CN115458143A - 基于神经网络的无源植入式医疗器械射频发热评估方法 - Google Patents
基于神经网络的无源植入式医疗器械射频发热评估方法 Download PDFInfo
- Publication number
- CN115458143A CN115458143A CN202211125728.8A CN202211125728A CN115458143A CN 115458143 A CN115458143 A CN 115458143A CN 202211125728 A CN202211125728 A CN 202211125728A CN 115458143 A CN115458143 A CN 115458143A
- Authority
- CN
- China
- Prior art keywords
- neural network
- medical device
- input
- chebyshev
- implantable medical
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 77
- 238000010438 heat treatment Methods 0.000 title claims abstract description 18
- 238000011156 evaluation Methods 0.000 title claims abstract description 8
- 238000012549 training Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 210000002364 input neuron Anatomy 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 abstract description 5
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 9
- 238000002595 magnetic resonance imaging Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000005481 NMR spectroscopy Methods 0.000 description 5
- 239000007943 implant Substances 0.000 description 5
- 230000036541 health Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 210000001835 viscera Anatomy 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
- 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
- G16H40/40—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 of medical equipment or devices, e.g. scheduling maintenance or upgrades
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Epidemiology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Prostheses (AREA)
Abstract
本发明提供了基于神经网络的无源植入式医疗器械射频发热评估方法,用以评估植入无源植入式医疗器械的患者是否可以进行核磁共振成像扫描。本发明利用神经网络模型与切比雪夫多项式的结合,对于具有复杂形状的无源植入式医疗器械进行拟合,保证预测得到温升数据的准确性,另外,本发明可依据训练数据的不同,用于预测不同类型的无源植入式医疗器械在MRI中产生的温升。
Description
技术领域
本发明属于生物医学技术领域,涉及基于神经网络的无源植入式医疗器械射频发热评估方法。
背景技术
由于核磁共振成像(MRI)具有非侵入性以及无电离辐射的特性,目前核磁共振成像已成为评估全域和局部组织以及内部器官功能最广泛使用的医学成像技术之一。随着核磁共振成像技术的愈发广泛应用,接受MRI的患者也在逐步增加,与此同时,使用植入式医疗设备的患者数量同样也在快速且持续的增长,这两部分人群的交集存在一个严重的安全问题。
鉴于核磁共振成像期间的电磁环境较为复杂,医疗植入物的存在将对接受MRI的患者带来若干潜在的风险,其中,射频(RF)感应加热是植入物进行MRI时关键的安全问题之一,射频场会在人体内产生强电场并导致人体组织温度升高超过几度,这可能会对患者造成不可接受的健康损伤。
已有研究证明了神经网络预测无源植入式医疗器械进行MRI时RF暴露导致温升的有效性,尽管该项研究结果显示了神经网络是预测RF暴露的温升的有效解决方案,但是对于部分无源植入式医疗器械的高维特征,仍需要对数据进行额外的选择以及预处理以获得更加优秀的性能以及准确性。
由于侵入式电磁或者温度测量通常不可行,因此,通常通过体外(人体模型)和动物实验来测量RF加热造成的温升。
对于无源植入设备,MRI中的RF暴露通常通过以美国测试与材料协会(ASTM)标准F2182-11a定义的标准方式进行评估。在此种方法中,测试者需将无源植入式医疗器械放入灌注凝胶盐水溶液(用于模拟人体组织)的特定容器中,将容器放置于核磁共振成像设备内进行15分钟的RF加热,在此期间用容器内置的多个高精度温度传感器每间隔四秒记录一次无源植入式医疗器械的温度数据直至MR扫描结束后的两分钟。这种评估需要精确的测量或者数值模拟,对于单个的无源植入式医疗器械,这一过程需要消耗的时间在数小时以上。
考虑到目前常用的多配置无源植入式医疗器械设备可能有数千到数百万种,不同配置的无源植入式医疗器械需要满足不同的临床需求,因此,传统的一对一射频加热评估的成本太高,可行性较低。
本发明提供了一种相对简单但有效的基于神经网络的射频加热评估方案,根据经验观察,对于常见的无源植入式医疗器械,RF引起的局部组织温升主要由植入式医疗器械的几何尺寸(如长度、直径等)和其周围组织分布决定。因此,本发明建立了一个基于切比雪夫参数模型的三层神经网络用于预测常见无源植入式医疗器械附近的射频加热导致的温升。
发明内容
本发明的目的在于针对现有技术存在的问题,提供基于神经网络的无源植入式医疗器械射频发热评估方法,解决了现有技术对于预测射频导致的温升以及功率沉积效率较低、精度差的问题。
为此,本发明采取以下技术方案:
基于神经网络的无源植入式医疗器械射频发热评估方法,包括如下步骤:
a.将某无源植入式医疗器械的n个物理特征分别表述为x、y、z…,通过线性变换得到归一化参数x:
其中,L表示某无源植入式医疗器械的某个物理特征、Lmin和Lmax分别表示L的最小值和最大值;
根据归一化参数x建立切比雪夫多项式:
T0(x)=1,T1(x)=x
Tr(x)=2xTr-1(x)-Tr-2(x),r=2,3,...
