CN115880217A - 评估患者图像数据的方法、干预组件、计算机程序和数据载体 - Google Patents

评估患者图像数据的方法、干预组件、计算机程序和数据载体 Download PDF

Info

Publication number
CN115880217A
CN115880217A CN202211181047.3A CN202211181047A CN115880217A CN 115880217 A CN115880217 A CN 115880217A CN 202211181047 A CN202211181047 A CN 202211181047A CN 115880217 A CN115880217 A CN 115880217A
Authority
CN
China
Prior art keywords
embolization
information
intervention
control
embolic
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
Application number
CN202211181047.3A
Other languages
English (en)
Inventor
A.比克霍尔德
C.凯特纳
S.谢弗
S.凯尔恩伯格
A.雷根斯堡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Healthineers AG
Original Assignee
Siemens Healthineers AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Healthineers AG filed Critical Siemens Healthineers AG
Publication of CN115880217A publication Critical patent/CN115880217A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/12—Diagnosis using ultrasonic, sonic or infrasonic waves in body cavities or body tracts, e.g. by using catheters
    • 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
    • A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B17/00—Surgical instruments, devices or methods, e.g. tourniquets
    • A61B17/12—Surgical instruments, devices or methods, e.g. tourniquets for ligaturing or otherwise compressing tubular parts of the body, e.g. blood vessels, umbilical cord
    • A61B17/12022—Occluding by internal devices, e.g. balloons or releasable wires
    • A61B17/12131—Occluding by internal devices, e.g. balloons or releasable wires characterised by the type of occluding device
    • A61B17/12181—Occluding by internal devices, e.g. balloons or releasable wires characterised by the type of occluding device formed by fluidized, gelatinous or cellular remodelable materials, e.g. embolic liquids, foams or extracellular matrices
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/026—Measuring blood flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/12—Arrangements for detecting or locating foreign bodies
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/486—Diagnostic techniques involving generating temporal series of image data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/486—Diagnostic techniques involving generating temporal series of image data
    • A61B6/487—Diagnostic techniques involving generating temporal series of image data involving fluoroscopy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • 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
    • 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
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
    • 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
    • A61B2034/107—Visualisation of planned trajectories or target regions
    • 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
    • A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
    • A61B2034/2046—Tracking techniques
    • A61B2034/2065—Tracking using image or pattern recognition
    • 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
    • A61B34/30—Surgical robots
    • A61B2034/301—Surgical robots for introducing or steering flexible instruments inserted into the body, e.g. catheters or endoscopes
    • 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
    • A61B34/30—Surgical robots
    • A61B2034/303—Surgical robots specifically adapted for manipulations within body lumens, e.g. within lumen of gut, spine, or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
    • A61B90/36—Image-producing devices or illumination devices not otherwise provided for
    • A61B90/37—Surgical systems with images on a monitor during operation
    • A61B2090/376—Surgical systems with images on a monitor during operation using X-rays, e.g. fluoroscopy
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • 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
    • G06T2207/10116—X-ray image
    • G06T2207/10121—Fluoroscopy
    • 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

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Radiology & Medical Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Vascular Medicine (AREA)
  • Robotics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Reproductive Health (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Oral & Maxillofacial Surgery (AREA)

Abstract

本发明涉及一种用于评估患者图像数据的计算机实施的方法，图像数据显示患者的血管系统区段中的需要通过栓塞剂治疗的目标区域、尤其是需要治疗的畸形区域，具有以下步骤：‑提供血管系统区段的三维的时间分辨的图像数据组，‑通过分析算法由图像数据组确定基本信息，所述基本信息包括描述至少所述血管系统区段的几何形状的结构参数，和/或描述血管系统区段中的血液动力学的动力学参数，‑提供描述多个需要使用的栓塞剂的栓塞信息，栓塞剂尤其包括不同直径的微球体，‑通过确定算法确定针对用于执行治疗的干预装置的操控信息，所述操控信息描述多个栓塞剂的适当组成，确定算法使用基本信息和栓塞信息，并且‑将操控信息提供给干预装置。

