CN116525121B - 栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用 - Google Patents

栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用 Download PDF

Info

Publication number
CN116525121B
CN116525121B CN202310816088.3A CN202310816088A CN116525121B CN 116525121 B CN116525121 B CN 116525121B CN 202310816088 A CN202310816088 A CN 202310816088A CN 116525121 B CN116525121 B CN 116525121B
Authority
CN
China
Prior art keywords
aneurysm
neural network
model
deep neural
decomposer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310816088.3A
Other languages
English (en)
Other versions
CN116525121A (zh
Inventor
刘伟奇
马学升
陈金钢
徐鹏
赵友源
陈磊
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.)
Kunming Tongxin Yilian Technology Co ltd
Original Assignee
Kunming Tongxin Yilian Technology Co ltd
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 Kunming Tongxin Yilian Technology Co ltd filed Critical Kunming Tongxin Yilian Technology Co ltd
Priority to CN202310816088.3A priority Critical patent/CN116525121B/zh
Publication of CN116525121A publication Critical patent/CN116525121A/zh
Application granted granted Critical
Publication of CN116525121B publication Critical patent/CN116525121B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请实施例公开了一种栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用，栓塞动脉瘤的首发弹簧圈推荐模型建立方法包括S1、获取多个数据样本，初始化每个数据样本的样本权重；S2、将深度神经网络分解机条件输入当前深度神经网络分解机模型进行处理，获得当前深度神经网络分解机模型；S3、将数据样本划分到当前深度神经网络分解机模型的各个树的中间节点上，得到多个具有异质性的数据组；S4、利用各个中间节点的数据，进行训练并更新样本权重；S5、根据更新后的样本权重，将深度神经网络分解机条件输入下一个深度神经网络分解机模型进行处理，循环执行步骤S2至S5；S6、进行模型参数优化，获得栓塞动脉瘤的首发弹簧圈推荐模型。