对无源植入式医疗器械的不同物理特征构建切比雪夫多项式:
μ(x)=[φ1T1(x),φ2T2(x),...,φLTL(x)]T=ΦTU
υ(y)=[ψ1T1(y),ψ2T2(y),...,ψMTM(y)]T=ΨTV
其中,μ(x)表示某无源植入式医疗器械的物理特征x的切比雪夫多项式模型、u(y)表示某无源植入式医疗器械的物理特征y的切比雪夫多项式模型、表示某无源植入式医疗器械的物理特征z的切比雪夫多项式模型、[·]T表示矩阵的转置;
将切比雪夫多项式转化为张量作为神经网络的输入:
b.依据步骤a中建立的切比雪夫模型建立一个全连接的前馈神经网络,其中,将切比雪夫模型作为前馈神经网络的输入,射频加热引起的温升作为前馈神经网络的输出,所述前馈神经网络由一层输入层、一层隐藏层和一层输出层组成;
其中,神经网络内使用ReLU激活函数以更加准确的近似预测值的大小,ReLU激活函数公式如下所示:
f(a)=max(0,a)
其中,a表示函数输入值;
神经网络的输入层中的节点个数等于切比雪夫参数模型中的参数个数,选择以输入参数的个数的二倍作为神经网络中隐藏层的节点个数;
输入与输出间的非线性关系被基于训练数据以迭代并调整的权重和偏差被准确表征,每一层神经元的输出如下式表示:
进一步地,所述步骤b中神经网络的每一次迭代过程均使用反向传播算法将神经元中每个节点的权值进行修正直至误差处于可接受的范围内,所述反向传播算法的修正过程如下式表示:
本发明的有益效果在于:
1.本发明不同于以往使用物理的手段测试无源植入式医疗器械的温升,而创新性地采用机器学习领域的预测方法,神经网络在使用已有模型的数据训练后,只需要输入新模型的相关参数(如长、宽、高)就可以迅速得出新模型的最大温升,本发明不需要耗费大量的时间来对形状相同但是体积参数有差异的无源植入式医疗器械进行多次测量,可以极大程度的减少研究人员和测试人员的工作量;同时,神经网络模型结合了切比雪夫多项式,对于具有复杂形状的无源植入式医疗器械同样可以很好的进行拟合,保证预测得到温升数据的准确性;
2.本发明用以评估植入无源植入式医疗器械的患者是否可以进行核磁共振检测,可依据训练的数据的不同,用于预测不同类型的无源植入式医疗器械;如,当输入的训练数据为钉子相关的数据时,得到的神经网络模型可用于预测钉子形的无源植入式医疗器械,所以对应不同形状的无源植入式医疗器械,本发明均可以训练神经网络模型用于预测。
附图说明
图1为本发明的算法架构示意图。
具体实施方式
下面结合附图与实施方法对本发明的技术方案进行相关说明。
本发明为一种基于切比雪夫的神经网络模型,开发该模型的主要的目的是用于预测无源植入式医疗器械进行核磁共振(MRI)时的最大温升数据,以评估植入无源植入式医疗器械的患者是否可以进行核磁共振检测。
本发明可通过神经网络的代价函数计算均方误差(MSE)对神经网络的表现进行评价,代价函数的计算公式见下式。
其中,J(A,B)是神经网络的代价函数、是根据输入的无源植入式医疗器械特征参数通过神经网络计算得到的温升的预测值、是仿真得出的温升实际值、N是数据集的总数。此处神经网络由步骤a、b中根据仿真得到的数据集通过建立切比雪夫多项式训练完成,大约30%的数据作为训练集,剩余部分的数据集被用于测试,相关系数R用于评估算法的性能,其中,R=1表示直接正相关、R=-1表示直接负相关。
实施例1:
建立一个用以预测具有长、宽、高三个特征参数的板状植入式医疗器械的最大温升的神经网络。部分用于训练神经网络的数据如下表所示。
表1板状植入器械部分训练数据
长(mm) | 宽(mm) | 高(mm) | 最大温升(mK) |
225 | 25 | 2.0 | 0.175 |
25 | 15 | 3.5 | 0.294 |
25 | 5 | 2.5 | 0.0301 |
150 | 25 | 1.5 | 0.227 |
150 | 25 | 2.0 | 0.198 |
总实验数据为300组,其中使用240组数据作为神经网络的训练集,60组数据作为神经网络的测试集。
建立神经网络过程如以下步骤所示:
a.对于板状无源植入式医疗器械的3个物理特征:长度(L)、宽度(W)和高度(H)分别进行数据归一化,得到对应的归一化参数x,y,z;
根据归一化参数建立相应的切比雪夫多项式:
T0(x)=1,T1(x)=x
Tr(x)=2xTr-1(x)-Tr-2(x),r=2,3,...
T0(y)=1,T1(y)=y
Tr(y)=2yTr-1(y)-Tr-2(y),r=2,3,...
T0(z)=1,T1(z)=z
Tr(z)=2zTr-1(z)-Tr-2(z),r=2,3,...