Description

评估患者图像数据的方法、干预组件、计算机程序和数据载体
技术领域
本发明涉及一种用于评估患者图像数据的计算机实施的方法，所述图像数据显示患者的血管系统区段中的需要通过至少一个栓塞剂治疗的目标区域、尤其是需要治疗的畸形区域。此外，本发明涉及一种干预组件、计算机程序和电子可读的数据载体。
背景技术
栓塞(或者说栓塞术)表示对患者的血管的、尤其是在需要治疗的区域中的人工闭塞。在此使用栓塞剂(Embolisate)，所述栓塞剂借助栓塞器械、例如微导管置入患者的血管中。典型的栓塞剂例如包括所谓的血管粘合剂、例如Onyx，和由塑料制成的微型小球。在此已知的是，根据需要治疗的区域所在的血管系统区段的图像数据来设置规划和/或同样在图像监控、例如荧光检查监控的情况下进行干预以置入栓塞剂。栓塞器械例如可以在图像监控的情况下被置入和/或栓塞过程可以被图像监控。在此，在这种介入式医学程序期间、尤其是针对高复杂性或者时间上关键的情况，图像监控是决定性过程的集成部分。栓塞术是对患者的微创干预的特别有挑战性的情况，因为必须精确地在特定的区域、即血管系统的定义区段中置入栓塞剂，以便阻止血液继续流过需要治疗的区域。
在此，存在不同的应用、即尤其是不同的需要治疗的区域。第一示例是抑制肿瘤的血液供应，其中，与之相关地已知的是，也使用具有在很大程度上的治疗学作用的、例如散发辐射的栓塞剂。另一个典型的应用情况是患者的血管系统中的畸形部分或者说畸形区域(Fehlbildung)。对此的典型示例是动静脉畸形(arteriovenous malformation-AVM)和硬脑膜动静脉瘘(dAVF)。
通常地对于栓塞术并且也对于患者的血管系统中的畸形区域的特定情况，规划和微创干预本身均是非常耗费时间的，因为例如畸形区域可能出现在各种不同的位置处并且可能具有各种不同的尺寸和复杂性。治疗的可选方案相应地也是复杂的，因为需要完全消除畸形区域，以保护患者防止将来出血。是否应该治疗的决定和在应该治疗的情况下应该如何治疗的方式取决于患者的特征和畸形部分的特定的特性。这些特性和特征通常通过评估系统整合，所述评估系统使用尺寸、位置和静脉传出模式作为用于预测关于发病率和死亡率的风险的主要因素，对此参见例如R.F.Spetzler和N.A.Martin的文章，，A proposedgrading system for arteriovenous malformations”,J Neurosurg.1986:65(4):476-83。
除了栓塞术之外，当前的用于血管系统中的畸形部分的治疗方法包括保守管理、外科手术移除和立体定向放射手术(stereotactic radio surgery-SRS)。也可以考虑多个治疗可行性的结合(多模式治疗)。关于栓塞术，进一步地区分近端(proximal，或者说近身端)的栓塞术和远端(distal，或者说远身端)的栓塞术，近端的栓塞术封闭动脉，在远端的栓塞术中，将栓塞剂在上游置入至少一个传出静脉中。也可以用于肿瘤的栓塞术的标准技术使用经动脉的方法，其中将多个微导管作为栓塞器械置入动脉的滋养血管(传入血管)中并且通过这些微导管将栓塞剂输入血流中。例如可以使用四至五个微导管。在英语中这种方式也称为“superselective catheterization”(超选择性血管插管技术)。每种方式的栓塞术的主要风险是出血，在分流器(Shunt)的一部分敞开和/或形成过压时出现出血，因此可能导致破裂。
在需要治疗的目标区域、例如肿瘤或者血管系统中的畸形部分中干预时的图像监控允许执行干预的医生评估干预的状态或者进展，尤其是栓塞器械的定位或者栓塞效果本身。干预通常手动地执行，而执行干预的人直接地处于干预台的一侧，以便能够与所使用的装备互动。这些装备包括成像装置、尤其是X射线装置、在干预期间使用的医学的装置和/或器械，和施用栓塞剂的系统或者手动注射器。
在现有技术中已经建议了应用程序，以便评估血管系统内部的需要治疗的目标区域、进行干预规划并且沿着规划的路径进行图像监控，其中，执行干预的人在干预期间得到辅助。干预本身、包括栓塞器械和/或其它器械的定位以及栓塞剂的施用(verabreichen)手动地实施。
除了这些方法之外，已经已知了这样的解决方案，它们允许执行干预的人不用手动地控制医学的装置和/或器械，而是借助机器人系统控制医学的装置和/或器械，以便实现更受控的和更精确的定位。这种也可以称为干预装置(Eingriffseinrichtung)的机器人系统可以与成像系统、尤其是X射线装置共同使用，以便允许在通过机器人辅助的程序期间实现图像监控和图像导引的导航。
US 9 149 605 B2公开了一种智能的微导管系统，其具有用于受控地将颗粒和药物施用到血管中的装置，其中，建议了尤其与颗粒相关的针对患者特定的血液动力学的计算机模拟。具体地与已知的栓塞方法不同地建议，使用计算流体粒子动力学(Computational Fluid-Particle Dynamics，CF-PD)分析，以便建立栓塞剂的施用位置与下游的栓塞剂积聚之间的关联。这表示，可以实现有针对性的施用，方式为灵巧地选择施用位置。为此尤其使用名为“Backtracking”(回溯)的程序，以便针对特定的栓塞剂确定理想的施用位置处于何处。
US 2017/0290544 A1涉及一种医学图像诊断装置，其中，从血管网的目标部分的体积数据提取血管网和血管，所述血管网具有大量血管，所述大量血管与血管网连接。分析功能可以在使用计算流体动力学(CFD)的情况下执行模拟分析，其中，这对于不同的情况进行，在所述不同的情况中，输入的血管(“feeder”或者说传入血管)以不同的顺序栓塞。所述栓塞顺序则可以这样选择，使得对于患者的风险尽可能小。
发明内容
本发明所要解决的技术问题在于，实现尽可能最佳的准备并且尤其也实现患者的栓塞的执行。
为了解决该技术问题，按本发明规定了一种计算机实施的方法、一种干预组件、一种计算机程序和一种电子可读的数据载体。
在按照本发明的用于评估患者图像数据的计算机实施的方法中，所述图像数据显示患者的血管系统区段中的需要通过至少一个栓塞剂治疗的目标区域、尤其是需要治疗的畸形区域，所述方法具有以下步骤：
-提供血管系统区段的三维的时间分辨
Figure BDA0003865540750000031
的图像数据组，/>
-通过分析算法由图像数据组确定至少一个基本信息，所述基本信息包括描述至少所述血管系统区段的几何形状的结构参数，和/或描述血管系统区段中的血液动力学的动力学参数，
-提供描述多个需要使用的栓塞剂的栓塞信息，所述栓塞剂尤其包括不同直径的微球体，
-通过确定算法确定针对用于执行治疗的干预装置的操控信息，所述操控信息描述多个栓塞剂的至少一个适当的组成(或者说成分)，所述确定算法使用基本信息和栓塞信息，并且
-将操控信息提供给干预装置。
在此，血管系统区段尤其可以包括关于目标区域的传入血管和传出血管和目标区域。因此，该方法涉及一种特定的方式，该方式既在规划的范围内也在执行的范围内都是有用的，方式为首先从三维的图像数据组中提取对于评估血液动力学和可能的栓塞方式来说重要的信息，所述信息的形式为基本信息，然后将所述信息用于确定针对干预装置的操控信息，所述操控信息例如可以用于操控干预装置以执行干预，这将在以下更详细地讨论。操控信息包含多个栓塞剂的至少一个适当的组成，尤其是包括多个栓塞剂的至少一部分的至少一种混合物。特别有利地，所述操控信息附加地还可以描述性地确定血管系统区段中的至少一个栓塞器械的排出开口的至少一个器械位置和/或通过至少一个栓塞器械实现的栓塞剂施放(Gabe)的时间流程。例如，至少一个栓塞器械、例如微导管也可以形成干预装置的一部分。在此，通常使用多个、例如四到六个微导管，以便能够超选择性地执行干预，操控信息也可以至少部分地描述该干预。原则上，本发明还可以涉及从静脉侧实现栓塞的情况，但经动脉的通路执行栓塞是优选的。
在此，本发明可以特别有利地应用于大多数栓塞剂包括微球体的情况，即栓塞物由可以具有不同直径的小球体组成。在此，迄今在现有技术中已知的是，这样选择微球体的直径，使得其与需要栓塞的至少一个血管相匹配，因此只使用具有特定的可选择的直径的微球体。现在本发明的想法是，利用栓塞剂的、尤其是不同直径的微球体的可混合性的自由度，其中，操控信息能够特别有利地描述一种时间上的施用曲线(或者说施用特性)，所述施用曲线规定了，在哪个时间点需要将哪种栓塞剂组成、尤其是微球体的混合物施用到血管系统区段中的哪个位置上(在本说明书的范围内也包括定向)，以便实现尤其具有最小患者风险和最大封闭的最佳的整体治疗。在此利用的事实是，同时建议了这样的干预装置，在所述干预装置中可以通过执行器控制地、既关于量也关于时间点高度准确地实现栓塞剂的施用。尤其如将在以下更详细讨论的那样，关于栓塞器械的设置、具体地关于栓塞器械的排出开口的设置，也可以考虑执行器、尤其是机器人。由于高度复杂性，混合物的自由度和尤其是多个栓塞剂的时间顺序迄今既不能通过治疗人员规划也不能通过其实施，这在本发明的范围内首次实现。
因此，所建议的方式允许以正确的栓塞剂组成、尤其是混合物并且尤其也以相应栓塞器械的合适的、适配的定位来进行有针对性的栓塞。最终，建议了一种用于栓塞剂的、尤其是关于作为栓塞剂的微球体的尺寸分布的“混合搭配”方法。该方法可以针对给定情况推导出理想的组成。在此，原则上可以考虑用于确定操控信息的不同方法，以下将更详细地讨论这些方法。然后尤其可以将操控信息用于操控具有高精度执行器系统的干预装置，所述执行器系统允许在毫升或者优选地也在亚毫升范围内的施用量。
按照本发明规定的规划和分析基于血管系统区段的至少一个三维的图像数据组。在此，所述至少一个三维的图像数据组中的至少一个可以优选地通过介入式的、即可以在干预之前和期间使用的X射线装置记录(或者说拍摄)，尤其是通过具有C形臂的X射线装置记录，X射线发射器和X射线探测器相对置地布置在所述C形臂上。优选地，X射线装置还可以用于尤其通过荧光检查地监控随后的干预，其中操控信息用于操控干预装置。通常可以说，所述至少一个三维的图像数据组中的至少一个可以优选地是在使用造影剂的情况下记录的血管造影的图像数据组，其中，时间分辨率例如基于造影剂推注(bolus)的传输存在。
然而一般而言，规划也可以基于其它类型的介入前成像，因此至少一个三维的图像数据组中的至少一个也可以是计算机断层扫描图像数据组、磁共振图像数据组、PET(正电子发射断层扫描)图像数据组、超声图像数据组和/或另一模态的图像数据组。如果使用介入式X射线装置，则分析和确定可以适宜地在X射线装置的控制装置中进行，但是当然也可以使用其它的计算装置、例如规划装置。
通过分析算法，在使用至少一个三维的时间分辨的图像数据组的情况下确定描述至少所述血管系统区段的几何形状的结构参数和/或描述血管系统区段中的血液动力学的动力学参数，它们形成用于接下来将确定算法应用于操控信息的基本信息。分析算法尤其可以确定血管系统区段的患者替代模型，所述患者替代模型可以示例性地并且优选地用作模拟的基础。为了确定结构参数和动力学参数，在现有技术中已经已知不同的、也可以在本发明的范围内应用的方法。例如，为了确定结构参数，可以对血管系统区段进行分段，将例如基于网格的模型与所述分段适配。作为用于确定基本信息的示例参考US 2021/0219850A1。在该处首先将血管的畸形部分、至少一个传入血管和至少一个传出血管分段，以便随即确定血管的平均血流速度参数，然后可以从中得出进一步的结论，例如关于畸形区域的三维压力分布、孔隙度和/或渗透率等。在此尤其也可以使用人工智能。然而，当然也可以考虑用于确定基本信息的其它描述的方法，它们如上所述地优选包括血管系统区段的尤其形式为网格模型的三维几何形状、血液动力学参数和/或需要治疗的区域的特性、尤其是其孔隙率和/或渗透率。
在适宜的设计方案中，分析算法可以包括至少一个被训练的分析函数，这例如在US 2021/0219850 A1中也有描述。使用人工智能的优点是能够实时地提供基本信息、尤其是结构参数和/或动力学参数以及尽可能地在很大程度上使用可用的相关性。
一般来说，被训练的函数映射了将人类与其它人类大脑相关联的认知功能。通过基于训练数据的训练(机器学习)，被训练的函数能够与新的形势适配并且探测和外推模式。
一般来说，被训练的函数的参数可以通过训练来适配或者说调整。尤其可以使用监督学习、半监督学习、无监督学习、强化学习和/或主动学习。此外，还可以使用表示学习(也作为“特征学习”已知)。尤其可以通过多个训练步骤迭代地调整所述被训练的函数的参数。
被训练的函数例如可以包括神经网络、支持向量机(SVM)、决策树和/或贝叶斯网络，和/或被训练的函数可以基于K-means聚类、Q-learning、遗传算法和/或分配规则。神经网络尤其可以是深度神经网络、卷积神经网络(CNN)或者深度CNN。此外，神经网络可以是对抗网络、深度对抗网络和/或生成对抗网络(GAN)。