Description

栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用
技术领域
本申请涉及医学图像处理技术领域，具体涉及一种栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用。
背景技术
颅内动脉瘤是导致蛛网膜下腔出血的主要原因，中国人群发病率约为3.5%-7%，中国预计有4000-7000万人患有颅内动脉瘤。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的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，避免错误的选择导致的动脉瘤残留。
随着血管内栓塞技术不断提高及临床新型材料的应用，动脉瘤栓塞术治疗效果显著，已被临床认可，但是，目前动脉瘤栓塞手术时术前规划和术中的首发弹簧圈无法进行模拟和选择，使得在栓塞治疗时难以做到完全栓塞、致密栓塞，造成耗材浪费，手术时间长，手术并发症较多，预后生活质量降低的问题。
发明内容
本申请实施例的目的在于提供一种栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用，用以解决现有技术中的动脉瘤栓塞手术时术前规划和术中的首发弹簧圈无法进行模拟和选择，使得在栓塞治疗时难以做到完全栓塞、致密栓塞，造成耗材浪费，手术时间长，手术并发症较多，预后生活质量降低的问题。
为实现上述目的，本申请实施例提供一种栓塞动脉瘤的首发弹簧圈推荐模型建立方法，包括：S1、获取包括动脉瘤尺寸信息和弹簧圈尺寸信息的训练数据的多个数据样本，初始化每个所述数据样本的样本权重；
S2、将包括所述数据样本的深度神经网络分解机条件输入当前深度神经网络分解机模型进行处理，以利用所述数据样本和所述样本权重进行模型参数优化，获得预测首发弹簧圈推荐信息的所述当前深度神经网络分解机模型；
S3、将所述数据样本划分到所述当前深度神经网络分解机模型的各个树的中间节点上，以每个树的所述中间节点上的所述数据样本作为一个数据组，得到多个具有异质性的所述数据组；
S4、利用各个所述中间节点的数据，执行每个所述中间节点分支的深度神经网络分解机模型进行训练并更新所述样本权重；
S5、根据更新后的所述样本权重，将所述深度神经网络分解机条件输入下一个所述深度神经网络分解机模型进行处理，回到步骤S2循环执行步骤S2至S5，直至达到迭代轮次上限；
S6、将所述深度神经网络分解机条件输入最终的所述深度神经网络分解机模型进行处理利用所述数据样本进行模型参数优化，获得预测所述首发弹簧圈推荐信息的可平衡异质性样本组的目标深度神经网络分解机模型，作为栓塞动脉瘤的所述首发弹簧圈推荐模型。
可选地，所述中间节点分支的深度神经网络分解机模型的结构包括：最底层输入层、中间层和最上层；其中
所述最底层输入层包括患者的所述动脉瘤尺寸信息特征和所述弹簧圈尺寸信息特征，所述中间层将原始输入转换为密集表达，所述最上层包括分解机和深度神经网络子模型，最后所述分解机和深度神经网络子模型的结果整合到树的中间节点。
可选地，所述深度神经网络分解机模型的结果取决于所述分解机和深度神经网络子模型两个部分的结果：
其中，是公式等于/>，X表示推算出的弹簧圈圈数，/>和/>是所述分解机和深度神经网络子模型的输出结果，y是输出的结果；其中
所述分解机子模型能够有效学习一阶特征和二阶特征交互，具体来说，相互作用特征和/>的参数是其对应的潜在向量/>和/>的内积，分解机子模型的定义是：
其中是向量/>和/>的内积，/>是潜在向量的维数，/>为分解机子模型的可学习参数，/>，/>表示动脉瘤的一级线圈和二级线圈的大小；
所述深度神经网络子模型的目的是学习特征之间的高阶交互，由连续和稀疏值组成，引入嵌入层将输入/>压缩成低维度/>度向量，嵌入层的输出表示为：
其中，E表示每层的输出结果，为第/>个域的嵌入，/>为域的个数，然后，将/>嵌入深度神经网络，看作是深度神经网络的第0个输出，其中，所述深度神经网络的过程表示为：
公式中，为激活函数，/>、/>、/>为第/>层深度神经网络子模型的输出值、模型权值和偏差，最后得到高阶相互作用表示/>，其中/>为所述深度神经网络子模型的隐藏层，所述深度神经网络子模型的预测结果为：
其中，是S型函数，/>和/>是所述深度神经网络子模型的预测层的可学习参数，为预测的弹簧圈结果推荐。
可选地，所述利用各个所述中间节点的数据，执行每个所述中间节点分支的深度神经网络分解机模型进行训练并更新所述样本权重，包括：
在训练过程中，以异质性的所述数据组为单位对所述数据样本施加样本加权，以更新所述样本权重，使得所有所述数据组中的样本权重和相等，保持异质性的所述数据组样本量均衡。
可选地，所述保持异质性的所述数据组样本量均衡，包括：
如果经过所述深度神经网络分解机划分后共有个所述数据组/>，第/>个数据组/>包含/>个样本，那么第/>个数据组的第/>个样本/>的权重/>为:
那么，数据组中样本的权重和满足，
从而，实现异质性的所述数据组的样本均衡。
为实现上述目的，本申请还提供一种栓塞动脉瘤的首发弹簧圈推荐方法，包括：获取待推荐栓塞动脉瘤的所述首发弹簧圈的患者的个人基本信息和动脉瘤尺寸信息，并输入映射矩阵，通过上述任一项所述的栓塞动脉瘤的首发弹簧圈推荐模型建立方法所建立的所述首发弹簧圈推荐模型，对栓塞动脉瘤的所述首发弹簧圈进行预测和推荐，并输出显示包括直径和长度的首发弹簧圈尺寸信息。
可选地，所述获取待推荐栓塞动脉瘤的所述首发弹簧圈的患者的动脉瘤尺寸信息，包括：
获取所述患者的包括动脉瘤数据的医学影像；
