。
本公开实施例的第三方面，提供一种基于深度学习的推荐栓塞动脉瘤的弹簧圈的设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现上述方法。
附图说明
图1示例性地示出本公开实施例的基于深度学习的推荐栓塞动脉瘤的弹簧圈的方法的流程示意图；
图2示例性地示出本公开实施例的图像处理网络模型的示意图；
图3示例性地示出本公开实施例的动脉瘤的识别结果的示意图；
图4示例性地示出本公开实施例的动脉瘤的长度和宽度的示意图；
图5示例性地示出本公开实施例的动脉瘤的尺寸信息的示意图；
图6示例性地示出本公开实施例的决策树模型训练的示意图；
图7示例性地示出本公开实施例的首发弹簧圈的推荐信息的示意图；
图8示例性地示出本公开实施例的基于深度学习的推荐栓塞动脉瘤的弹簧圈的装置；
图9是根据一示例性实施例示出的一种基于深度学习的推荐栓塞动脉瘤的弹簧圈的设备的框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。
本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解，在本公开的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。
应当理解，在本公开中，“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。
应当理解，在本公开中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本公开中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1示例性地示出本公开实施例的基于深度学习的推荐栓塞动脉瘤的弹簧圈的方法的流程示意图，如图1所示，所述方法包括：
步骤S101，获取动脉瘤的三维医学图像；
步骤S102，通过图像处理网络模型对所述三维医学图像进行处理，获得动脉瘤的识别结果；
步骤S103，根据所述动脉瘤的识别结果，获得动脉瘤的尺寸信息；
步骤S104，将所述动脉瘤的尺寸信息，输入决策树模型进行处理，获得首发弹簧圈的推荐信息。
根据本公开的实施例，动脉瘤的介入栓塞中重要的是弹簧圈的选择，栓塞首发弹簧圈即为第一枚弹簧圈，需要考虑的因素有载瘤血管的形态、血流动力学的改变，高壁应力、低壁应力、低压、湍流和流动不稳定性等因素，综合性的考虑上述因素后选择合适的首发弹簧圈才能做到致密栓塞动脉瘤，避免了术后动脉瘤瘤颈残留及复发的情况出现，提高了治疗效果和预后生活质量，避免不合理的弹簧圈的使用后造成的耗材浪费及手术费用的提升。
根据本公开的实施例，在步骤S101中，栓塞动脉瘤的三维医学图像可包括动脉瘤的CT血管造影(CTA，CT angiography)图像，该图像的格式可以使DICOM格式。进一步地，为了便于进行后续处理，可将DICOM格式的CT血管造影图像转换为NII.GZ格式的图像，本公开对三维医学图像的格式不做限制。
根据本公开的实施例，在步骤102中，可首先在三维医学图像中检测出动脉瘤所在的位置，即，动脉瘤的识别结果。在示例中，可使用图像处理网络模型对三维医学图像进行处理，获得动脉瘤的识别结果。所述图像处理网络模型可包括卷积神经网络模型。本公开对图像处理网络模型的具体类型不做限制。
图2示例性地示出本公开实施例的图像处理网络模型的示意图，如图2所示，识别动脉瘤的图像处理网络模型，是通过UN-Net形式的20层卷积神经网络训练获得的，UN-Net是一个卷积神经网络，它由收缩和扩展路径以及将收缩和扩展路径的特征组合起来的连接路径组成。当图像的特征图通过连续的网络层级时，收缩路径减小了特征图的尺寸大小，避开像素相关的局部信息以获得更大规模的上下文信息，扩大了感受野，并增加了数据通道，从而获得更多特征信息。扩展路径对来自收缩路径获得的低分辨率特征图进行上采样，最终获得与输入的三维医学图像的分辨率相同的动脉瘤的识别结果。即，在三维医学图像中标识出动脉瘤所在的区域。
图3示例性地示出本公开实施例的动脉瘤的识别结果的示意图。如图3所示，示出了三个三维医学图像中识别出的动脉瘤所在区域，即，动脉瘤识别结果。
根据本公开的实施例，在使用图像处理网络模型对三维医学图像进行处理前，可对图像处理网络模型进行训练。例如，可使用具有标注信息的样本三维医学图像对图像处理网络模型进行训练。所述标注信息可以是医生等专业人员标注的动脉瘤所在区域，可认为是无误差的动脉瘤所在区域。
根据本公开的实施例，所述方法还包括：将样本三维医学图像输入所述图像处理网络模型进行处理，获得动脉瘤的预测识别结果；根据所述预测识别结果，和所述样本三维医学图像的标注信息，确定所述图像处理网络模型的损失函数；根据所述损失函数，训练所述图像处理网络模型，获得训练后的图像处理模型。
根据本公开的实施例，可将样本三维医学图像输入图像处理网络模型，获得其计算确定的动脉瘤的预测识别结果，该识别结果可能存在误差。