基本信息形成用于通过确定算法确定操控信息的基础。操控信息优选地至少包含用于施用栓塞剂所需的所有信息，尤其是栓塞器械的排出开口的位置、包括方向，以及时间流程，所述时间流程说明应该在哪个时间段内将哪些量的栓塞剂以哪种组成通过哪种栓塞器械输出。在此，在时间流程的范围内尤其也可以考虑可变的位置。在本发明的适宜的扩展设计中，操控信息也可以针对所使用的每个栓塞器械的干预路径综合地被确定。与之相关地适宜的是，所述至少一个三维的图像数据组中的至少一个也显示进入患者的血管系统的入口位置。因此，确定算法也可以用于描述栓塞器械通过血管系统向其位置运动所沿的干预路径。为此，基本信息尤其还可以包含所述血管系统区段之外的其它血管的特性，尤其是直径和/或血管壁的厚度。然而，当然也可行的是，至少部分手动地规划干预路径，其中仍然可能适宜的是，提前在操控信息中提供干预路径，尤其是如果应该尤其通过X射线装置对干预进行图像监控，如还将更详细地阐述的那样。
在本发明的特别有利的设计方案中可以规定，所述确定算法包括基于所述基本信息执行血液动力学的模拟和/或所述确定算法包括借助训练数据被训练的函数，所述训练数据由这种模拟导出。尽管在备选的设计方案中原则上也可以考虑在确定算法的范围内使用查找表，但已证明更有利的是，使用血液动力学的模拟或者基于这种模拟所训练的被训练的函数，以便尽可能地在很大程度上覆盖所有可考虑的情况，因此覆盖所有类型的、应该被治疗的目标区域。具体而言，模拟可以作为计算流体动力学模拟(CFD模拟)执行和/或在将微球体作为栓塞剂的情况下作为计算流体粒子动力学模拟(CF-PD模拟)执行。这种方法在现有技术中基本上是已知的并且也可以在本发明的范围内有利地使用。在此，形式为描述血管系统区段的几何形状的结构参数和形式为描述血液动力学的动力学参数的基本信息包含所有可用知识，以便也在添加栓塞剂的情况下提供用于模拟的启动条件和边界条件。在此，血管系统区段的患者替代模型尤其被证明是用于准备和执行关于血管系统区段的模拟的适宜的基础。
这种基于模拟的方法最终允许基于时间分辨的3D图像记录来预测栓塞剂在需要治疗的复杂目标区域、尤其是血管畸形部分的栓塞治疗期间的分布和积聚，其中，特别有利地导出血管系统区段的针对患者特定的患者替代模型。在此，除了栓塞剂效果或者栓塞剂分布之外，模拟也可以特别有利地输出血液动力学参数、例如相关的脉管结构中的流动参数和/或压力变化和/或时间分辨的压力分布，如将在以下更详细讨论的那样。尤其在例如血管粘合剂的液态栓塞剂的情况下，可以在此使用多相混合物连续体力学建模(multiphase mixture continuum mechanics modelling)，在将微球体作为栓塞剂的情况下，这扩展到考虑颗粒/固体。
如果与之相关地应该使用被训练的函数，则可以规定，通过模拟的栓塞过程训练所述被训练的函数、尤其是包括CNN，其中，使用尤其作为基本信息的一部分存在的患者替代模型。在此，如已经阐述的那样，可以从至少一个三维的图像数据组中导出几何的和与血流相关的边界条件和/或启动条件，其中，尤其是根据需要检验的训练栓塞配置的类型，附加地使用栓塞器械的排出开口的相应位置和/或具有配属的栓塞剂组成的时间流程，以便通过模拟计算栓塞效果。然后通过被训练的函数的原始数据来描述这种栓塞效果，所述原始数据尤其包括栓塞剂随时间的三维分布和/或针对预设的栓塞配置在血管系统区段内的三维压力分布。因此，这种子算法的输出数据可以用作优化的基础，以便选择根据输出数据针对其确定了最佳栓塞效果的测试栓塞配置作为操控信息的基础。
在此还应该注意的是，完全也可以考虑将被训练的函数直接应用于三维的图像数据组的时间分辨的三维图像数据(尤其限于血管系统区段)，其中，在这种情况下将大量其它的、非绝对必要的输入数据用于被训练的函数。因此在这种情况下，基本信息将包括三维的时间分辨的图像数据组的图像数据。然而，优选预先通过分析算法提取重要的所需的基本信息作为被训练的函数的输入数据并且因此尤其由结构参数以及必要时至少部分地由动力学参数形成患者替代模型。
被训练的函数基于模拟被训练并且因此最终替代模拟本身的执行，所述被训练的函数的使用允许对输出数据的明显更快的、尤其是可以实时地实现的访问，同时输出数据仍然具有较高的质量和鲁棒性。
总体而言，这种基于模拟的方法允许对栓塞干预进行精确规划，因为它可以预测哪种测试配置可以实现需要治疗的目标区域的最佳的完全的栓塞，所述测试配置尤其包括栓塞器械的位置、需要使用的栓塞剂组成和配属的时间流程。如所描述的那样，这尤其包括栓塞剂组成和栓塞剂随时间的流入曲线。如将要阐述的那样，这种方法允许基于荧光检查图像、尤其是在随后进一步使用通过操控信息描述的栓塞配置的原始数据的情况下进行实时监控，尤其是还可以对栓塞干预的流程进行相应的调整。
在一个具体实施例中，对于被训练的函数的训练阶段，在使用机器学习方法时可以规定，在提供至少一个三维的时间分辨的图像数据组、尤其是四维的数字减影血管造影(4D-DSA)之后，通过分析算法确定患者替代模型作为信息或者作为信息的一部分，所述患者替代模型通过结构参数和动力学参数描述。物理学附加地由物理模型、尤其是CFD模型和/或CF-PD模型提供。这种物理模型的示例是三维多相混合物连续体力学模型，其例如可以包括流体结构互动模型和/或均质化连续体模型。在此基础上，现在尤其可以进行CFD或者CF-PD模拟，所述模拟可以如上所述地基于测试配置进行，该测试配置尤其包含栓塞器械的位置、需要使用的栓塞剂组成和配属的时间流程。由此可以针对每个这样的训练配置获得原始训练数据，优选地包括栓塞剂随时间的三维分布和血管系统区段内的压力分布。
最后，存在包括输入数据(基本信息的使用部分)和输出数据的训练数据组，所述训练数据组用于训练被相应提供的函数。需要训练的函数尤其可以是CNN，优选是编码器-解码器网络。除了基本信息，训练输入数据当然还包括用于栓塞干预的训练配置。
在此还应该注意的是，这种被训练的函数、尤其是作为确定算法的子算法或者作为确定算法的子算法的一部分，也可以在至少部分地由用户控制的过程中用于确定操控信息。与之相关地，用户例如可以自己选择栓塞器械的器械位置，也可以自己选择栓塞剂组成和/或时间流程，以便可以说“试用”这些测试配置并且评估栓塞效果，以便最终自己选择操控信息所基于的最合适的栓塞配置。然而，如现在阐述的那样，优选使用优化方法，其中，当然在该处也可以如在按照本发明的方法的所有步骤中那样，向用户提供用于校正/调整的干预可能性。
因此，本发明的一个特别有利的扩展设计规定，所述操控信息的确定包括关于至少一种组成、尤其也关于器械位置和/或时间流程的优化方法，其中，尤其是包括所述模拟和/或被训练的函数的子算法确定需要优化的效果信息(Wirkungsinformation)，所述效果信息通过使用操控信息的测试配置描述栓塞效果。因此，在使用被训练的函数时，效果信息尤其对应于原始数据的至少一部分。在此的基本思想是，使用子算法、优选是模拟或者基于模拟被训练的函数，以便从测试配置中选择尽可能有针对性地提供最佳效果的、作为操控信息的基础的栓塞配置。在此，原则上也可以在本发明的范围内使用在现有技术中已知的优化方法，以便尽可能快地找到足够优化的解决方案。至少根据栓塞剂的组成来优化效果信息，其中，优化还特别有利地与器械位置和时间流程有关。优化标准例如可以包括需要治疗的目标区域的尽可能在很大程度上的栓塞、栓塞干预的尽可能短的持续时间、尽可能低的压力负荷、因此尽可能小的出血和破裂风险，和/或栓塞剂的最小需要量。在此，当然也可以进行相应的加权。
然而关于患者的风险，可以特别有利地规定，优化方法使用与患者安全相关的至少一个边界条件。具体而言，这例如可以意味着，脉管结构中的局部压力被保持在预设的最大值以下。为此，在本发明的一个具体的扩展设计中可以规定，确定包括血管系统区段中的压力分布的效果信息，其中，在优化方法中不允许超过作为边界条件的预设的最大压力。通过这种方式，可以将患者的破裂风险并且尤其是出血风险保持尽可能低。
如已经提到的那样，本发明的一个特别有利的扩展设计还可以规定，在干预期间、尤其是通过已经提到的介入性的X射线装置记录血管系统区段的二维荧光检查图像，并且评估荧光检查图像，以便监控至少一个栓塞器械的定位和/或栓塞效果。在此，尤其可以在与尤其包括操控信息的规划信息存在偏差的情况下操控所述干预装置，以便至少部分自动地、至少部分地校正偏差，从而最终实现“闭环控制”，即闭合的控制回路。在此，操控信息尤其还可以包含被训练的函数的输出数据或者针对通过操控信息描述的栓塞配置的模拟的模拟结果，其中，在这种情况下可以根据荧光检查图像将实际流程与这部分操控信息进行比较，并且在与预测的栓塞效果、即最终与对于栓塞配置的效果信息有偏差的情况下，可以进行更新、尤其是操控信息的更新，以便补偿偏差。换而言之，由此实现了栓塞干预的干预监控和实时更新，其中，尤其可以评估荧光检查图像，以便更新基本信息、尤其是患者替代模型，并且尤其是借助子算法更新栓塞配置。
具体地，在按照本发明的方法的范围内例如可以规定，在确定操控信息之后，提供血管系统区段的至少一个当前的荧光检查图像。优选地可以评估所述荧光检查图像以更新基本信息，之后基于更新的基本信息、尤其在使用确定算法的情况下确定更新的操控信息。在此，尤其是至少栓塞器械和/或栓塞剂和/或血流可以是在荧光检查图像中可见的。为了使血流在荧光检查图像中可见，适宜的设计方案可以规定，在施放造影剂之后将荧光检查图像记录为时间序列。因此如果荧光检查图像也不能提供完整的三维信息来确定足够正确的患者替代模型，则按照本发明认识到它们足以确定已经出现的变化，例如血管或者血管系统区段中的脉管结构的已经出现的至少部分的封闭、流动图像的其它变化和/或尤其是器械位置的不希望的变化等。与之相关地，例如可以尤其也在使用栓塞器械的情况下、间歇地在栓塞剂的施用之间也施放造影剂，以便对血流进行成像。然而，特别有利的是栓塞剂本身可以在荧光检查图像中是可见的，因此它们的传播和积聚以及因此栓塞效果本身也能够是直接可见的。这如已经指出的那样在以下情况下是特别有利的，即尤其作为操控信息的一部分已经存在预测、例如作为用于栓塞配置的子算法的效果信息，该预测可以被检验。
因此，本发明的一个特别优选的扩展设计规定，在尤其通过使用所述确定算法、在此具体是子算法的预测过程中，和/或者作为操控信息的部分，确定描述血管系统区段中的效果状态的预测信息、尤其是作为栓塞配置的效果信息，将所述预测信息与通过当前的荧光检查图像描述的真正的效果状态作比较，其中，在偏差信息满足更新标准的情况下，确定更新的操控信息。因此，在这种情况下监控原本已经做出的预测是否真的实现，或者是否需要对操控信息进行修改、可以说是实时跟踪。在这种情况下，由于人工智能的实时能力，作为确定算法、尤其是子算法的一部分的被训练的函数被证明是特别有利的。
在此还需要注意的是，预测信息不一定必须是子算法的效果信息，而是也可以在确定算法范围内的其它部分形成。尤其是独立于按照本发明的方法地，也可以优化栓塞剂的组成(在此尤其是允许混合物)并且通过尤其是自动的操控来实施栓塞剂的组成，按照这个想法可以考虑用于在执行干预期间实时监控和对栓塞效果做出可能的调整的方法。在此，预测信息通常可以在规划的范围内、无论是手动地、部分自动地还是全自动地通过以下方式提供，所述方式描述栓塞剂在血管系统区段中的预期的随时间的分布。实际栓塞效果可以根据监控地记录的荧光检查图像确定并且与预测信息、具体是在该处预期的栓塞效果进行比较。在确定了偏差的情况下、尤其是在满足更新标准的情况下，也可以在这个范围内使用具有更新的基本信息的确定算法，以便尤其实时地实现与变化的情况的适配。在此，与按照本发明的方法一样，基本信息通过分析算法提供，但不一定在规划性地确定操控信息时使用，而是在这些实时干预的范围内才使用。
在本发明的范围内也可以考虑具有设计用于执行按照本发明的方法的控制装置的X射线装置。在此，这尤其可以是介入性的X射线装置，例如在干预开始之前通过所述介入性的X射线装置记录三维的时间分辨的图像数据组，所述三维的图像数据组可以直接由X射线装置自动分析并且进一步评估，以确定操控信息。此外，X射线装置当然也可以用于进行荧光检查监控。
除了所述方法之外，本发明还涉及一种干预组件，所述干预组件用于通过至少一个栓塞剂在患者的血管系统区段中的需要治疗的目标区域、尤其是需要治疗的畸形区域(畸形部分)中执行栓塞干预，所述干预组件具有：
-尤其是具有C形臂的、介入性的X射线装置，X射线发射器和X射线探测器相对置地布置在所述C形臂上，
-干预装置，所述干预装置具有能够尤其是至少部分地以机器人的方式定位在血管系统区段中的栓塞器械、尤其是微导管，和栓塞剂输出装置，所述栓塞剂输出装置能够与栓塞器械连接，以便通过所连接的栓塞器械输出至少一个栓塞剂，和
-控制组件，所述控制组件包括X射线装置的控制装置和干预装置的控制装置，其中，X射线装置的控制装置和干预装置的控制装置通过通信连接相连接，其中，控制组件设计用于执行按照本发明的方法并且按照操控信息操控干预装置。
所有关于按照本发明的方法的说明都类似地适用于按照本发明的干预组件，从而也可以通过所述干预组件获得已经提到的优点。
控制组件还可以包含至少一个其它的控制和/或计算装置，其可以执行按照本发明的方法的步骤或者子步骤或者以下还将提到的其它控制技术措施。在任何情况下，控制装置和/或计算装置(如果存在)均具有至少一个处理器和至少一个存储器件。如原则上已知的那样，X射线装置的控制装置在此可以具有用于操控X射线装置以记录图像数据的记录单元。所述至少一个三维的时间分辨的图像数据组中的至少一个可以用X射线装置、尤其是通过借助记录单元的适当操控记录，但所述至少一个三维的时间分辨的图像数据组中的至少一个也可以经由外部接口提供，例如作为计算机断层扫描图像数据组、作为磁共振图像数据组、作为超声图像数据组、作为PET图像数据组等。X射线装置的控制装置也可以包括重建单元，该重建单元可以设计用于从二维投影图像中确定记录区域的三维的图像数据组。因此，重建单元尤其也可以设计用于，对通过X射线装置记录的至少一个三维的时间分辨的图像数据组中的至少一个进行确定并且通过控制组件内部的接口进行提供。