利用通过UN-Net的20层神经网络训练获得的动脉瘤识别算法对医学影像进行处理，得到动脉瘤的识别结果；
基于所述识别结果得到所述动脉瘤尺寸信息。
可选地，所述基于所述识别结果得到所述动脉瘤尺寸信息，包括：
使用通过围绕穹顶轴旋转所述识别结果中的动脉瘤图像的方法测量所述动脉瘤尺寸信息中的长度、宽度、宽径、横径、高度及瘤颈直径；
利用公式：
，
得到所述动脉瘤尺寸信息中的体积，其中，表示动脉瘤的体积，/>表示动脉瘤的长度，/>表示动脉瘤的宽度。
可选地，
为实现上述目的，本申请还提供一种栓塞动脉瘤的首发弹簧圈推荐装置，包括：存储器；以及
与所述存储器连接的处理器，所述处理器被配置成执行如上所述的栓塞动脉瘤的首发弹簧圈推荐方法的步骤。
为实现上述目的，本申请还提供一种计算机存储介质，其上存储有计算机程序，其中所述计算机程序被机器执行时实现如上所述的方法的步骤。
本申请实施例具有如下优点：
本申请实施例提供一种栓塞动脉瘤的首发弹簧圈推荐模型建立方法，包括：S1、获取包括动脉瘤尺寸信息和弹簧圈尺寸信息的训练数据的多个数据样本，初始化每个所述数据样本的样本权重；S2、将包括所述数据样本的深度神经网络分解机条件输入当前深度神经网络分解机模型进行处理，以利用所述数据样本和所述样本权重进行模型参数优化，获得预测首发弹簧圈推荐信息的所述当前深度神经网络分解机模型；S3、将所述数据样本划分到所述当前深度神经网络分解机模型的各个树的中间节点上，以每个树的所述中间节点上的所述数据样本作为一个数据组，得到多个具有异质性的所述数据组；S4、利用各个所述中间节点的数据，执行每个所述中间节点分支的深度神经网络分解机模型进行训练并更新所述样本权重；S5、根据更新后的所述样本权重，将所述深度神经网络分解机条件输入下一个所述深度神经网络分解机模型进行处理，回到步骤S2循环执行步骤S2至S5，直至达到迭代轮次上限；S6、将所述深度神经网络分解机条件输入最终的所述深度神经网络分解机模型进行处理利用所述数据样本进行模型参数优化，获得预测所述首发弹簧圈推荐信息的可平衡异质性样本组的目标深度神经网络分解机模型，作为栓塞动脉瘤的所述首发弹簧圈推荐模型。
通过上述方法，利用建立的首发弹簧圈推荐模型，可以合理规划动脉瘤栓塞过程中每个弹簧圈的大小的推荐，从而可以使得在栓塞治疗时做到完全栓塞、致密栓塞，减少血管内操作，避免出现血管痉挛，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。
附图说明
为了更清楚地说明本申请的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。
图1为本申请实施例提供的一种栓塞动脉瘤的首发弹簧圈推荐模型建立方法的流程图；
图2为本申请实施例提供的一种栓塞动脉瘤的首发弹簧圈推荐模型建立方法的每个分支的深度神经网络分解机模型架构示意图；
图3为本申请实施例提供的一种栓塞动脉瘤的首发弹簧圈推荐方法的动脉瘤识别算法的结构示意图；
图4为本申请实施例提供的一种栓塞动脉瘤的首发弹簧圈推荐方法的动脉瘤识别结果示意图；
图5为现有技术中造影显示的动脉瘤长度和宽度的示意图；
图6为本申请实施例提供的一种栓塞动脉瘤的首发弹簧圈推荐方法的UN-Net算法模型导出的动脉瘤形态学参数示意图；
图7为本申请实施例提供的一种栓塞动脉瘤的首发弹簧圈推荐装置的模块框图。
具体实施方式
以下由特定的具体实施例说明本申请的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
此外，下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
动脉瘤的介入栓塞中重要的是首发弹簧圈的选择，综合性的考虑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，避免了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。
本申请一实施例提供一种栓塞动脉瘤的首发弹簧圈推荐模型建立方法，参考图1，图1为本申请的一实施方式中提供的一种栓塞动脉瘤的首发弹簧圈推荐模型建立方法的流程图，应当理解的是，该方法还可以包括未示出的附加框和/或可以省略所示出的框，本申请的范围在此方面不受限制。
本申请实施例通过环境划分的机器学习方法推荐首发弹簧圈。通过将患者病历中包括患者年龄，性别，动脉瘤的长度、宽度、体积、横径、高度和瘤颈直径（这些动脉瘤尺寸信息利用后续描述的方法获得）的患者特征，以及可用弹簧圈的直径和长度等尺寸信息条件，输入可平衡异质性样本组的深度神经网络分解机模型进行处理，获得首发弹簧圈的推荐直径和长度。具体步骤包括（以下步骤主要为可平衡异质性样本组的目标深度神经网络分解机模型的建立方法）：
步骤S1、获取包括动脉瘤尺寸信息和弹簧圈尺寸信息的训练数据的多个数据样本，初始化每个所述数据样本的样本权重。
具体地，获取训练数据，如果训练数据共个数据样本，初始化每个数据样本的样本权重为/>。
步骤S2、将包括所述数据样本的深度神经网络分解机条件输入当前深度神经网络分解机模型进行处理，以利用所述数据样本和所述样本权重进行模型参数优化，获得预测首发弹簧圈推荐信息的所述当前深度神经网络分解机模型。
步骤S3、将所述数据样本划分到所述当前深度神经网络分解机模型的各个树的中间节点上，以每个树的所述中间节点上的所述数据样本作为一个数据组，得到多个具有异质性的所述数据组。
步骤S4、利用各个所述中间节点的数据，执行每个所述中间节点分支的深度神经网络分解机模型进行训练并更新所述样本权重。
具体地，执行每个中间节点分支的深度神经网络分解机模型架构如图2所示，其中中间节点的数据是每组数据的1/4。