根据本公开的实施例，如上所述，标注信息可认为是不存在误差的，因此，可基于动脉瘤的预测识别结果和标注信息之间的误差，确定图像处理网络模型的损失函数。
根据本公开的实施例，根据所述预测识别结果，和所述样本三维医学图像的标注信息，确定所述图像处理网络模型的损失函数，包括：根据公式(1)获得所述图像处理网络模型的损失函数L：
其中，X为所述预测识别结果中动脉瘤所在区域，Y表示所述标注信息中动脉瘤所在区域。
根据本公开的实施例，通过以上公式(1)确定损失函数后，可将图像处理网络模型的参数向着损失函数最小化的方向进行调整，从而训练图像处理网络模型，减小损失函数，即，减小图像处理网络模型获得的预测识别结果的误差，提升图像处理网络模型的精度。
根据本公开的实施例，在调整参数的过程中，可通过梯度下降法进行调整。根据所述损失函数，训练所述图像处理网络模型，获得训练后的图像处理模型，包括：
根据公式(2)对所述图像处理模型的参数进行梯度下降处理，获得所述训练后的图像处理模型：
其中，L为所述图像处理网络模型的损失函数，ω1…ωN为所述图像处理网络模型的N个参数。
根据本公开的实施例，可通过公式(2)，确定梯度最大的调整，从而沿着梯度最大的调整方向对参数进行调整。从而提升训练效率。在示例中，可采用Adam优化算法执行调节参数的处理，调解步长为1×10-5。
根据本公开的实施例，在进行多次调节后，使得图像处理网络模型的精度达到要求，获得训练后的图像处理网络模型。
根据本公开的实施例，在步骤S103中，可根据图像处理网络模型对动脉瘤的识别结果，获得动脉瘤的尺寸信息。在示例中，可直接测量动脉瘤的识别结果中，动脉瘤所在区域的尺寸。然而，动脉瘤近似于三维的椭球体，从某一个视角测量动脉瘤所在区域的尺寸，则可能出现误差。
根据本公开的实施例，所述动脉瘤的尺寸信息包括动脉瘤的体积，步骤S103可包括：将所述动脉瘤的识别结果围绕穹顶轴旋转，并在旋转过程中，确定动脉瘤的长度和宽度；根据公式(3)，确定所述脉瘤的体积IAV，
其中，D为动脉瘤的长度，W为动脉瘤的宽度。
根据本公开的实施例，如上所述，动脉瘤近似于三维的椭球体，因此，可使得动脉瘤的识别结果围绕穹顶轴旋转，并在旋转过程中，确定动脉瘤的长度和宽度，即，在旋转过程中观测各个视角下的长度和宽度，从而获得更准确的长度和宽度。
根据本公开的实施例，将所述动脉瘤的识别结果围绕穹顶轴旋转，并在旋转过程中，确定动脉瘤的长度和宽度，包括：将所述旋转过程中，动脉瘤所在区域的最大长度确定为所述动脉瘤的长度，并将动脉瘤所在区域的最大宽度确定为所述动脉瘤的宽度。
根据本公开的实施例，在旋转过程中，可获得多个视角下的长度和宽度，可从多个视角的长度和宽度中，确定出最大长度和最大宽度，分别作为动脉瘤的长度和动脉瘤的宽度，从而提升对动脉瘤的长度和宽度的测量准确性。
根据本公开的实施例，在确定动脉瘤的长度和宽度后，可代入公式(3)，确定动脉瘤的体积IAV。
图4示例性地示出本公开实施例的动脉瘤的长度和宽度的示意图，如图4所示，动脉瘤可近似为椭球体，可在旋转过程中确定动脉瘤的长度和宽度，如图4的左数第2-4幅图所示。并可将动脉瘤的长度和宽度代入公式(3)，确定动脉瘤的体积。
此外，所述动脉瘤的尺寸信息包括动脉瘤的长度、宽度、体积、宽径、横径、高度和瘤颈直径等。以上信息中，宽径、横径、高度和瘤颈直径等也可在旋转过程中进行观测，以提升尺寸信息的准确性。
图5示例性地示出本公开实施例的动脉瘤的尺寸信息的示意图，如图5所示，动脉瘤的尺寸信息可包括动脉瘤的长度、宽度、体积、宽径、横径、高度和瘤颈直径等，进一步地，还可在动脉瘤的识别结果中确定载瘤血管的尺寸信息，例如，近心端直径、远心端直径、平均直径等。
根据本公开的实施例，在步骤S104中，可通过决策树模型来基于动脉瘤的尺寸信息，确定首发弹簧圈的推荐信息。所述首发弹簧圈的推荐信息包括首发弹簧圈的推荐直径和推荐长度。
根据本公开的实施例，在决策树模型的训练过程中，可利用样本数据(例如，样本三维医学图像中的动脉瘤的尺寸信息，还可包括载瘤血管的尺寸信息等)进行训练，可将样本数据分为两组，并基于分组的情况确定分组的条件。
图6示例性地示出本公开实施例的决策树模型训练的示意图，如图6所示，在(a)图中，假设条件P1＜0是分组的最佳条件，则决策树模型将数据分为两组，即，C1组和C2组，C1组中的数据满足P1＜0的条件，C2组的数据不满足P1＜0的条件。
根据本公开的实施例，可通过搜索算法将C1组的数据分为两组，所述搜索算法可确定最优的分组条件，如图6中(b)图所示，假设条件P2＜1是分组的最佳条件，则决策树模型将C1组中的数据分为两组，即，C11组和C12组，C11组中的数据满足P2＜1的条件，C12组的数据不满足P2＜1的条件。
根据本公开的实施例，如图6中(c)图所示，还可通过搜索算法确定C2组的最优的分组条件，假设条件P2＜2是分组的最佳条件，则决策树模型将C2组中的数据分为两组，即，C21组和C22组，C21组中的数据满足P2＜2的条件，C22组的数据不满足P2＜2的条件。