控制组件适宜地包括用于执行分析算法的分析单元和用于执行确定算法的确定单元以及与干预装置的控制装置的控制单元的、控制组件内部的第二接口，所述控制单元将所确定的操控信息用于根据操控信息操控所述干预装置，因此用于施用所确定的栓塞剂组成，尤其还用于实现器械位置和/或时间流程。分析单元和确定单元可以分别是控制装置之一和/或单独的计算装置的一部分。
以这种方式，提供了用于被辅助地和被图像导引地栓塞需要治疗的目标区域的整体系统，其尤其在所有子系统、因此尤其是X射线装置和干预装置之间提供闭环通信和闭环控制。所述整体系统能够以正确的栓塞剂混合物、尤其也以栓塞器械的优选通过机器人辅助进行的正确定位和优选自动化执行的时间流程进行有针对性的栓塞。因此能够更好地支持进行干预的人并且允许更精确的程序，其中，还作为所施用的栓塞剂的函数实现了对血管系统区段中的血流影响的改善的监控和评估，这将在以下更详细地讨论。
在此特别重要的元件是栓塞剂输出装置，其可以通过控制装置根据操控信息进行操控，以便尽可能精确地实现在规划中借助按照本发明的方法确定和提供的组成，尤其是就其时间流程而言。在此具体地可以规定，栓塞剂输出装置具有小于一毫升的栓塞剂输出精度和/或用于多个分别包含栓塞剂的插塞模块的插塞模块系统。例如，栓塞剂输出装置可以包括插塞模块保持系统(筒保持系统或者说cartridge holding system)，插塞模块(筒)、尤其是微球体注射器和/或用于液态栓塞剂的注射器被保持在所述插塞模块保持系统中。这样的栓塞剂输出装置还可以具有例如至少一个混合室，在所述混合室中可以制备栓塞剂的混合物并且将其输入所述至少一个栓塞器械中的至少一个中。在此，并行和串行的混合都是可以考虑的。所述输出装置允许例如在混合室中实现来自不同插塞模块、尤其是筒的药剂组成，这种输出装置已经被建议用于其它应用领域并且也可以特别有利地在本发明的范围内使用，尤其是极好地与用于栓塞器械的机器人定位系统联系。因此，在使用微球体作为栓塞剂的优选情况下，可以有利地使用包含不同直径的微球体的插塞模块。因此，可以基于预先确定的操控信息进行混合和球体尺寸分布的针对患者特定的调整，以便尤其也关于时间流程地实现理想的组成。为了实现自动操控，栓塞剂输出装置、尤其是插塞模块系统可以包括高精度执行器系统，其能够实现精确到毫升或者甚至亚毫升的施用量和/或高度准确的混合物。在此，例如可以为每个插塞模块分配(或者说配置)一个执行器，通过该执行器可以将高度准确的量的相应栓塞剂置入到栓塞剂输出装置的至少一个混合室中。也可以为混合室分配执行器，以便能够将高度准确的量传递给栓塞器械。
当然，干预装置也可以具有至少一个其它的干预元件、尤其是制备导管，和/或在干预的范围内使用的其它医疗装置。换而言之，因此例如可以将制备导管等包括在总体控制和监控中，例如还能够以机器人方式放置所述制备导管等和/或通过制备导管等将活性物质引入血管系统区段中。在此应该注意的是，除了栓塞剂之外，插塞模块系统当然还可以通过栓塞器械、尤其是微导管将其它活性物质、例如药物和/或造影剂引入血管系统区段中，其中，这种其它活性物质当然也可以通过其它医疗器械、例如制备导管输出。
因此，尤其是在血管粘合剂和/或其它液态栓塞剂的情况下、但也可以在微球体的情况下，插塞模块可以包括能够与栓塞器械中的至少一个连接的注射器和/或其它的筒。每个注射器可以适宜地配置有执行器。
可以特别有利地规定，所述干预装置具有用于定位需要使用的栓塞器械的机器人式的定位装置，其中，在操控信息附加地还包括血管系统区段中的至少一个栓塞器械的排出开口的至少一个器械位置的情况下，干预装置的控制装置设计用于操控定位装置，以便使得至少一个所述栓塞器械处于所述至少一个器械位置。如已经提到的那样，在本发明的范围内，也可以特别有利地使用至少适用于精细定位的、已经在现有技术中描述的用于栓塞器械、尤其是微导管的定位装置，以便进一步改善栓塞干预的精度并且也进一步减轻了执行干预的人的负荷。
因此，本发明不只建议在X射线装置(干预期间的成像)和定位装置(用于控制医学的装置和器械)之间建立闭环控制，而且还建议将栓塞剂输出装置集成，以便由此通过对栓塞剂输出装置的按照操控信息进行的、尤其是全自动的操控，引入对于患者特定的栓塞过程最佳适用的栓塞剂组成，尤其是根据同样最佳地选择的时间流程实现引入。这尤其关于将在以下更详细地描述的、基于介入性的X射线装置被允许的干预监控是特别有利的，因为不只可以通过成像将关于对栓塞器械以及必要时其它器械的控制的信息通知定位装置并且可以执行相应的措施，而且也可以将相应栓塞剂的混合和应用整合到基于图像的导引和调节中。
在本发明的特别有利的设计方案中，用于操控X射线装置的控制组件可以设计用于记录血管系统区段的二维的荧光检查图像并且评估所述荧光检查图像，以便监控至少一个栓塞器械的定位和/或栓塞效果。为此，控制组件可以包括相应的、实施这些措施的监控单元，其中，为了记录二维荧光检查图像，可以通过X射线装置的控制装置的记录单元进行操控。为了实现所描述的闭合控制回路尤其可以规定，在与尤其包括操控信息的规划信息具有偏差的情况下，所述控制组件设计用于操控干预装置，以便至少部分自动地、至少部分地校正所述偏差。
在使用规划信息的情况下，在需要治疗的目标区域上执行至少部分自动化的栓塞程序，所述规划信息特别优选地结合在操控信息中，所述操控信息也可以包含(预期的)效果信息。同时地建议使用基于所涉及装置的已描述的闭环控制回路的监控单元，所述使用一方面可以涉及在使用X射线装置和定位装置的情况下有针对性地放置器械、尤其是栓塞器械，但在任何情况下也应该涉及借助X射线装置和栓塞剂输出装置对栓塞效果的监控和由此产生的措施。换而言之，这种设计方案能够通过定位装置和栓塞剂输出装置在荧光检查的辅助下实现对定位和栓塞流动的调整。因此，栓塞剂的应用可以适应于栓塞器械的当前位置和目标部位处的血管尺寸等地执行。此外，基于通过荧光检查图像获得的信息，可以进行精确的、至少部分自动化的重新调整。
在干预组件的具体设计方案中可以规定，控制组件设计用于，在尤其通过使用所述确定算法的预测过程中，和/或作为操控信息的部分，确定描述血管系统区段中的效果状态的预测信息，其中，控制组件设计用于，将所述预测信息与通过当前的荧光检查图像描述的真正的效果状态作比较，并且在偏差信息满足更新标准的情况下，由所述比较确定更新的操控信息。如已经描述的那样，在此特别优选的是，确定算法具有用于确定优化方法中的效果信息的子算法，如关于按照本发明的方法所描述的那样，因此效果信息、尤其是包括施用的栓塞剂的时间分辨的分布和压力分布的效果信息可以作为预测信息用于从测试配置中针对操控信息选择的栓塞配置。在此，模拟和/或被训练的函数尤其形成子算法的一部分。如关于该方法已经阐述的那样，如果在比较时偏差信息满足更新标准，则可以基于确定算法确定更新的操控信息，其中，基本信息可以根据来自至少一个二维荧光检查图像的信息被调整，并且如果使用优化方法，则可以将迄今的操控信息用作寻找用于栓塞配置的新的最佳值的起点。通常，对于干预组件也可以说，控制组件可以设计用于通过评估针对基本信息的更新的荧光检查图像来更新操控信息并且用于基于更新的基本信息确定更新的操控信息。
在此还应该注意的是，在以视频的方式尤其高频地记录荧光检查图像的情况下，当然也可以评估荧光检查图像的时间序列以便监控和/或为了监控只评估荧光检查图像的一部分，例如每七个至每十五个、尤其是每十个图像进行(一次)评估。
在本发明的适宜的扩展设计中可以规定，所述控制组件在监控时设计用于，使用干预组件的至少一个测量装置的至少一个关于患者的附加信息。因此在这种情况下，干预组件还包括至少一个测量装置，例如作为干预组件的一部分。例如，所述至少一个测量装置中的至少一个可以是能够提供心率等的心电图(EKG)测量装置。然而，特别有利地可以规定，所述至少一个测量装置中的至少一个是在至少一个所使用的栓塞器械上的流量传感器和/或成像传感器、尤其是OCT装置和/或IVUS装置。这意味着，栓塞器械、尤其是微导管可以配备有流量传感器，该流量传感器可以提供高精度的血流信息，所述血流信息对于基本信息的评估并且尤其也对于基本信息的更新是有用的。作为补充或备选，栓塞器械还可以提供其它的成像模态，因此包括成像传感器，例如用于多普勒-OCT(光学相干断层扫描)或者IVUS(血管内超声)。在此，流量传感器还可以测量栓塞剂流量。通过栓塞器械的这种附加装备，可以对栓塞剂的施用流程进行改进的监控和动态调整。这可以与已经描述的图像监控并且尤其是也可以与通过定位装置进行的定位相结合。换而言之，可以规定控制组件设计用于评估流量传感器和/或成像传感器的附加信息，以便监控栓塞剂的引入。可以规定控制组件设计用于，从流量传感器和/或成像传感器的附加信息中确定流量信息、尤其是血流信息并且尤其用于基于流量信息更新基本信息和/或操控信息的动力学参数。
通常，通过荧光检查法和优选地也通过进一步的监控、尤其是通过附加信息，可以实现栓塞剂的施用和组成、尤其是混合物动态地适配于真正的效果状态、例如血液流动。与之相关地例如可以规定，控制组件设计用于，在血流较慢的情况下使用直径较小的微球体，而在流量较快的情况下使用较大的直径。
在这种情况下应该再次指出，对于干预组件最终也适用的是，尤其是对栓塞组成的动态跟踪以及理想情况下器械位置和时间流程的这方面也可以与在规划阶段借助确定算法确定操控信息无关地实现。这意味着，可以考虑一种干预组件，其用于通过至少一个栓塞剂在患者的血管系统区段中的目标区域、尤其是需要治疗的畸形区域中执行栓塞干预，具有：
-介入性的X射线装置，
-干预装置，所述干预装置具有能够定位在血管系统区段中的栓塞器械和栓塞剂输出装置，所述栓塞剂输出装置能够与栓塞器械连接，以便通过所连接的栓塞器械输出至少一个栓塞剂，和
-控制组件，所述控制组件包括X射线装置的控制装置和干预装置的控制装置，其中，X射线装置的控制装置和干预装置的控制装置通过通信连接相连接，其中，控制组件设计用于执行以下步骤：
-提供血管系统区段的至少一个三维的时间分辨的图像数据组，
-通过分析算法由图像数据组确定至少一个基本信息，所述基本信息包括描述至少所述血管系统区段的几何形状的结构参数，和/或描述血管系统区段中的血液动力学的动力学参数，
-提供用于干预装置的操控信息作为规划过程中的规划信息的一部分，
-根据操控信息操控干预装置，
-其中，控制组件设计用于，在执行干预期间记录血管系统区段的二维荧光检查图像，并且评估荧光检查图像，以便监控至少一个栓塞器械的定位和/或栓塞效果，其中，控制组件设计用于，在与尤其包括操控信息的规划信息存在偏差的情况下操控所述干预装置，以便至少部分自动地、至少部分地校正偏差，其中，校正至少部分地涉及对多个栓塞剂的组成的使用并且通过操控栓塞剂输出装置来实施。对这种闭环控制回路的动态监控和跟踪的相应阐述当然也可以应用于这种可考虑的干预组件。
在本发明的扩展设计中还可以规定，所述干预装置或者X射线装置还具有造影剂施放装置，其中，控制组件设计用于这样根据通过干预装置的栓塞剂输入来操控所述造影剂施放装置，使得在施放X射线可见的栓塞剂时，在血管系统区段中的造影剂的量减少或者在血管系统区段中不存在造影剂。这可以理解为对比度的一种智能分层，以便从荧光检查图像中更好地理解栓塞剂的传输特性。因此，在使用造影剂时例如为了更新动力学参数可以分析一般的血液动力学特性，而通过栓塞剂传播的成像可以获得与之相关的信息，所述信息例如可以与预测信息的时间分辨的栓塞剂分布进行比较。换而言之，可以规定控制组件设计用于，由在施放栓塞剂时记录的一系列荧光检查图像确定栓塞剂传输信息，并且在操控干预装置时将其考虑在内，尤其是用于更新操控信息的时间流程。这种智能分层方法的一部分可以实现不同的基于图像的时间延迟，例如在不同的时间并且甚至在不同的器械位置以不同的微球体实现时间延迟，以便进一步提高精度。
如上所述，通过整合图像监控的不同组成部分，可以对需要治疗的目标区域进行更仔细和详细的栓塞，因为通过如上所述的不同措施也可以识别较小的剩余血流并且采取适当的措施，以便完成栓塞。因此，按照本发明的干预组件尤其也可以用于紧急程序中或者不希望的损伤事件的情况或者说实现成功的封闭。
按照本发明，干预组件也可以具有带有显示装置和输入装置的操作装置。在显示装置上可以呈现重要的信息和/或图像数据、例如在监控时至少部分地呈现操控信息和荧光检查图像，借助所述显示装置，人类操作者、尤其是执行和监控干预的人，可以轻松地追踪一切。在此，操作装置允许通过输入装置随时进行干预，从而例如允许医生施加影响。本发明在实施例中还可以规定，在通过用户确认之后才能真正地使用特定的信息和数据、例如操控信息。这例如也能够适用于仍可以例如由用户调整/校正的基本信息，以便允许进一步的改进。换而言之，按照本发明的干预组件总体上可以这样设计，使得用户总是具有干预和施加影响的可行性。