该训练步骤中输入的是患者的动脉瘤大小、形态等尺寸信息特征和弹簧圈的大小和尺寸等尺寸信息特征，输出的就是通过中间层的计算，生成手术中需要使用的弹簧圈规格。执行每个分支的深度神经网络分解机模型的目的是根据动脉瘤的尺寸信息通过算法推荐最合适规格的弹簧圈，目的是使用深度神经网络子模型的结果推荐弹簧圈。
在一些实施例中，所述中间节点分支的深度神经网络分解机模型的结构包括：最底层输入层、中间层和最上层；其中
最底层输入层包括患者动脉瘤大小、形态等尺寸信息特征和弹簧圈尺寸信息特征。中间层将原始输入转换为密集表达。最上层包括分解机和深度神经网络子模型。最后分解机和深度神经网络子模型的结果整合到树的中间节点。具体算法包括：
针对每个患者首发弹簧圈潜在推荐结果/>。/>代表每个需要进行动脉瘤手术的患者，针对患者首发弹簧圈推荐策略，设立公式/>（该公式是下述的/>公式的表示，代表的是动脉瘤的弹簧圈推荐结果）来求解弹簧圈推荐结果，具体公式如下：
算法公式中代表的是通过合格率的评价基准。/>代表弹簧圈推荐结果的概率组合。/>的结果定义了对于患者/>弹簧圈推荐结果/>,这个公式结果需要不断迭代优化。通常来说，/>结果越好，对应弹簧圈推荐方案/>越容易被患者/>接受。
在树的中间节点分支上，最重要目标是在情况下训练一系列带有患者和弹簧圈的成对模型/>。算法模型通过训练数据不断提高合格率，按照如下公式进行优化：
其中，是一个交叉熵的损失函数，他是优化无微分度量/>的中间代理变量，/>是归一化因子。
在一些实施例中，深度神经网络分解机模型的结果取决于分解机和深度神经网络子模型两个部分的结果，
其中，是公式等于/>，X表示推算出的弹簧圈圈数，/>和/>是分解机和深度神经网络子模型的输出结果，y是输出的结果。
分解机子模型可以有效学习一阶特征和二阶特征交互。具体来说，相互作用特征和/>的参数是他们对应的潜在向量/>和/>的内积。分解机子模型的定义是：
其中是向量/>和/>的内积。/>是潜在向量的维数。/>为分解机子模型的可学习参数，/>，/>表示动脉瘤的一级线圈和二级线圈的大小。
深度神经网络子模型的目的是学习特征之间的高阶交互。由连续和稀疏值组成，并且/>的输入大小可以是巨大的。引入嵌入层将输入/>压缩成低维度/>度向量，嵌入层的输出可表示为:
其中，E表示每层的输出结果，为第/>个域的嵌入，/>为域的个数。然后，将/>嵌入深度神经网络，可以看作是深度神经网络的第0个输出，深度神经网络的过程可以表示为:
公式中，为激活函数。/>、/>、/>为第/>层深度神经网络子模型的输出值、模型权值和偏差。最后得到高阶相互作用表示/>，其中/>为深度神经网络子模型的隐藏层，深度神经网络子模型的预测结果为:
其中，是S型函数，/>和/>是深度神经网络子模型的预测层的可学习参数，/>为预测的弹簧圈结果推荐。
在一些实施例中，所述利用各个所述中间节点的数据，执行每个所述中间节点分支的深度神经网络分解机模型进行训练并更新所述样本权重，包括：
在训练过程中，以异质性的所述数据组为单位对所述数据样本施加样本加权，以更新所述样本权重，使得所有所述数据组中的样本权重和相等，保持异质性的所述数据组样本量均衡。
在一些实施例中，所述保持异质性的所述数据组样本量均衡，包括：
如果经过所述深度神经网络分解机划分后共有个所述数据组/>，第/>个数据组/>包含/>个样本，那么第/>个数据组的第/>个样本/>的权重/>为:
那么，数据组中样本的权重和满足，
从而，实现异质性的所述数据组的样本均衡。
步骤S5、根据更新后的所述样本权重，将所述深度神经网络分解机条件输入下一个所述深度神经网络分解机模型进行处理，回到步骤S2循环执行步骤S2至S5，直至达到迭代轮次上限。
步骤S6、将所述深度神经网络分解机条件输入最终的所述深度神经网络分解机模型进行处理利用所述数据样本进行模型参数优化，获得预测所述首发弹簧圈推荐信息的可平衡异质性样本组的目标深度神经网络分解机模型，作为栓塞动脉瘤的所述首发弹簧圈推荐模型。
本申请实施例还提供一种栓塞动脉瘤的首发弹簧圈推荐方法，包括：
获取待推荐栓塞动脉瘤的所述首发弹簧圈的患者的个人基本信息和动脉瘤尺寸信息，并输入映射矩阵，通过上述的栓塞动脉瘤的首发弹簧圈推荐模型建立方法所建立的所述首发弹簧圈推荐模型，对栓塞动脉瘤的所述首发弹簧圈进行预测和推荐，并输出显示包括直径和长度的首发弹簧圈尺寸信息。
具体地，患者的个人基本信息和动脉瘤尺寸信息包括患者病历中包括患者年龄、性别、动脉瘤的长度、宽度、体积、横径、高度和瘤颈直径的患者特征。
在一些实施例中，所述获取待推荐栓塞动脉瘤的所述首发弹簧圈的患者的动脉瘤尺寸信息，包括：
获取所述患者的包括动脉瘤数据的医学影像；
利用通过UN-Net的20层神经网络训练获得的动脉瘤识别算法对医学影像进行处理，得到动脉瘤的识别结果；
基于所述识别结果得到所述动脉瘤尺寸信息。
具体地，动脉瘤分割和获取指标分为三个步骤：
第一步：首先从CTA（CT angiography，即CT血管造影）上获取动脉瘤数据（DICOM格式），针对获取DICOM格式的待处理的医学影像，对非必要数据进行删除，并将DICOM格式的所述待处理的医学影像转换为NII.GZ格式的待处理的医学影像。
第二步：动脉瘤识别算法是通过UN-Net的20层神经网络训练获得的，通过动脉瘤识别算法对医学影像进行处理，得到动脉瘤的识别结果。如图3，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。当图像特征图通过连续层时，收缩路径减小了图像特征图的大小，避开像素相关的局部信息以获得更大规模的上下文信息。扩展路径对来自收缩路径的低分辨率信息进行上采样，最终重新建立输入图像的全像素分辨率。卷积神经网络的训练过程包括前向传播和后向传播的连续迭代。前向传播涉及将输入图像纳入网络，最终返回对应的每像素或然预测输出集，即位于动脉瘤内。将此输出与用户注释的病灶图像进行比较会产生一个损失，这里计算为负骰子系数，它测量用户注释的动脉瘤图像和卷积神经网络预测的图像之间的重叠：