根据本公开的实施例，可按照上述方式继续划分，即，可不断在每组中添加最优的分组条件，即，添加分组的节点，直到每个分组(子节点)中只有一个数据，从而可建立决策树模型。进一步地，为防止过拟合，还可对决策树模型进行剪枝，使得每个子节点中的数据数量不小于预设值。
根据本公开的实施例，以上方式建立的决策树模型可用于收发弹簧圈的推荐中，步骤S104可包括：将所述动脉瘤的长度、宽度、体积、宽径、横径、高度和瘤颈直径输入预设的条件映射矩阵，获得决策树条件；将所述决策树条件输入所述决策树模型进行处理，获得首发弹簧圈的推荐直径和推荐长度。
根据本公开的实施例，所述条件映射矩阵可以是将动脉瘤的尺寸信息(还可包括载瘤血管的尺寸信息)映射为决策树的分组条件的矩阵，将动脉瘤的尺寸信息通过条件映射矩阵的运算，可获得决策树条件，例如，P1的数值，P2的数值等。
根据本公开的实施例，在获得决策树条件后，可基于以上建立的决策树模型进行处理，例如，P1的数值小于0，则进入图6(a)中的左侧分支，P2的数值小于1，则进入图6(b)中C1组的左侧分支，在利用决策树条件和决策树模型进行判断后，可获得最终的子节点，基于训练数据中该子节点的类别，可确定动脉瘤的类别，并可依据动脉瘤的类别，获得首发弹簧圈的推荐信息。
根据本公开的实施例，所述首发弹簧圈的推荐信息包括首发弹簧圈的推荐直径和推荐长度。
图7示例性地示出本公开实施例的首发弹簧圈的推荐信息的示意图，如图7所示，经过决策树模型的运算，确定首发弹簧圈的推荐直径为2.78mm。推荐长度大于8cm。本公开对收发弹簧圈的推荐信息的具体数值不做限制。
根据本公开的基于深度学习的推荐栓塞动脉瘤的弹簧圈的方法，可通过图像处理网络模型识别动脉瘤，并通过决策树模型获得首发弹簧圈的推荐信息。术前规划选择合适的弹簧圈，达到最佳的动脉瘤瘤内致密填塞，减少错误的选择后导致的动脉瘤残留的可能性。且通过对首发弹簧圈的合理选择，减少血管内操作，避免出现血管痉挛，首发弹簧的合理选择可以减少不必要的手术耗材的浪费，降低医保支出，减轻手术经济负担，提高治疗效果及预后生活质量。提高了动脉瘤介入手术治疗水平。且减少弹簧圈的选择时间和手术的治疗时间，随着弹簧圈的逐渐栓塞，可供选择的弹簧圈会逐渐减少，缩短了麻醉和整体手术的治疗时间，减少了手术时间过长导致肺栓塞、心梗的风险和意外，缩短了住院治疗时间。
根据本公开的实施例，所述基于深度学习的推荐栓塞动脉瘤的弹簧圈的方法还可用于其他手术材料的选择，也可用于其他弹簧圈的选择，本公开对该方法的应用范围不做限制。
图8示例性地示出本公开实施例的基于深度学习的推荐栓塞动脉瘤的弹簧圈的装置，包括：
图像获取模块，用于获取动脉瘤的三维医学图像；
识别模块，用于通过图像处理网络模型对所述三维医学图像进行处理，获得动脉瘤的识别结果；
尺寸获得模块，用于根据所述动脉瘤的识别结果，获得动脉瘤的尺寸信息；
推荐模块，用于将所述动脉瘤的尺寸信息，输入决策树模型进行处理，获得首发弹簧圈的推荐信息。
根据本公开的实施例，所述装置还包括：训练模块，用于将样本三维医学图像输入所述图像处理网络模型进行处理，获得动脉瘤的预测识别结果；
根据所述预测识别结果，和所述样本三维医学图像的标注信息，确定所述图像处理网络模型的损失函数；
根据所述损失函数，训练所述图像处理网络模型，获得训练后的图像处理模型。
根据本公开的实施例，所述训练模块进一步用于：根据公式
获得所述图像处理网络模型的损失函数L，其中，X为所述预测识别结果中动脉瘤所在区域，Y表示所述标注信息中动脉瘤所在区域。
根据本公开的实施例，所述训练模块进一步用于：根据所述损失函数，训练所述图像处理网络模型，获得训练后的图像处理模型，包括：
根据公式
对所述图像处理模型的参数进行梯度下降处理，获得所述训练后的图像处理模型，其中，L为所述图像处理网络模型的损失函数，ω1…ωN为所述图像处理网络模型的N个参数。
根据本公开的实施例，所述动脉瘤的尺寸信息包括动脉瘤的体积，所述尺寸获得模块进一步用于：将所述动脉瘤的识别结果围绕穹顶轴旋转，并在旋转过程中，确定动脉瘤的长度和宽度；
根据公式
确定所述脉瘤的体积IAV，其中，D为动脉瘤的长度，W为动脉瘤的宽度。
根据本公开的实施例，所述尺寸获得模块进一步用于：将所述旋转过程中，动脉瘤所在区域的最大长度确定为所述动脉瘤的长度，并将动脉瘤所在区域的最大宽度确定为所述动脉瘤的宽度。
根据本公开的实施例，所述动脉瘤的尺寸信息包括动脉瘤的长度、宽度、体积、宽径、横径、高度和瘤颈直径，所述首发弹簧圈的推荐信息包括首发弹簧圈的推荐直径和推荐长度，所述推荐模块进一步用于：将所述动脉瘤的长度、宽度、体积、宽径、横径、高度和瘤颈直径输入预设的条件映射矩阵，获得决策树条件；
将所述决策树条件输入所述决策树模型进行处理，获得首发弹簧圈的推荐直径和推荐长度。