按照本发明的计算机程序可以直接加载到计算装置的存储器、尤其是干预组件的控制组件的存储器中，并且计算机程序具有程序介质(Programmmittel)，以便当计算机程序在计算装置、尤其是控制组件上实施时执行按照本发明的方法的步骤。计算机程序尤其还可以具有程序介质，所述程序介质设计用于实施能够由按照本发明的干预组件的控制组件、尤其是按照本发明地以及如在说明书中所述的那样执行的步骤。因此，不只关于方法的阐述，而且关于干预组件的阐述也相应地继续适用于计算机程序。所述计算机程序可以存储在按照本发明的电子可读的数据载体上，因此该数据载体包括控制信息，该控制信息包括按照本发明的计算机程序，从而在将数据载体用于计算装置、尤其是干预组件的控制组件中时，执行按照本发明的方法的步骤。当然，用于执行由按照本发明的控制组件执行的措施的程序介质的可行的设计在此也适用。
附图说明
本发明的其它优点和细节由所描述的实施例和附图得出。在附图中：
图1示出了神经网络的实施例；
图2示出了卷积神经网络(CNN)的实施例；
图3示出了按照本发明的方法的实施例的流程图；
图4示出了用于被训练的函数的可行的训练方法的流程图；
图5示出了用于执行模拟的草图；
图6示出了按照本发明的干预组件；并且
图7示出了干预组件的控制组件的功能性结构。
具体实施方式
图1示出了人工神经网络1的实施例。人工神经网络1的英文表述为“artificialneural network”、“neural network”、“artificial neural net”或者“neural net”。
人工神经网络1包括节点6至18(nodes)和边19至21(edges)，其中，每个边19至21是从第一节点6至18到第二节点6至18的有向连接。一般来说，第一节点6至18和第二节点6至18是不同的节点6至18，但也可以考虑的是，第一节点6至18和第二节点6至18相同。例如在图1中，边19是从节点6到节点9的有向连接并且边21是从节点16到节点18的有向连接。从第一节点6至18到第二节点6至18的边19至21称为针对第二节点6至18的入边(“ingoingedge”)和针对第一节点6至18的出边(“outgoing edge”)。
在该实施例中，人工神经网络1的节点6至18可以布置在层2至5(layers)中，其中，层可以具有通过节点6至18之间的边19至21引入的固有顺序。尤其是边19至21只能设置在节点6至18的相邻层之间。在所示的实施例中，存在输入层2，所述输入层只具有节点6、7、8，所述节点分别没有入边。输出层5只包括节点17、18，所述节点分别没有出边，其中，隐藏层3和4也位于输入层2和输出层5之间。在一般情况下，隐藏层3、4的数量可以任意选择。输入层2的节点6、7、8的数量通常相应于输入到神经网络1中的输入值的数量，并且输出层5中的节点17、18的数量通常相应于神经网络1的输出值的数量。
尤其可以为神经网络1的节点6至18分配(实)数。在此，x(n) i表示第n层2至5的第i个节点6至18的值。输入层2的节点6、7、8的值等于神经网络1的输入值，而输出层5的节点17、18的值等于神经网络1的输出值。此外，可以为每个边19、20、21分配实数形式的权重。所述权重尤其是在区间[-1,1]中或者在区间[0,1]中的实数。在此，w(m,n) i,j表示第m层2至5的第i个节点6至18和第n层2至5的第j个节点6至18之间的边的权重。此外，定义了用于权重
Figure BDA0003865540750000201
的缩写/>
Figure BDA0003865540750000202
为了计算神经网络1的输出值，将输入值传播(propagieren)通过神经网络1。第(n+1)层2至5的节点6至18的值尤其可以基于第n层2至5的节点6至18的值通过如下计算：
Figure BDA0003865540750000203
在此，f是也可以称为激活函数的传递函数。已知的传递函数是阶梯函数、Sigmoid函数(例如逻辑函数、广义逻辑函数、双曲正切、反正切、误差函数、Smoothstep函数)或者整流函数(Rectifier)。传递函数主要用于标准化目的。
这些值尤其通过神经网络1逐层传播，其中，输入层2的值通过神经网络1的输入数据给出。第一隐藏层3的值可以基于神经网络1的输入层2的值计算，第二隐藏层4的值可以基于第一隐藏层3中的值计算等。
为了能够确定用于边19至21的值
Figure BDA0003865540750000204
神经网络1必须在使用训练数据的情况下进行训练。训练数据尤其包括训练输入数据和训练输出数据，它们在以下称为ti。对于训练步骤，将神经网络1应用于训练输入数据，以便确定计算的输出数据。训练输出数据和计算的输出数据尤其包括一些数量的值，其中，该数量确定为输出层5的节点17、18的数量。
尤其在计算的输出数据和训练输出数据之间使用比较，以便递归地调整神经网络1内的权重(反向传播算法-“back propagation algorithm”)。权重可以尤其相应地改变
Figure BDA0003865540750000205
其中，γ是学习率，并且如果第(n+1)层不是输出层5，则数量
Figure BDA0003865540750000206
可以递归地基于
Figure BDA0003865540750000211
计算为
Figure BDA0003865540750000212
并且如果第(n+1)层是输出层5，则数量
Figure BDA0003865540750000213
可以计算为
Figure BDA0003865540750000214
其中，f'是激活函数的一阶导数，并且
Figure BDA0003865540750000215
是用于输出层5的第j个节点17、18的比较训练值。
以下关于图2也给出了卷积神经网络(CNN)的示例。在此应该注意的是，表述“层”(“layer”)在该处的使用方式与经典神经网络略有不同。对于经典神经网络，表述“层”只表示形成层的节点组，因此是特定的节点代。对于卷积神经网络，表述“层”通常用作主动改变数据的对象，换而言之用作相同代的一组节点以及入边的组或者出边的组。
图2示出了卷积神经网络22的实施例。在所示实施例中，卷积神经网络22包括输入层23、卷积层24(Convolutional Layer)、池化层25、全连接层26和输出层27。在备选的设计方案中，卷积神经网络22可以包含多个卷积层24、多个池化层25和多个全连接层26，以及其它类型的层。所述层的顺序可以任意地选择，其中，全连接层26通常形成输出层27之前的最后的层。
在卷积神经网络22内，层23至27之一的节点28至32尤其可以理解为布置在d维矩阵或者d维图像中。在二维情况下，第n层23至27中的具有索引i，j的节点28至32的值尤其可以表示为x(n)[i,j]。需要注意的是，层23至27的节点28至31的布置对卷积神经网络22本身内的计算没有影响，因为这些影响只由边的结构和权重给出。
卷积层24的特征尤其在于，入边的结构和权重形成基于特定数量的核的卷积操作。尤其可以这样选择入边的结构和权重，使得卷积层24的节点29的值
Figure BDA0003865540750000216
作为基于前一层23的节点28的值x(n-1)的卷积/>
Figure BDA0003865540750000217
被确定，其中，二维情况下的卷积*可以定义为
Figure BDA0003865540750000218
其中，第k个核Kk为d维矩阵，在本实施例中为二维矩阵，其与节点28至32的数量相比通常较小，例如是3×3矩阵或者5×5矩阵。这尤其意味着入边的权重不是独立的，而是被选择为，使得所述权重产生以上的卷积方程。在形成3×3矩阵的核的示例中，只有九个独立权重(其中，核矩阵的每个条目相应于一个独立权重)，而与相应的层23至27中的节点28至32的数量无关。尤其对于卷积层24，卷积层24中的节点29的数量等于前一层23中的节点28的数量乘以卷积核的数量。
在前一层23的节点28布置为d维矩阵时，多个核的使用可以理解为增加其它维度，所述其它维度也称为深度维度，因此卷积层24的节点29布置为(d+1)维矩阵。在前一层23的节点28已经布置成具有深度维度的(d+1)维矩阵时，多个卷积核的使用可以理解为沿着深度维度的扩展，因此卷积层24的节点29同样布置为(d+1)维矩阵，其中，(d+1)维矩阵的尺寸在深度维度上比在前一层23中大出通过核的数量形成的因数。
使用卷积层24的优点是能够利用输入数据的空间局部相关性，方式为在相邻层的节点之间创建局部连接模式，尤其是通过每个节点只与前一层的节点的较小区域具有连接。
在所示实施例中，输入层23包括布置为6×6的二维矩阵的三十六个节点28。卷积层24包括72个节点29，它们布置成两个6×6的二维矩阵，其中，这两个矩阵中的每一个都是输入层23的值与卷积核的卷积结果。以同样的方式，卷积层24的节点29可以理解为布置成6×6×2的三维矩阵，其中，最后提到的维度为深度维度。
池化层25的特征在于，入边的结构和权重以及其节点30的激活函数定义基于非线性池化函数f的池化操作。例如，在二维情况下，池化层25的节点30的值x(n)可以基于前一层24的节点29的值x(n+1)作为
x(n)[i,j]＝f(x(n-1)[id1,jd2],…,x(n-1)[id1+d1-1,jd2+d2-1])
进行计算。换而言之，通过使用池化层25可以减少节点29、30的数量，方式为通过单独的节点30来替代前一层24中的d1×d2个相邻的节点29，该节点30计算为相邻节点29的所述数量的值的函数。池化函数f尤其可以是最大函数、取平均或者L2范数。对于池化层25，入边的权重尤其可以是固定的，并且不会由于训练而修改。
使用池化层25的优点是减少了节点29、30的数量和参数的数量。这导致卷积神经网络22内的必要计算量的减少并且因此导致过拟合的控制。
在所示实施例中，池化层25是最大池化层，其中只通过一个唯一的节点替代四个相邻节点，所述唯一的节点的值通过四个相邻节点的值中的最大值形成。最大池化应用于前一层的每个d维矩阵；在这个实施例中，在两个二维矩阵中的每一个上应用最大池化，因此节点的数量从七十二个减少到十八个。
全连接层26的特征在于，在前一层25的节点30和全连接层26的节点31之间存在多条边、尤其是所有边，其中，每条边的权重可以单独调整。在该实施例中，前一层25和全连接层26的节点30既作为二维矩阵也作为非连续节点示出(显示为节点行，其中，为了更好的可显示性，减少了节点数量)。在该实施例中，全连接层26中的节点31的数量等于前一层25中的节点30的数量。在备选的实施例中，节点30、31的数量可以不同。
此外，在本实施例中，确定输出层27的节点32的值，方式为将Softmax函数应用于前一层26的节点31的值上。通过应用Softmax函数，输出层27的所有节点32的值之和为1并且输出层的所有节点32的所有值都是0到1之间的实数。在将卷积神经网络22用于对输入数据进行分类时，尤其是输出层27的值可以理解为输入数据落入不同类别之一的概率。
卷积神经网络22还可以具有ReLU层，其中，ReLU是“rectified linear units”(线性修正单元)的首字母缩写词。一个ReLU层内的节点数量和节点结构尤其等于前一层的节点数量和节点结构。ReLU层中的每个节点的值尤其可以通过将整流函数(rectifierfunction)应用于上一层的相应节点的值来计算。整流函数的示例是f(x)＝max(0,x)、双曲正切或者Sigmoid函数。
卷积神经网络22尤其可以基于反向传播算法进行训练。为了避免过拟合(overfitting)，可以使用正则化方法，例如单独节点28至32的Dropout(丢弃)、随机池化、人工数据的使用、基于L1或者L2范数或者最大范数约束的权重衰减。
图3示出了用于规划和监控干预以在患者的血管系统区段中对需要治疗的目标区域进行栓塞的方法的实施例的流程图，其中，血管系统区段尤其包括目标区域以及关于目标区域的传入和传出血管。所示的方法包括按照本发明的用于图像数据的评估方法。在具体的示例中，动静脉畸形(AVM)在此被认为是需要治疗的目标区域，其中，在导向肿瘤的血管的栓塞中产生类似的方法；在后一种情况下，也可以使用具有其它作用的栓塞剂，例如用于照射肿瘤。在该实施例中，以不同直径、因此不同尺寸存在的微球体(“micro spheres”)被用作栓塞剂。
在步骤S1中，提供血管系统区段的三维的时间分辨的图像数据组。在此通常可以是术前图像数据组，例如计算机断层扫描图像数据组、磁共振图像数据组、PET图像数据组和/或超声图像数据组。然而在本实施例中，所述至少一个三维的时间分辨的图像数据组中的至少一个被提供为四维的DSA图像数据组(数字减影血管造影)，例如通过介入性的X射线装置在按规划地执行干预之前尽可能在时间上靠近地记录所述DSA图像数据组。
在步骤S2中，使用分析算法评估至少一个三维的时间分辨的图像数据组，该图像数据组在4D-DSA的示例中包含由于造影剂推注引起的血流信息，以导出在此适用于模拟的基本信息。所述基本信息在此包括描述血管系统区段的几何形状的结构参数，例如作为自适应网格形式的分割结果。结构参数可以描述血管的尺寸、走向并且必要时还可以描述血管壁和目标区域。基本信息还包括描述血管系统区段中的血液动力学的动力学参数，例如血流速度等。此外，作为基本信息的一部分也可以描述目标区域的其它的、尤其是血液动力学的特性，例如孔隙率和/或渗透率。动力学参数尤其也能够以空间分辨的方式被观察，例如作为血流速度分布。整个基本信息可以理解为针对患者特定的患者替代模型。