，
其中，Loss表示损失函数，D表示动脉瘤的长度，表示卷积神经网络的训练过程中的对动脉瘤的预测识别结果中动脉瘤所在区域，/>表示训练用样本图像的标注信息中的动脉瘤所在区域。
反向传播使用损失函数通过最陡梯度下降法更新参数值。最速下降的方向是通过计算公式：
得到，
其中，表示前述卷积神经网络训练过程的损失函数Loss，/>…/>表示该卷积神经网络模型的N个参数。
最小化损失的更新过程是通过Adam优化算法执行的，步长为1×10-5。初始权重是随机选择的，均值为0。卷积神经网络调整权重的方差以产生与有效训练兼容的激活函数。算法对动脉瘤的识别结果参考图4所示。
第三步：对于首发弹簧圈的选择，首先需要确定动脉瘤的最大长度。颅内动脉瘤体积（IAV）可以近似为一个椭球体的体积，动脉瘤的长度（D）和宽度（W）分别为长轴和短轴。
为了提供更精确的计算动脉瘤体积（IAV）、如果根据重建的3D图像进行计算会更准确。然而，临床上在大多数情况下患者的治疗方案是基于一张二维动脉造影图像进行的评估和设计的，该图像并非是按照动脉瘤成直角的角度拍摄、如图5所示。根据本申请，基于前述步骤中通过动脉瘤识别算法所获取的动脉瘤的识别结果，使用通过围绕穹顶轴旋转识别结果中的动脉瘤图像的方法测量动脉瘤的长度、宽度、宽径、横径、高度及瘤颈直径等动脉瘤尺寸信息，如图6所示，使用下述公式得到的体积的比传统计算方式具有更高的精度：
其中表示动脉瘤的体积，/>表示动脉瘤的长度，/>表示动脉瘤的宽度。
本申请实施例提供的方法的效果和优点包括：
1.首发弹簧圈的选择：本申请需要利用计算机的深度算法推荐弹簧圈，根据动脉瘤的医学影像对手术过程中的首发弹簧圈进行分析及合理规划，减少动脉瘤栓塞后的囊腔残留，首发弹簧圈的合理选择后可以达到手术过程中对动脉瘤进行完全栓塞的效果，减少手术花费及并发症的情况。
2.动脉瘤介入手术过程中为了达到最佳的栓塞，达到囊内致密填塞，避免错误的选择导致的动脉瘤残留，本申请可以解决目前动脉瘤手术时术前规划和术中的弹簧圈无法模拟和选择的问题，避免术者的经验不足导致的耗材浪费，缩短手术时间，减少手术并发症，提高预后生活质量。
3.随着血管内栓塞技术不断提高及大量新型的弹簧圈的临床应用，动脉瘤栓塞技术日新月异，弹簧圈大小更新迭代快，所以根据术前对动脉瘤的手术材料的合理规划，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。
4.目前国内的动脉瘤栓塞技术虽然神经外科领域越来越普及，但是一些地方医院的动脉瘤手术技术仍需要提高，手术时对弹簧圈的选择仍有误解，本申请的大量临床应用可以让神经外科手术经验普及到基层医院，提高了全国的动脉瘤介入手术治疗水平。
5.因为动脉瘤的位置和周围血管的毗邻关系的复杂性，本申请可以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。
图7为本申请实施例提供的一种栓塞动脉瘤的首发弹簧圈推荐模型建立装置的模块框图。该装置包括：
存储器101；以及与所述存储器101连接的处理器102，所述处理器102被配置成：获取待推荐栓塞动脉瘤的所述首发弹簧圈的患者的个人基本信息和动脉瘤尺寸信息，并输入映射矩阵，通过前面所述的栓塞动脉瘤的首发弹簧圈推荐模型建立方法所建立的所述首发弹簧圈推荐模型，对栓塞动脉瘤的所述首发弹簧圈进行预测和推荐，并输出显示包括直径和长度的首发弹簧圈尺寸信息。
在一些实施例中，所述处理器102还被配置成：所述获取待推荐栓塞动脉瘤的所述首发弹簧圈的患者的动脉瘤尺寸信息，包括：
获取所述患者的包括动脉瘤数据的医学影像；
利用通过UN-Net的20层神经网络训练获得的动脉瘤识别算法对医学影像进行处理，得到动脉瘤的识别结果；
基于所述识别结果得到所述动脉瘤尺寸信息。
在一些实施例中，所述处理器102还被配置成：所述基于所述识别结果得到所述动脉瘤尺寸信息，包括：
使用通过围绕穹顶轴旋转所述识别结果中的动脉瘤图像的方法测量所述动脉瘤尺寸信息中的长度、宽度、宽径、横径、高度及瘤颈直径；
利用公式：
，
得到所述动脉瘤尺寸信息中的体积，其中，表示动脉瘤的体积，/>表示动脉瘤的长度，/>表示动脉瘤的宽度。
具体实现方法参考前述方法实施例，此处不再赘述。
本申请可以是方法、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申请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。
用于执行本申请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，从而实现本申请的各个方面。
这里参照根据本申请实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本申请的各个方面。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申请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。
虽然，上文中已经用一般性说明及具体实施例对本申请作了详尽的描述，但在本申请基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本申请精神的基础上所做的这些修改或改进，均属于本申请要求保护的范围。