图9是根据一示例性实施例示出的一种基于深度学习的推荐栓塞动脉瘤的弹簧圈的设备的框图。例如，所述设备1600可以被提供为一终端或服务器。设备1600包括处理组件1602，以及由存储器1603所代表的存储器资源，用于存储可由处理组件1602的执行的指令，例如应用程序。存储器1603中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1602被配置为执行指令，以执行上述方法。
设备1600还可以包括一个电源组件1606被配置为执行设备1600的电源管理，一个有线或无线网络接口1605被配置为将设备1600连接到网络，和一个输入输出(I/O)接口1608。设备1600可以操作基于存储在存储器1603的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
注意，除非另有直接说明，否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此，除非另有明确说明，否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下，进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头，该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。
最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。
Claims (10)
1.一种基于深度学习的推荐栓塞动脉瘤的弹簧圈的方法，其特征在于，包括：
获取动脉瘤的三维医学图像；
通过图像处理网络模型对所述三维医学图像进行处理，获得动脉瘤的识别结果；
根据所述动脉瘤的识别结果，获得动脉瘤的尺寸信息；
将所述动脉瘤的尺寸信息，输入决策树模型进行处理，获得首发弹簧圈的推荐信息。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将样本三维医学图像输入所述图像处理网络模型进行处理，获得动脉瘤的预测识别结果；
根据所述预测识别结果，和所述样本三维医学图像的标注信息，确定所述图像处理网络模型的损失函数；
根据所述损失函数，训练所述图像处理网络模型，获得训练后的图像处理模型。
3.根据权利要求2所述的方法，其特征在于，根据所述预测识别结果，和所述样本三维医学图像的标注信息，确定所述图像处理网络模型的损失函数，包括：
根据公式
获得所述图像处理网络模型的损失函数L，其中，X为所述预测识别结果中动脉瘤所在区域，Y表示所述标注信息中动脉瘤所在区域。
4.根据权利要求2所述的方法，其特征在于，根据所述损失函数，训练所述图像处理网络模型，获得训练后的图像处理模型，包括：
根据公式
对所述图像处理模型的参数进行梯度下降处理，获得所述训练后的图像处理模型，其中，L为所述图像处理网络模型的损失函数，ω1…ωN为所述图像处理网络模型的N个参数。
5.根据权利要求1所述的方法，其特征在于，所述动脉瘤的尺寸信息包括动脉瘤的体积，
其中，根据所述动脉瘤的识别结果，获得动脉瘤的尺寸信息，包括：
将所述动脉瘤的识别结果围绕穹顶轴旋转，并在旋转过程中，确定动脉瘤的长度和宽度；
根据公式
确定所述脉瘤的体积IAV，其中，D为动脉瘤的长度，W为动脉瘤的宽度。
6.根据权利要求5所述的方法，其特征在于，将所述动脉瘤的识别结果围绕穹顶轴旋转，并在旋转过程中，确定动脉瘤的长度和宽度，包括：
将所述旋转过程中，动脉瘤所在区域的最大长度确定为所述动脉瘤的长度，并将动脉瘤所在区域的最大宽度确定为所述动脉瘤的宽度。
7.根据权利要求1所述的方法，其特征在于，所述动脉瘤的尺寸信息包括动脉瘤的长度、宽度、体积、宽径、横径、高度和瘤颈直径，所述首发弹簧圈的推荐信息包括首发弹簧圈的推荐直径和推荐长度，
将所述动脉瘤的尺寸信息，输入决策树模型进行处理，获得首发弹簧圈的推荐信息，包括：
将所述动脉瘤的长度、宽度、体积、宽径、横径、高度和瘤颈直径输入预设的条件映射矩阵，获得决策树条件；
将所述决策树条件输入所述决策树模型进行处理，获得首发弹簧圈的推荐直径和推荐长度。
8.一种基于深度学习的推荐栓塞动脉瘤的弹簧圈的装置，其特征在于，包括：
图像获取模块，用于获取动脉瘤的三维医学图像；
识别模块，用于通过图像处理网络模型对所述三维医学图像进行处理，获得动脉瘤的识别结果；
尺寸获得模块，用于根据所述动脉瘤的识别结果，获得动脉瘤的尺寸信息；
推荐模块，用于将所述动脉瘤的尺寸信息，输入决策树模型进行处理，获得首发弹簧圈的推荐信息。