除了基本信息之外，为了执行步骤S3还提供栓塞信息，该栓塞信息描述了多个需要使用的栓塞剂，在此是不同直径的可用的微球体。栓塞信息还可以描述其它边界条件，例如可用的或者可以同时引入的栓塞器械、在此是微导管的数量。因此最终可以说，栓塞信息描述了可用于执行栓塞干预的装备。
在步骤S3中使用栓塞信息和基本信息作为确定算法的输入信息，以便确定用于在干预中使用的干预装置的操控信息。在当前情况下，干预装置在此一方面包括用于以机器人方式定位栓塞器械的定位装置以及栓塞剂输出装置，用于不同直径的栓塞剂的插塞模块、例如筒和/或注射器可以插入到所述栓塞剂输出装置中，所述插塞模块可以与栓塞器械中的至少一个连接。在通过干预装置的控制装置控制的情况下，通过执行器可以实现将栓塞剂的量和混合物、例如通过至少一个混合室极其精确地输出至栓塞器械并且因此可以施用到血管系统区段中。定位装置也可以由干预装置的控制装置操控。
在此背景下，在步骤S3中确定的操控信息在此描述了将要布置栓塞器械、在此为微导管的排出开口的器械位置的时间流程，以及栓塞剂、即具有不同直径的微球体的组成从这些器械位置出发的相应施用，所述器械位置也可以随时间改变，其中，组成优选还包含至少一种混合物。因此，操控信息包含针对干预装置的控制装置的控制单元所需的所有控制参数，以便在干预期间或者为执行干预对定位装置和栓塞剂输出装置进行操控。应当注意的是，也可以考虑以下实施例，其中操控信息还包括用于器械通过血管系统到达相应器械位置的干预路径，这也可以在机器人的辅助下使用定位装置进行，并且如还将阐述的那样，可以通过荧光检查来监控。
在当前情况下，所确定的操控信息还包括基于组成、器械位置和时间流程描述预期的栓塞效果的预测信息，所述预测信息在此相应于在步骤S3中原本就形成的信息。
为了确定与需要使用的、具有器械位置、栓塞剂组成和时间流程的栓塞配置相对应的操控信息，在步骤S3中在确定算法的范围内使用优化方法。所述优化方法使用子算法，所述子算法在与基本信息结合地应用于测试配置(具有器械位置、栓塞剂组成和时间流程)的情况下输出需要优化的效果信息，所述效果信息描述测试配置的栓塞效果。为此，子算法可以包括模拟，但在本实施例中使用被训练的函数。
确定算法的被训练的函数的训练通过图4中的流程图以及图5更详细地阐述。所述训练在模拟的基础上进行。在此，在步骤S11中首先提供基本信息和训练配置(具有器械位置、栓塞剂组成和时间流程)的组合作为被训练的函数的训练输入数据。在此例如可以考虑的是，使用真正记录的4D-DSA图像数据组并且例如通过分析算法对其进行评估，以便获得基本信息；然而，“创造出的”或者以其它方式生成的基本信息当然原则上也是可以考虑的。基本信息又可以理解为血管系统区段的患者替代模型，由此描述了作为随后在步骤S12中的模拟的基础所需的几何形状和血液动力学。例如，可以基于预设或者真正进行的干预来产生训练配置，其中，用于唯一的基本配置的多个训练配置是可以考虑的。
在步骤S12中，针对每组训练输入数据进行模拟，在此由于使用应该理解为颗粒的微球体进行CF-PD模拟，以便确定训练输出数据并且因此确定效果信息。在当前情况下，效果信息包括栓塞剂在血管系统区段中的时间分辨的分布以及血管系统区段中的三维的、尤其也是时间分辨的压力分布。这示意性地在图5中示出。
在该处可以首先看到的是，基本信息33和训练配置34提供用于模拟35的输入数据，所述模拟35也通过描述基础物理的物理信息71(物理模型)被参数化。例如，相模型可以与混合理论和体积分数概念相结合，以便获得多相混合物连续体力学建模意义上的多相宏观模型，其中，可以基于栓塞剂的颗粒性质进行修改，或者直接地使用物理基础和与预设几何形状中的颗粒-液体相互作用相关的模拟技术。
在图5的左侧示例性地示出了在特定时间点在血管系统区段36中可以通过模拟35描述的效果状态。可以看出，血管37以及需要治疗的目标区域38、即目标范围根据基本信息的结构参数通过薄壁组织39限定。虚线区域40在此对应于正常血液，而打点区域41、42示出被不同栓塞剂占据的部分。此外，在此也可以将已经被栓塞剂阻止流动的区域算作薄壁组织39，因此模拟真正地与血管系统区段36的可供流通的部分相关。这尤其关于时间流程(其中例如也可以使用多个时间模拟区段)是重要的，以便能够评估栓塞的成功。从模拟结束时的效果信息可以推断，血管系统区段36的需要封闭的部分是否真正被栓塞或者在该处是否还存在(由此是血液的)流动。此外相应地也可能适宜的是，效果信息附加地也包括空间血流速度分布。
回到图4，在步骤S13中检验是否还存在其它的训练输入数据组。如果是，则通过下一组训练输入数据继续所述方法，以便在步骤S12中执行模拟35并且获得效果信息形式的训练输出数据，从而形成其它的训练数据组。如果所有的训练输入数据组都已被处理，则继续进行步骤S14，在步骤S14中借助由此获得的训练数据组执行对人工智能、在此是CNN的函数的训练，所述CNN由编码器和解码器组成，以便获得被训练的函数并且能够在步骤S15中提供被训练的函数。
因此，被训练的函数如模拟那样地作用，但可以快得多地、尤其是实时地执行，这在用于监控的应用中特别重要，如将在以下阐述的那样。然而，应该注意的是，如果被训练的函数可以足够快地执行，则也可以使用模拟35替代被训练的函数作为步骤S3中的子算法的一部分。然而，原则上也可以考虑以下实施例，其中既不使用模拟也不使用被训练的函数，并且在步骤S3中例如使用查找表等，但这不是优选的。
回到图3，在用于测试配置的优化方法中，借助包括被训练的函数的子算法确定效果信息，根据所述效果信息找到效果信息的最佳值。在此可以使用不同的优化标准，除了目标区域的尽可能完全的栓塞之外，例如也可以包括尽可能短的干预时间、尽可能小的栓塞剂的量和/或尽可能小的患者风险。，与之相关地在本实施例中在任何情况下规定，关于患者风险的最小化也可以规定优化方法的边界条件，在此形式为不应被超过的最大压力值，以便将出血和破裂风险保持尽可能小。这是可行的，因为还获得了压力分布作为效果信息。
由此可以将最佳测试配置视为最终需要使用的栓塞配置。它以操控信息的形式输出，如已经说明的那样，所述操控信息还包括栓塞信息的效果信息作为预测信息，所述栓塞信息最终包含针对所有子步骤的预期栓塞效果、栓塞剂组成和器械位置。
在步骤S4中提供操控信息、尤其是将操控信息提供给干预装置的控制装置，所述控制装置可以使用该操控信息来操控干预装置，尤其是操控定位装置和/或栓塞剂输出装置。
在执行栓塞干预期间进行以下步骤S5至S8。在步骤S5中，使用介入性的X射线装置规律地、例如以特定的记录速率记录血管系统区段的二维荧光检查图像，所述介入性的X射线装置以原则上已知的方式方法设置用于特定的、合适的投影几何形状。在此，在准备时已经使用荧光检查图像、尤其是沿着通往器械位置的干预路径来监控干预，以便如原则上已知的那样追踪穿过血管系统的这个路径，并且必要时输出指令和/或调整对定位装置的操控。荧光检查监控也可以已经涉及准备措施，例如药物的输出等。
然而，在使用操控信息以根据栓塞配置施用栓塞剂期间，也记录和评估二维荧光检查图像，尤其是还用于关于器械位置等的校正，这不需要在此更详细地阐述，因为它至少在针对干预监控的基本特点中是已知的。在实施例中，当使用在X射线成像中可见的栓塞剂时，作为一种“造影剂分层”，尤其可以这样实现例如用于评估目标区域中的流动的造影剂施放的时间流程和栓塞剂施放，使得在施用栓塞剂时，在脉管系统区段中不存在或者只存在较少的造影剂。这使得可以分隔开地评估血流和栓塞剂分布，如在以下还将更详细地阐述的那样。此外，在此应该注意的是，造影剂也可以通过栓塞器械借助栓塞剂输出装置中的插塞模块输出，这当然也适用于其它的活性物质、例如药物。然而也可以考虑的是，将其它器械、例如制备导管连接在栓塞剂输出装置上并且将它们用于输出造影剂(或者其它活性物质)。
在步骤S6中，在监控的范围内，将在荧光检查图像中可见的栓塞效果与通过预测信息描述的栓塞效果进行比较。由于预测信息基于模拟或者替代模拟的被训练的函数，因此还可以从预测信息中以时间分辨的方式已知，例如栓塞剂应该如何分布以及它应该具有什么样的封闭效果，这至少基本上也可以从荧光检查图像中推断出，其中，为此也可以例如从具有造影剂的荧光检查图像的时间序列中确定血流信息。如果出现满足更新标准、例如超过阈值的偏差，则在步骤S5中不继续记录下一个荧光检查图像，而是实时地力求更新操控信息，从而与变化的情况适配。
为此在步骤S7中首先使用荧光检查图像，以便调整基本信息作为应用模拟或者被训练的函数的基础，因此更新针对患者特定的患者替代模型。在此例如可以考虑的是，已经发生了部分封闭和/或存在改变的血流速度。
基于这个改变的基本信息，尤其在使用确定算法的情况下，可以在步骤S8中确定更新的操控信息并且将所述操控信息用于操控干预装置，其中，这尤其可以在使用被训练的函数的情况下实时地实现，因此可以快速地对表明与原始规划的方式具有偏差的事件做出反应。
在此与之相关地还应该注意的是，对于以其它方式确定的规划信息/操控信息原则上也可以考虑的是，通过荧光检查图像和调整、尤其是在使用被训练的函数的情况下执行这种实时的监控，因此在出现不期望的事件或者与栓塞规划有其它偏差时，几乎可以立即地关于栓塞剂组成、器械位置和时间流程做出动态反应。这是按照本发明的在以下更详细地阐述的干预组件的一个特别的优点。
图5示出了按照本发明的这种干预组件43的实施例的原理图。干预组件43包括介入性的X射线装置44，其具有C形臂45，在所述C形臂上，X射线发射器46和X射线探测器47彼此相对地布置。例如，C形臂45可以围绕患者台或者手术台48枢转。干预组件43还包括干预装置49，该干预装置49包括在此只示意性示出的栓塞器械50、尤其是微导管，所述栓塞器械可以被引入需要治疗的患者的血管系统中。可选地，干预装置49还可以包括其它的医学器械、例如制备导管51，其在此由虚线示出。
所述器械50、51可以通过定位装置52至少部分地以机器人方式定位。器械还与栓塞剂输出装置53连接，该栓塞剂输出装置具有用于插塞模块54(筒)的插塞模块系统，所述插塞模块具有不同类型的栓塞剂，在此是不同直径的微球体，以便将相应的栓塞剂、尤其是通过至少一个在此未详细示出的混合室输入到连接的栓塞器械50中。为了能够以较高准确性自动地执行此操作，插塞模块54分别配置有高精度执行器系统的执行器55，其中，在使用混合室的情况下，也可以设置有配属于这些混合室的相应的执行器。
X射线装置44和干预装置49都具有控制装置，这些控制装置形成干预组件43的控制组件56的部分。通过干预装置49的控制装置能够以出色的准确性在栓塞剂组成、器械位置和时间流程方面实现描述栓塞配置的操控信息。
图7更详细地示出了干预组件43的控制组件56的功能性结构。如已经提到的那样，它具有X射线装置44的控制装置57，如原则上已知的那样，该控制装置57在此具有用于控制图像数据的记录的记录单元58和用于从二维的投影图像重建三维的图像数据组的重建单元59。因此，如果X射线装置44应该记录和提供所述至少一个三维的时间分辨的图像数据组中的至少一个，则控制装置57可以通过这些功能单元58、59至少部分地执行步骤S1。此外，借助记录单元58可以在步骤S5中记录荧光检查图像。
控制组件56还包括干预装置49的控制装置60，所述控制装置在此具有控制单元61，用于尤其根据步骤S4中的操控信息或者在使用在步骤S8中更新的操控信息的情况下尤其操控定位装置52和栓塞剂输出装置53。两个控制装置57、60通过通信连接62连接并且还可以具有存储器件63。控制组件56还包括用于执行分析算法并且因此用于确定基本信息的分析单元64和用于执行确定算法并且因此用于确定操控信息的确定单元65(步骤S2和S3)。此外，也存在监控单元66，所述监控单元不只用于监控栓塞器械50或者其它器械51的位置，而且还用于监控根据步骤S6至S8的栓塞效果，其中，如所描述的那样，关于步骤S8也可以使用确定单元65。
功能单元64、65和66可以位于两个控制装置57、60之一中。然而也可行的是，可选地设置其它的、因此在此以虚线示出的计算装置或者控制装置67，该计算装置或者控制装置67由此也可以通过通信连接62与控制装置57和60连接。
最迟通过通信连接62和使用监控单元66形成一种闭合控制回路(“closedcontrol loop”)，因为荧光检查监控可以对干预装置的控制具有直接的影响，以便由此达到最佳的栓塞结果。
控制组件56还可以与干预组件43的操作装置68连接，该操作装置68包括显示装置69和输入装置70。操作装置68例如可以通过输出操控信息、荧光检查图像等不断地向操作者通知所述过程。同时，为操作者随时提供用于干预、例如用于调整自动获得的结果或者其基础等的可能性。以这种方式，被通知的用户始终保持对可以使用栓塞组件43执行的栓塞干预的控制。
尽管已经通过优选实施例详细地说明和描述了本发明，但本发明不受所公开的示例的限制并且本领域技术人员可以由此推导出其它的变型方案，而不背离本发明的保护范围。