Claims (10)

1.一种栓塞动脉瘤的首发弹簧圈推荐模型建立方法，其特征在于，包括：
S1、获取包括动脉瘤尺寸信息和弹簧圈尺寸信息的训练数据的多个数据样本，初始化每个所述数据样本的样本权重；
S2、将包括所述数据样本的深度神经网络分解机条件输入当前深度神经网络分解机模型进行处理，以利用所述数据样本和所述样本权重进行模型参数优化，获得预测首发弹簧圈推荐信息的所述当前深度神经网络分解机模型；
S3、将所述数据样本划分到所述当前深度神经网络分解机模型的各个树的中间节点上，以每个树的所述中间节点上的所述数据样本作为一个数据组，得到多个具有异质性的所述数据组；
S4、利用各个所述中间节点的数据，执行每个所述中间节点分支的深度神经网络分解机模型进行训练并更新所述样本权重；
S5、根据更新后的所述样本权重，将所述深度神经网络分解机条件输入下一个所述深度神经网络分解机模型进行处理，回到步骤S2循环执行步骤S2至S5，直至达到迭代轮次上限；
S6、将所述深度神经网络分解机条件输入最终的所述深度神经网络分解机模型进行处理利用所述数据样本进行模型参数优化，获得预测所述首发弹簧圈推荐信息的可平衡异质性样本组的目标深度神经网络分解机模型，作为栓塞动脉瘤的所述首发弹簧圈推荐模型。
2.根据权利要求1所述的栓塞动脉瘤的首发弹簧圈推荐模型建立方法，其特征在于，所述中间节点分支的深度神经网络分解机模型的结构包括：最底层输入层、中间层和最上层；其中
所述最底层输入层包括患者的所述动脉瘤尺寸信息特征和所述弹簧圈尺寸信息特征，所述中间层将原始输入转换为密集表达，所述最上层包括分解机和深度神经网络子模型，最后所述分解机和深度神经网络子模型的结果整合到树的中间节点。
3.根据权利要求2所述的栓塞动脉瘤的首发弹簧圈推荐模型建立方法，其特征在于，
所述深度神经网络分解机模型的结果取决于所述分解机和深度神经网络子模型两个部分的结果：
，
其中，是公式等于/>，X表示推算出的弹簧圈圈数，/>和/>是所述分解机和深度神经网络子模型的输出结果，y是输出的结果；其中
所述分解机子模型能够有效学习一阶特征和二阶特征交互，具体来说，相互作用特征和/>的参数是其对应的潜在向量/>和/>的内积，分解机子模型的定义是：
，
其中是向量/>和/>的内积，/>是潜在向量的维数，/>为分解机子模型的可学习参数，/>，/>表示动脉瘤的一级线圈和二级线圈的大小；
所述深度神经网络子模型的目的是学习特征之间的高阶交互，由连续和稀疏值组成，引入嵌入层将输入/>压缩成低维度/>度向量，嵌入层的输出表示为：
，
其中，E表示每层的输出结果，为第/>个域的嵌入，/>为域的个数，然后，将/>嵌入深度神经网络，看作是深度神经网络的第0个输出，其中，所述深度神经网络的过程表示为：
，
公式中，为激活函数，/>、/>、/>为第/>层深度神经网络子模型的输出值、模型权值和偏差，最后得到高阶相互作用表示/>，其中/>为所述深度神经网络子模型的隐藏层，所述深度神经网络子模型的预测结果为：
，
其中，是S型函数，/>和/>是所述深度神经网络子模型的预测层的可学习参数，/>为预测的弹簧圈结果推荐。
4.根据权利要求1所述的栓塞动脉瘤的首发弹簧圈推荐模型建立方法，其特征在于，所述利用各个所述中间节点的数据，执行每个所述中间节点分支的深度神经网络分解机模型进行训练并更新所述样本权重，包括：
在训练过程中，以异质性的所述数据组为单位对所述数据样本施加样本加权，以更新所述样本权重，使得所有所述数据组中的样本权重和相等，保持异质性的所述数据组样本量均衡。
5.根据权利要求4所述的栓塞动脉瘤的首发弹簧圈推荐模型建立方法，其特征在于，所述保持异质性的所述数据组样本量均衡，包括：
如果经过所述深度神经网络分解机划分后共有个所述数据组/>，第/>个数据组包含/>个样本，那么第/>个数据组的第/>个样本/>的权重/>为:
，
那么，数据组中样本的权重和满足，
，
从而，实现异质性的所述数据组的样本均衡。
6.一种栓塞动脉瘤的首发弹簧圈推荐方法，其特征在于，包括：
获取待推荐栓塞动脉瘤的所述首发弹簧圈的患者的个人基本信息和动脉瘤尺寸信息，并输入映射矩阵，通过权利要求1至5任一项所述的栓塞动脉瘤的首发弹簧圈推荐模型建立方法所建立的所述首发弹簧圈推荐模型，对栓塞动脉瘤的所述首发弹簧圈进行预测和推荐，并输出显示包括直径和长度的首发弹簧圈尺寸信息。
7.根据权利要求6所述的栓塞动脉瘤的首发弹簧圈推荐方法，其特征在于，所述获取待推荐栓塞动脉瘤的所述首发弹簧圈的患者的动脉瘤尺寸信息，包括：
获取所述患者的包括动脉瘤数据的医学影像；
利用通过UN-Net的20层神经网络训练获得的动脉瘤识别算法对医学影像进行处理，得到动脉瘤的识别结果；
基于所述识别结果得到所述动脉瘤尺寸信息。
8.根据权利要求7所述的栓塞动脉瘤的首发弹簧圈推荐方法，其特征在于，所述基于所述识别结果得到所述动脉瘤尺寸信息，包括：
使用通过围绕穹顶轴旋转所述识别结果中的动脉瘤图像的方法测量所述动脉瘤尺寸信息中的长度、宽度、宽径、横径、高度及瘤颈直径；
利用公式：
，
得到所述动脉瘤尺寸信息中的体积，其中，表示动脉瘤的体积，/>表示动脉瘤的长度，表示动脉瘤的宽度。
9.一种栓塞动脉瘤的首发弹簧圈推荐装置，其特征在于，包括：
存储器；以及
与所述存储器连接的处理器，所述处理器被配置成执行如权利要求6至8中任一项所述的方法的步骤。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被机器执行时实现如权利要求1至8中任一项所述的方法的步骤。
CN202310816088.3A 2023-07-05 2023-07-05 栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用 Active CN116525121B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310816088.3A CN116525121B (zh) 2023-07-05 2023-07-05 栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310816088.3A CN116525121B (zh) 2023-07-05 2023-07-05 栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用