9.一种基于深度学习的推荐栓塞动脉瘤的弹簧圈的设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210850380.2A CN115147390A (zh) | 2022-07-19 | 2022-07-19 | 基于深度学习的推荐栓塞动脉瘤的弹簧圈的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210850380.2A CN115147390A (zh) | 2022-07-19 | 2022-07-19 | 基于深度学习的推荐栓塞动脉瘤的弹簧圈的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115147390A true CN115147390A (zh) | 2022-10-04 |
Family
ID=83412135
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210850380.2A Pending CN115147390A (zh) | 2022-07-19 | 2022-07-19 | 基于深度学习的推荐栓塞动脉瘤的弹簧圈的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115147390A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115953457A (zh) * | 2023-03-14 | 2023-04-11 | 杭州脉流科技有限公司 | 推荐首枚弹簧圈的方法和计算机设备 |
| CN116525121A (zh) * | 2023-07-05 | 2023-08-01 | 昆明同心医联科技有限公司 | 栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120321169A1 (en) * | 2011-06-16 | 2012-12-20 | Siemens Corporation | Shape Based Conditional Random Fields for Segmenting Intracranial Aneurysms |
| JP2020127672A (ja) * | 2019-02-12 | 2020-08-27 | キヤノンメディカルシステムズ株式会社 | Ｘ線診断装置、医用情報処理装置及びプログラム |
| CN114271939A (zh) * | 2021-11-04 | 2022-04-05 | 昆明同心医联科技有限公司 | 动脉瘤手术规划方法、装置、电子设备及可读存储介质 |
| WO2022129054A1 (en) * | 2020-12-15 | 2022-06-23 | Koninklijke Philips N.V. | Endovascular coil specification |
-
2022
- 2022-07-19 CN CN202210850380.2A patent/CN115147390A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120321169A1 (en) * | 2011-06-16 | 2012-12-20 | Siemens Corporation | Shape Based Conditional Random Fields for Segmenting Intracranial Aneurysms |
| JP2020127672A (ja) * | 2019-02-12 | 2020-08-27 | キヤノンメディカルシステムズ株式会社 | Ｘ線診断装置、医用情報処理装置及びプログラム |
| WO2022129054A1 (en) * | 2020-12-15 | 2022-06-23 | Koninklijke Philips N.V. | Endovascular coil specification |
| CN114271939A (zh) * | 2021-11-04 | 2022-04-05 | 昆明同心医联科技有限公司 | 动脉瘤手术规划方法、装置、电子设备及可读存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115953457A (zh) * | 2023-03-14 | 2023-04-11 | 杭州脉流科技有限公司 | 推荐首枚弹簧圈的方法和计算机设备 |
| CN115953457B (zh) * | 2023-03-14 | 2023-07-18 | 杭州脉流科技有限公司 | 推荐首枚弹簧圈的方法和计算机设备 |
| CN116525121A (zh) * | 2023-07-05 | 2023-08-01 | 昆明同心医联科技有限公司 | 栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用 |
| CN116525121B (zh) * | 2023-07-05 | 2023-09-26 | 昆明同心医联科技有限公司 | 栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115147390A (zh) | 基于深度学习的推荐栓塞动脉瘤的弹簧圈的方法及装置 | |