Claims (17)

1.一种用于评估患者图像数据的计算机实施的方法，所述图像数据显示患者的血管系统区段(36)中的需要通过至少一个栓塞剂治疗的目标区域(38)、尤其是需要治疗的畸形区域，所述方法具有以下步骤：
-提供血管系统区段(36)的至少一个三维的时间分辨的图像数据组，
-通过分析算法由图像数据组确定至少一个基本信息，所述基本信息包括描述至少所述血管系统区段(36)的几何形状的结构参数，和/或描述血管系统区段(36)中的血液动力学的动力学参数，
-提供描述多个需要使用的栓塞剂的栓塞信息，所述栓塞剂尤其包括不同直径的微球体，
-通过确定算法确定针对用于执行治疗的干预装置(49)的操控信息，所述操控信息描述多个栓塞剂的至少一个适当的组成，所述确定算法使用所述基本信息和所述栓塞信息，并且
-将操控信息提供给干预装置(49)。
2.按权利要求1所述的方法，其特征在于，所述操控信息附加地还描述性地确定血管系统区段(36)中的至少一个栓塞器械(50)的排出开口的至少一个器械位置和/或通过至少一个栓塞器械(50)实现的栓塞剂施放的时间流程。
3.按权利要求1或2所述的方法，其特征在于，所述确定算法包括基于所述基本信息执行血液动力学的模拟(35)和/或所述确定算法包括借助训练数据被训练的函数，所述训练数据由这种模拟(35)导出。
4.按权利要求3所述的方法，其特征在于，所述模拟(35)作为计算流体动力学模拟(35)执行，和/或在将微球体作为栓塞剂的情况下，所述模拟作为计算流体粒子动力学模拟(35)执行。
5.按前述权利要求之一所述的方法，其特征在于，所述操控信息的确定包括关于至少一种组成、尤其也关于器械位置和/或时间流程的优化方法，其中，尤其是包括所述模拟(35)和/或被训练的函数的子算法确定需要优化的效果信息，所述效果信息通过使用操控信息的测试配置描述栓塞效果。
6.按权利要求5所述的方法，其特征在于，确定包括血管系统区段(36)中的压力分布的效果信息，其中，在优化方法中不允许超过作为边界条件的预设的最大压力。
7.按前述权利要求之一所述的方法，其特征在于，在确定操控信息之后，提供血管系统区段(36)的至少一个当前的荧光检查图像，
-其中，评估所述荧光检查图像以更新基本信息，之后基于更新的基本信息确定更新的操控信息，和/或
-其中，在尤其通过使用所述确定算法的预测过程中，和/或作为操控信息的部分，确定描述血管系统区段(36)中的效果状态的预测信息，将所述预测信息与通过当前的荧光检查图像描述的真正的效果状态作比较，其中，在偏差信息满足更新标准的情况下，确定更新的操控信息。
8.一种干预组件(43)，所述干预组件用于通过至少一个栓塞剂在患者的血管系统区段(36)中的目标区域(38)、尤其是需要治疗的畸形区域中执行栓塞干预，具有：
-介入性的X射线装置(44)，
-干预装置(49)，所述干预装置具有能够定位在血管系统区段(36)中的栓塞器械(50)和栓塞剂输出装置(53)，所述栓塞剂输出装置能够与栓塞器械(50)连接，以便通过所连接的栓塞器械(50)输出至少一个栓塞剂，和
-控制组件(56)，所述控制组件包括X射线装置(44)的控制装置(57)和干预装置(49)的控制装置(60)，其中，X射线装置(44)的控制装置(57)和干预装置(49)的控制装置(60)通过通信连接(62)相连接，其中，控制组件(56)设计用于，执行按前述权利要求之一所述的方法并且按照操控信息操控干预装置(49)。
9.按权利要求8所述的干预组件(43)，其特征在于，所述栓塞剂输出装置(53)具有小于1ml的栓塞剂输出精度和/或用于多个分别包含栓塞剂的插塞模块(54)的插塞模块系统，和/或具有至少一个其它的干预器械(51)。
10.按权利要求8或9所述的干预组件(43)，其特征在于，所述干预装置(49)具有用于定位需要使用的栓塞器械(50)的机器人式的定位装置(52)，其中，在操控信息附加地还包括血管系统区段(36)中的至少一个栓塞器械(50)的排出开口的至少一个器械位置的情况下，干预装置(49)的控制装置(60)设计用于操控定位装置(52)，以便使得至少一个所述栓塞器械(50)处于所述至少一个器械位置。
11.按权利要求8至10之一所述的干预组件(43)，其特征在于，用于操控X射线装置(44)的控制组件(56)设计用于记录血管系统区段(36)的二维的荧光检查图像并且评估所述荧光检查图像，以便监控至少一个栓塞器械(50)的定位和/或栓塞效果。
12.按权利要求11所述的干预组件(43)，其特征在于，在与尤其包括操控信息的规划信息具有偏差的情况下，所述控制组件(56)设计用于操控干预装置(49)，以便至少部分自动地、至少部分地校正所述偏差。
13.按权利要求11或12所述的干预组件(43)，其特征在于，所述控制组件(56)在监控时设计用于，使用干预组件(43)的至少一个测量装置的至少一个关于患者的附加信息。
14.按权利要求13所述的干预组件(43)，其特征在于，所述至少一个测量装置中的至少一个是在至少一个所使用的栓塞器械(50)上的流量传感器和/或成像传感器、尤其是OCT装置和/或IVUS装置。
15.按权利要求10至14之一所述的干预组件(43)，其特征在于，所述干预装置(49)或者X射线装置(44)还具有造影剂施放装置，其中，控制组件(56)设计用于这样根据通过干预装置(49)的栓塞剂输入来操控所述造影剂施放装置，使得在施放X射线可见的栓塞剂时，在血管系统区段(36)中的造影剂的量减少或者在血管系统区段中不存在造影剂。
16.一种计算机程序，当所述计算机程序在计算装置、尤其是干预组件(43)的控制组件(56)上实施时，所述计算机程序执行按权利要求1至7之一所述的方法的步骤。
17.一种电子可读的数据载体，在所述数据载体上存储有按权利要求16所述的计算机程序。
CN202211181047.3A 2021-09-28 2022-09-27 评估患者图像数据的方法、干预组件、计算机程序和数据载体 Pending CN115880217A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021210860.1 2021-09-28
DE102021210860.1A DE102021210860A1 (de) 2021-09-28 2021-09-28 Computerimplementiertes Verfahren zur Auswertung von Bilddaten eines Patienten, Eingriffsanordnung, Computerprogramm und elektronisch lesbarer Datenträger