Publications (2)

Publication Number Publication Date
CN116525121A CN116525121A (zh) 2023-08-01
CN116525121B true CN116525121B (zh) 2023-09-26

Family

ID=87398014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310816088.3A Active CN116525121B (zh) 2023-07-05 2023-07-05 栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用

Country Status (1)

Country Link
CN (1) CN116525121B (zh)

Citations (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778336A (zh) * 2014-01-23 2014-05-07 北京市神经外科研究所 一种颅内动脉瘤栓塞后复发风险的预测方法及系统
CN105368975A (zh) * 2015-12-18 2016-03-02 四川省人民医院 颅内动脉瘤标志物odam及其应用
CN107028636A (zh) * 2017-03-30 2017-08-11 向建平 栓塞颅内动脉瘤的弹簧圈及其制造方法
CN107049487A (zh) * 2017-03-30 2017-08-18 向建平 颅内动脉瘤治疗的模拟方法及控制装置
EP2950703B1 (en) * 2013-01-31 2018-03-21 EndoChoice, Inc. Endoscopic injection needle device
EP3359254A1 (en) * 2015-10-09 2018-08-15 Cardiac Pacemakers, Inc. Connector block assembly
CN108814669A (zh) * 2018-10-09 2018-11-16 微创神通医疗科技（上海）有限公司 栓塞装置及其弹簧圈
CN109091266A (zh) * 2018-08-24 2018-12-28 上海市徐汇区中心医院 一种兔心肌梗死动物模型的构建方法
CN109871485A (zh) * 2019-02-13 2019-06-11 北京航空航天大学 一种个性化推荐方法及装置
CN110008399A (zh) * 2019-01-30 2019-07-12 阿里巴巴集团控股有限公司 一种推荐模型的训练方法及装置、一种推荐方法及装置
CN110025394A (zh) * 2018-01-12 2019-07-19 昆明科灵生物科技有限公司 一种非人灵长类脑卒中模型研发方法
CN110222838A (zh) * 2019-04-30 2019-09-10 北京三快在线科技有限公司 深度神经网络及其训练方法、装置、电子设备及存储介质
CN110517780A (zh) * 2019-09-02 2019-11-29 强联智创（北京）科技有限公司 一种动脉瘤破裂风险评估方法及系统
CN110674188A (zh) * 2019-09-27 2020-01-10 支付宝(杭州)信息技术有限公司 一种特征提取方法、装置及设备
CN110727855A (zh) * 2019-08-28 2020-01-24 广东工业大学 一种基于改进因子分解机的个性化推荐方法
CN110974332A (zh) * 2019-12-31 2020-04-10 珠海神平医疗有限公司 机械解脱弹簧圈系统
CN111242171A (zh) * 2019-12-31 2020-06-05 中移（杭州）信息技术有限公司 网络故障的模型训练、诊断预测方法、装置以及电子设备
CN111339433A (zh) * 2020-05-21 2020-06-26 腾讯科技（深圳）有限公司 基于人工智能的信息推荐方法、装置、电子设备
CN111462041A (zh) * 2020-03-02 2020-07-28 北京东软医疗设备有限公司 图像处理方法、装置、设备及存储介质
CN111528956A (zh) * 2020-05-08 2020-08-14 上海申淇医疗科技有限公司 可解脱弹簧圈
CN111743934A (zh) * 2020-06-23 2020-10-09 江苏省中医院 一种肠道菌群调节中药组合物及其应用
CN111743625A (zh) * 2020-07-01 2020-10-09 杭州脉流科技有限公司 用于颅内动脉瘤的支架型号匹配方法、装置以及支架模拟显示方法
CN112115371A (zh) * 2020-09-30 2020-12-22 山东建筑大学 一种基于因子分解机的神经注意力机制手机应用推荐模型
CN112274204A (zh) * 2020-06-12 2021-01-29 微创神通医疗科技（上海）有限公司 医用弹簧圈
EP3777724A1 (en) * 2019-08-16 2021-02-17 Covidien LP Electrosurgical instruments including a jaw angle detection system
CN112754583A (zh) * 2020-12-31 2021-05-07 微创神通医疗科技（上海）有限公司 弹簧圈及其制备方法
CN113066574A (zh) * 2021-03-29 2021-07-02 昆明同心医联科技有限公司 基于神经网络的动脉瘤破裂预测方法、装置及存储介质
CN113129317A (zh) * 2021-04-23 2021-07-16 广东省人民医院 一种基于流域分析技术的肺叶自动分段方法
CN113288315A (zh) * 2021-06-21 2021-08-24 上海鸿脉医疗科技有限公司 一种医用植入物及其制造方法
CN113539443A (zh) * 2021-08-06 2021-10-22 北京市神经外科研究所 一种预测动脉瘤闭塞的方法、装置以及设备
CN113688632A (zh) * 2021-08-17 2021-11-23 中国人民解放军海军军医大学 一种提取疾病预后协变量的结构化数据的方法及系统
CN113925556A (zh) * 2021-11-03 2022-01-14 聚辉医疗科技(深圳)有限公司 栓塞弹簧圈系统
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
CN114782443A (zh) * 2022-06-22 2022-07-22 深圳科亚医疗科技有限公司 基于数据增强的动脉瘤风险评估的装置和存储介质
CN115054308A (zh) * 2022-07-26 2022-09-16 苏州中天医疗器械科技有限公司 一种栓塞弹簧圈组件
CN115083612A (zh) * 2022-06-22 2022-09-20 北京市神经外科研究所 一种用于手术规划的弹簧圈模拟方法、装置及设备
CN115148368A (zh) * 2022-06-28 2022-10-04 昆明同心医联科技有限公司 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
CN115147390A (zh) * 2022-07-19 2022-10-04 昆明同心医联科技有限公司 基于深度学习的推荐栓塞动脉瘤的弹簧圈的方法及装置
CN115171852A (zh) * 2022-06-28 2022-10-11 昆明同心医联科技有限公司 基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法
CN115444483A (zh) * 2021-06-09 2022-12-09 禾木（中国）生物工程有限公司 动脉瘤介入栓塞输送装置
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
CN116327299A (zh) * 2023-03-29 2023-06-27 上海博动医疗科技股份有限公司 一种确定微导管形态的方法、系统、电子设备及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060144605A1 (en) * 2003-11-06 2006-07-06 Hsiu-Ju Chen Shock-absorbing structure for pneumatic tool
US9003789B2 (en) * 2011-02-28 2015-04-14 GM Global Technology Operations LLC Energy harvesting system
US8607562B2 (en) * 2011-02-28 2013-12-17 GM Global Technology Operations LLC Shape memory alloy heat engines and energy harvesting systems
US9233297B2 (en) * 2013-10-17 2016-01-12 Forrest Lohiau Cofran Infield set up device
US10422708B2 (en) * 2015-04-16 2019-09-24 II Thomas A. Mello Inch pounds per turn (IPPT) computing device for garage doors
US20180256860A1 (en) * 2017-03-07 2018-09-13 Lake Region Manufacturing, Inc. Variable stiffness guidewire
US10617223B2 (en) * 2018-06-06 2020-04-14 Steven Bayer Independent spring support structure
US20200119481A1 (en) * 2018-10-12 2020-04-16 David A. Struyk Inductance canceling spring pin contact