对无源植入式医疗器械的不同物理特征构建切比雪夫多项式:
μ(x)=[φ1T1(x),φ2T2(x),...,φLTL(x)]T=ΦTU
υ(y)=[ψ1T1(y),ψ2T2(y),...,ψMTM(y)]T=ΨTV
其中,μ(x)表示板状植入式医疗器械的物理特征x的切比雪夫多项式模型、υ(y)表示板状植入式医疗器械的物理特征y的切比雪夫多项式模型、表示板状植入式医疗器械的物理特征z的切比雪夫多项式模型、[·]T表示矩阵的转置;
将切比雪夫多项式转化为张量作为神经网络的输入:
b.依据步骤a中建立的切比雪夫模型建立一个全连接的前馈神经网络,其中,将切比雪夫模型作为前馈神经网络的输入,射频加热引起的温升作为前馈神经网络的输出,所述前馈神经网络由一层输入层、一层隐藏层和一层输出层组成;
训练后得到的神经网络性能如下表所示:
表2板状神经网络性能表
均方根误差<sub>(训练)</sub> | 均方根误差<sub>(测试)</sub> | 相关系数 |
14.28 | 17.78 | 0.996 |
训练结束后可通过神经网络对具有长、宽、高三个特征参数的板状植入式医疗器械进行核磁共振时的最大温升进行评估预测,部分预测结果如下表所示:
表3板状神经网络部分预测结果
长(mm) | 宽(mm) | 高(mm) | 实际温升(mK) | 预测温升(mK) |
125 | 5 | 2.0 | 0.328 | 0.326 |
175 | 25 | 3.0 | 0.225 | 0.218 |
200 | 25 | 2.5 | 0.194 | 0.198 |
25 | 5 | 2.0 | 0.0268 | 0.0268 |
100 | 10 | 3.5 | 0.22 | 0.21 |
上表显示了用于预测板状植入式医疗器械的神经网络的预测温升以及板状植入式医疗器械进行MR检测时的实际温升。结果显示,神经网络的预测结果的误差均小于0.01mK。该结果表明,切比雪夫多项式能够准确的表示板状无源植入式医疗器械的几何特征,以板状植入物长、宽、高表征为切比雪夫多项式张量作为输入的神经网络能根据板状无源植入式医疗器械的几何特征基本上能够准确预测板状无源植入式医疗器械在进行MR检测时产生的最大温升,从而保障携带板状无源植入式医疗设备的患者的健康。
实施例2:
建立一个用以预测具有半径、高两个特征参数的钉状植入式医疗器械的最大温升的神经网络,部分用于训练神经网络的数据如下表所示。
表4钉状植入器械部分训练数据
半径(mm) | 高(mm) | 最大温升(mK) |
3.5 | 170 | 0.285 |
2.5 | 200 | 0.323 |
0.5 | 90 | 0.242 |
4 | 10 | 0.0176 |
4 | 240 | 0.22 |
总实验数据为300组,其中使用240组数据作为神经网络的训练集,60组数据作为神经网络的测试集。
建立神经网络过程如以下步骤所示:
a.对于钉状无源植入式医疗器械的2个物理特征:高(H)和半径(R)分别进行数据归一化,得到对应的归一化参数x,y。
根据归一化参数建立相应的切比雪夫多项式:
T0(x)=1,T1(x)=x
Tr(x)=2xTr-1(x)-Tr-2(x),r=2,3,...
T0(y)=1,T1(y)=y
Tr(y)=2yTr-1(y)-Tr-2(y),r=2,3,...
对无源植入式医疗器械的不同物理特征构建切比雪夫多项式:
μ(x)=[φ1T1(x),φ2T2(x),...,φLTL(x)]T=ΦTU
υ(y)=[ψ1T1(y),ψ2T2(y),...,ψMTM(y)]T=ΨTy
其中,μ(x)表示该钉状无源植入式医疗器械的物理特征x的切比雪夫多项式模型、υ(y)表示该钉状无源植入式医疗器械的物理特征y的切比雪夫多项式模型;
将切比雪夫多项式转化为张量作为神经网络的输入:
b.依据步骤a中建立的切比雪夫模型建立一个全连接的前馈神经网络,其中,将切比雪夫模型作为前馈神经网络的输入,射频加热引起的温升作为前馈神经网络的输出,所述前馈神经网络由一层输入层、一层隐藏层和一层输出层组成;
训练后得到的神经网络性能如下表所示:
表5钉状神经网路性能表
均方根误差<sub>(训练)</sub> | 均方根误差<sub>(测试)</sub> | 相关系数 |
25.06 | 29.26 | 0.993 |
训练结束后可通过神经网络对具有半径、高两个特征参数的钉状植入式医疗器械进行核磁共振时的最大温升进行评估预测,部分预测结果如下表所示:
表6钉状神经网络部分预测结果
半径(mm) | 高(mm) | 实际温升(mK) | 预测温升(mK) |
4 | 270 | 0.170 | 0.180 |