| KR101974786B1 (ko) | 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법 및 시스템 | |
| CN109907732B (zh) | 一种颅内动脉瘤破裂风险的评估方法及系统 | |
| CN110298844B (zh) | X光造影图像血管分割与识别方法及装置 | |
| KR20200005405A (ko) | 진단 보조 시스템 | |
| US10588590B2 (en) | Detection and characterization of aortic pathologies | |
| US20120323547A1 (en) | Method for intracranial aneurysm analysis and endovascular intervention planning | |
| CN110766691A (zh) | 一种心脏磁共振影像分析及心肌病预测的方法、装置 | |
| CN113012155A (zh) | 髋关节图像中骨骼分割方法、电子设备及存储介质 | |
| CN110517780A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
| US10537282B2 (en) | Medical image processing apparatus, medical image diagnosis apparatus and recording medium | |
| US10489905B2 (en) | Method and apparatus for presentation of medical images | |
| US20160328631A1 (en) | Learning-Based Aorta Segmentation using an Adaptive Detach and Merge Algorithm | |
| US20150317442A1 (en) | Method and system for advanced aneurysm analysis | |
| Ozturk et al. | Dural venous sinus thrombosis: The combination of noncontrast CT, MRI and PC-MR venography to enhance accuracy | |
| CN114881975A (zh) | 预测动脉瘤破裂潜能的系统、方法、电子设备及介质 | |
| CN113205488B (zh) | 血流特性预测方法、装置、电子设备及存储介质 | |
| CN117373070B (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
| CN115148368A (zh) | 一种基于深度学习推荐首发弹簧圈的方法、装置及存储介质 | |
| CN115439453B (zh) | 一种脊椎椎体定位方法、装置、电子设备及存储介质 | |
| US20240050097A1 (en) | Endovascular coil specification | |
| WO2023126360A1 (en) | Method of simulating the fitting of implantable medical devices inside a patient's anatomy | |
| Chandra et al. | Amalgamation of iterative double automated thresholding and morphological filtering: a new proposition in the early detection of cerebral aneurysm | |
| CN114782443A (zh) | 基于数据增强的动脉瘤风险评估的装置和存储介质 | |
| EP3270308A1 (en) | Method for providing a secondary parameter, decision support system, computer-readable medium and computer program product |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221004 |
|
| RJ01 | Rejection of invention patent application after publication |