Publications (1)

Publication Number Publication Date
CN115880217A true CN115880217A (zh) 2023-03-31

Family

ID=85477686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211181047.3A Pending CN115880217A (zh) 2021-09-28 2022-09-27 评估患者图像数据的方法、干预组件、计算机程序和数据载体

Country Status (3)

Country Link
US (1) US20230123449A1 (zh)
CN (1) CN115880217A (zh)
DE (1) DE102021210860A1 (zh)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011014562A1 (en) 2009-07-28 2011-02-03 North Carolina State University Methods and devices for targeted injection of microspheres
DE102010022926A1 (de) 2010-06-07 2011-12-08 Siemens Aktiengesellschaft Mikrokapsel zur lokalen Behandlung eines Tumors, Verfahren zur Positionierung eines magnetische Nanopartikel an einen Zielort führenden und/oder an dem Zielort haltenden magnetischen Gradientenfeldes und Vorrichtung zur Positionierung eines magnetischen Gradientenfeldes
WO2013192234A1 (en) 2012-06-18 2013-12-27 The Research Foundation For The State University Of New York Systems and methods for identifying historical vasculature cases
US9349178B1 (en) 2014-11-24 2016-05-24 Siemens Aktiengesellschaft Synthetic data-driven hemodynamic determination in medical imaging
US11172896B2 (en) 2015-03-18 2021-11-16 Koninklijke Philips N.V. Drug concentration determination after transarterial chemoembolization with different sized drug-eluting microsphere beads
US9839483B2 (en) 2015-04-21 2017-12-12 Heartflow, Inc. Systems and methods for risk assessment and treatment planning of arterio-venous malformation
DE102016100713A1 (de) 2016-01-18 2017-07-20 Surgiceye Gmbh System und Verfahren zur Bestimmung einer Dosis in der Strahlentherapie
JP6651402B2 (ja) 2016-04-12 2020-02-19 キヤノンメディカルシステムズ株式会社 医用画像処理装置、医用画像診断装置およびプログラム
EP3400877A1 (de) 2017-05-10 2018-11-14 Siemens Healthcare GmbH Verfahren zur bildgebung eines untersuchungsbereichs mit erstem kontrastmittel und zweitem kontrastmittel
DE102020200750A1 (de) 2020-01-22 2021-07-22 Siemens Healthcare Gmbh Bereitstellen eines Blutflussparametersatzes einer Gefäßmalformation

Also Published As

Publication number Publication date
DE102021210860A1 (de) 2023-03-30
US20230123449A1 (en) 2023-04-20

Similar Documents

Publication Publication Date Title
CN106529117B (zh) 用于治疗规划的生理驱动决策支持
EP2685900B1 (en) Medical imaging device for providing an image representation supporting in positioning an intervention device
US20200051274A1 (en) Computer assisted identification of appropriate anatomical structure for medical device placement during a surgical procedure
JP6480868B2 (ja) リアルタイム適応的線量計算による放射線治療
EP3645118B1 (en) Simulation-based drug treatment planning
EP3418930B1 (en) Assessment of a treatment plan
US10773100B2 (en) Treatment of unruptured saccular intracranial aneurysms using stereotactic radiosurgery
EP2574374B1 (en) Automatic treatment planning method
Lamadé et al. Navigation and image-guided HBP surgery: a review and preview
EP3380191B1 (en) Adaptive radiation therapy planning
CN108883302A (zh) 自适应辐射治疗规划
WO2017167439A1 (en) Dose-distribution estimation in proton therapy
US20220051401A1 (en) Providing a scene with synthetic contrast
CN115087395A (zh) 针对介入的患者模型估计
JP2023033308A (ja) 自動冠動脈血管造影分析
CN115880217A (zh) 评估患者图像数据的方法、干预组件、计算机程序和数据载体
EP2931127B1 (en) Interventional system
US11139082B2 (en) Method for classifying a risk for thrombus formation in an organ, system for classifying a risk for thrombus formation in an organ, a computer program product and a computer readable medium
CN116172699A (zh) 机器人导管导航系统的风险管理
EP2810197B1 (en) Method for determining an infusion parameter
Ando et al. Agreement between single plane and biplane derived angiographic fractional flow reserve in patients with intermediate coronary artery stenosis
US20240000413A1 (en) Pressure and x-ray image prediction of balloon inflation events
EP4345839A1 (en) Assessing operator behavior during a medical procedure
US20210304885A1 (en) Method and device for controlling a medical apparatus
JP7114348B2 (ja) 腫瘍位置表示装置及び放射線治療システム

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