3.5 | 130 | 0.270 | 0.289 |
4.5 | 190 | 0.230 | 0.238 |
2 | 280 | 0.231 | 0.232 |
1 | 270 | 0.276 | 0.282 |
上表显示了用于预测钉状植入式医疗器械的神经网络的预测温升以及钉状植入式医疗器械进行MR检测时的实际温升。结果显示,神经网络的预测结果的误差均小于0.02mK。该结果表明,切比雪夫多项式能够准确的表示钉状无源植入式医疗器械的几何特征,以钉状植入物半径、高表征为切比雪夫多项式张量作为输入的神经网络能根据钉状无源植入式医疗器械的几何特征准确预测钉状无源植入式医疗器械在进行MR检测时产生的最大温升,从而保障携带钉状无源植入式医疗设备的患者的健康。
Claims (2)
1.基于神经网络的无源植入式医疗器械射频发热评估方法,其特征在于,包括如下步骤:
a.将某无源植入式医疗器械的n个物理特征分别表述为x、y、z…,通过线性变换得到归一化参数x:
其中,L表示某无源植入式医疗器械的某个物理特征、Lmin和Lmax分别表示L的最小值和最大值;
根据归一化参数x建立切比雪夫多项式:
T0(x)=1,T1(x)=x
Tr(x)=2xTr-1(x)-Tr-2(x),r=2,3,…
对无源植入式医疗器械的不同物理特征构建切比雪夫多项式:
μ(x)=[φ1T1(x),φ2T2(x),…,φLTL(x)]T=ΦTU
υ(y)=[ψ1T1(y),ψ2T2(y),…,ψMTM(y)]T=ΨTV
其中,μ(x)表示某无源植入式医疗器械的物理特征x的切比雪夫多项式模型、υ(y)表示某无源植入式医疗器械的物理特征y的切比雪夫多项式模型、表示某无源植入式医疗器械的物理特征z的切比雪夫多项式模型、[·]T表示矩阵的转置;
将切比雪夫多项式转化为张量作为神经网络的输入:
b.依据步骤a中建立的切比雪夫模型建立一个全连接的前馈神经网络,其中,将切比雪夫模型作为前馈神经网络的输入,射频加热引起的温升作为前馈神经网络的输出,所述前馈神经网络由一层输入层、一层隐藏层和一层输出层组成;
其中,神经网络内使用ReLU激活函数以更加准确的近似预测值的大小,ReLU激活函数公式如下所示:
f(a)=max(0,a)
其中,a表示函数输入值;
神经网络的输入层中的节点个数等于切比雪夫参数模型中的参数个数,选择以输入参数的个数的二倍作为神经网络中隐藏层的节点个数;
输入与输出间的非线性关系被基于训练数据以迭代并调整的权重和偏差被准确表征,每一层神经元的输出如下式表示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211125728.8A CN115458143B (zh) | 2022-09-16 | 2022-09-16 | 基于神经网络的无源植入式医疗器械射频发热评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211125728.8A CN115458143B (zh) | 2022-09-16 | 2022-09-16 | 基于神经网络的无源植入式医疗器械射频发热评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115458143A true CN115458143A (zh) | 2022-12-09 |
CN115458143B CN115458143B (zh) | 2023-05-23 |
Family
ID=84305299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211125728.8A Active CN115458143B (zh) | 2022-09-16 | 2022-09-16 | 基于神经网络的无源植入式医疗器械射频发热评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115458143B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106667487A (zh) * | 2016-12-23 | 2017-05-17 | 清华大学 | 一种监测有源植入物周围组织温度的方法和磁共振成像系统 |
CN106896334A (zh) * | 2017-04-18 | 2017-06-27 | 清华大学 | 一种预先评估mr下有源植入物周围组织温度的方法和磁共振成像系统 |
CN109284541A (zh) * | 2018-08-31 | 2019-01-29 | 天津工业大学 | 一种用于微波无源器件的神经网络多物理建模方法 |
CN109541511A (zh) * | 2018-11-26 | 2019-03-29 | 清华大学 | 温升预测方法和装置 |
CN112630709A (zh) * | 2020-11-03 | 2021-04-09 | 成都易检医疗科技有限公司 | 金属植入物磁共振成像方法、系统、终端及存储介质 |
US20210385889A1 (en) * | 2018-03-09 | 2021-12-09 | Stryker Corporation | Systems and Methods for Remotely Controlling a Surgical Instrument of Console-Based Surgical Systems |
CN114224387A (zh) * | 2021-11-02 | 2022-03-25 | 华南理工大学 | 基于超声多径信道特征参数感知的体脂率测量方法 |
CN114325404A (zh) * | 2021-12-09 | 2022-04-12 | 重庆大学 | 一种基于热-神经网络耦合模型的电池温度估计方法 |
-
2022
- 2022-09-16 CN CN202211125728.8A patent/CN115458143B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106667487A (zh) * | 2016-12-23 | 2017-05-17 | 清华大学 | 一种监测有源植入物周围组织温度的方法和磁共振成像系统 |
CN106896334A (zh) * | 2017-04-18 | 2017-06-27 | 清华大学 | 一种预先评估mr下有源植入物周围组织温度的方法和磁共振成像系统 |
US20210385889A1 (en) * | 2018-03-09 | 2021-12-09 | Stryker Corporation | Systems and Methods for Remotely Controlling a Surgical Instrument of Console-Based Surgical Systems |
CN109284541A (zh) * | 2018-08-31 | 2019-01-29 | 天津工业大学 | 一种用于微波无源器件的神经网络多物理建模方法 |
CN109541511A (zh) * | 2018-11-26 | 2019-03-29 | 清华大学 | 温升预测方法和装置 |
CN112630709A (zh) * | 2020-11-03 | 2021-04-09 | 成都易检医疗科技有限公司 | 金属植入物磁共振成像方法、系统、终端及存储介质 |
CN114224387A (zh) * | 2021-11-02 | 2022-03-25 | 华南理工大学 | 基于超声多径信道特征参数感知的体脂率测量方法 |
CN114325404A (zh) * | 2021-12-09 | 2022-04-12 | 重庆大学 | 一种基于热-神经网络耦合模型的电池温度估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115458143B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11679254B2 (en) | System and method for using concomitant fields to control peripheral nerve stimulation (PNS) in MRI image encoding | |
CN105931262B (zh) | 一种肿瘤位置预测装置 | |
CN111407279A (zh) | 一种基于神经网络的磁电结合定位追踪方法及装置 | |
Vu et al. | Machine learning-based prediction of MRI-induced power absorption in the tissue in patients with simplified deep brain stimulation lead models | |
CN115271033B (zh) | 基于联邦知识蒸馏医学图像处理模型构建及其处理方法 | |
CN115050435A (zh) | 一种基于大数据的临床试验数据管理系统及方法 | |
CN116172688A (zh) | 基于支撑向量回归的射频消融损伤深度预测模型和系统 | |
CN115458143B (zh) | 基于神经网络的无源植入式医疗器械射频发热评估方法 | |
Zhu et al. | Real‐time biomechanical modelling of the liver using LightGBM model | |
Lan et al. | Fast Prediction of RF-induced Heating for Sacral Neuromodulation System Exposed to Multi-Channel 2 RF Field at 3T MRI | |
Lee et al. | Subject specific finite element modelling of the levator ani | |
Koşan et al. | Developing an item bank for progress tests and application of computerized adaptive testing by simulation in medical education | |
CN113033064B (zh) | 一种基于支持向量机的电力设备冲击负荷模拟方法 | |
CN113436170B (zh) | 基于磁共振影像的经颅电刺激个体化优化平台 | |
Schmidt et al. | Material parameter computation for multi-layered vocal fold models | |
Yao et al. | A CP-ANN-Based RF-Induced Heating Estimation Method for Passive Orthopaedic Implantable Devices Under 1.5 T and 3.0 T MRI | |
Erturk et al. | Predicting in vivo MRI gradient-field induced voltage levels on implanted deep brain stimulation systems using neural networks | |
CN112071434A (zh) | 一种异常体温序列检测新方法 | |
Tate et al. | Measuring defibrillator surface potentials for simulation verification | |
Brown et al. | Virtual humans for implantable device safety assessment in MRI: mitigating magnetic resonance imaging hazards for implanted medical devices | |
Asahina et al. | Observing cell assemblies from spike train recordings based on the biological basis of synaptic connectivity | |
Zhu et al. | An optimization approach for transcranial direct current stimulation using nondominated sorting genetic algorithm II | |
Zheng et al. | Predicting RF Heating of Conductive Leads During Magnetic Resonance Imaging at 1.5 T: A Machine Learning Approach | |
Ferrante et al. | Physically constrained neural networks to solve the inverse problem for neuron models | |
US20230137794A1 (en) | Method and system to predict rf heating of medical implants |
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 |