Patent Citations (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2950703B1 (en) * 2013-01-31 2018-03-21 EndoChoice, Inc. Endoscopic injection needle device
CN103778336A (zh) * 2014-01-23 2014-05-07 北京市神经外科研究所 一种颅内动脉瘤栓塞后复发风险的预测方法及系统
EP3359254A1 (en) * 2015-10-09 2018-08-15 Cardiac Pacemakers, Inc. Connector block assembly
CN105368975A (zh) * 2015-12-18 2016-03-02 四川省人民医院 颅内动脉瘤标志物odam及其应用
CN107028636A (zh) * 2017-03-30 2017-08-11 向建平 栓塞颅内动脉瘤的弹簧圈及其制造方法
CN107049487A (zh) * 2017-03-30 2017-08-18 向建平 颅内动脉瘤治疗的模拟方法及控制装置
CN110025394A (zh) * 2018-01-12 2019-07-19 昆明科灵生物科技有限公司 一种非人灵长类脑卒中模型研发方法
CN109091266A (zh) * 2018-08-24 2018-12-28 上海市徐汇区中心医院 一种兔心肌梗死动物模型的构建方法
CN108814669A (zh) * 2018-10-09 2018-11-16 微创神通医疗科技（上海）有限公司 栓塞装置及其弹簧圈
CN110008399A (zh) * 2019-01-30 2019-07-12 阿里巴巴集团控股有限公司 一种推荐模型的训练方法及装置、一种推荐方法及装置
CN109871485A (zh) * 2019-02-13 2019-06-11 北京航空航天大学 一种个性化推荐方法及装置
CN110222838A (zh) * 2019-04-30 2019-09-10 北京三快在线科技有限公司 深度神经网络及其训练方法、装置、电子设备及存储介质
EP3777724A1 (en) * 2019-08-16 2021-02-17 Covidien LP Electrosurgical instruments including a jaw angle detection system
CN110727855A (zh) * 2019-08-28 2020-01-24 广东工业大学 一种基于改进因子分解机的个性化推荐方法
CN110517780A (zh) * 2019-09-02 2019-11-29 强联智创（北京）科技有限公司 一种动脉瘤破裂风险评估方法及系统
CN110674188A (zh) * 2019-09-27 2020-01-10 支付宝(杭州)信息技术有限公司 一种特征提取方法、装置及设备
CN111242171A (zh) * 2019-12-31 2020-06-05 中移（杭州）信息技术有限公司 网络故障的模型训练、诊断预测方法、装置以及电子设备
CN110974332A (zh) * 2019-12-31 2020-04-10 珠海神平医疗有限公司 机械解脱弹簧圈系统
CN111462041A (zh) * 2020-03-02 2020-07-28 北京东软医疗设备有限公司 图像处理方法、装置、设备及存储介质
CN111528956A (zh) * 2020-05-08 2020-08-14 上海申淇医疗科技有限公司 可解脱弹簧圈
CN111339433A (zh) * 2020-05-21 2020-06-26 腾讯科技（深圳）有限公司 基于人工智能的信息推荐方法、装置、电子设备
CN112274204A (zh) * 2020-06-12 2021-01-29 微创神通医疗科技（上海）有限公司 医用弹簧圈
CN111743934A (zh) * 2020-06-23 2020-10-09 江苏省中医院 一种肠道菌群调节中药组合物及其应用
CN111743625A (zh) * 2020-07-01 2020-10-09 杭州脉流科技有限公司 用于颅内动脉瘤的支架型号匹配方法、装置以及支架模拟显示方法
CN112115371A (zh) * 2020-09-30 2020-12-22 山东建筑大学 一种基于因子分解机的神经注意力机制手机应用推荐模型
CN112754583A (zh) * 2020-12-31 2021-05-07 微创神通医疗科技（上海）有限公司 弹簧圈及其制备方法
CN113066574A (zh) * 2021-03-29 2021-07-02 昆明同心医联科技有限公司 基于神经网络的动脉瘤破裂预测方法、装置及存储介质
CN113129317A (zh) * 2021-04-23 2021-07-16 广东省人民医院 一种基于流域分析技术的肺叶自动分段方法
CN115444483A (zh) * 2021-06-09 2022-12-09 禾木（中国）生物工程有限公司 动脉瘤介入栓塞输送装置
CN113288315A (zh) * 2021-06-21 2021-08-24 上海鸿脉医疗科技有限公司 一种医用植入物及其制造方法
CN113539443A (zh) * 2021-08-06 2021-10-22 北京市神经外科研究所 一种预测动脉瘤闭塞的方法、装置以及设备
CN113688632A (zh) * 2021-08-17 2021-11-23 中国人民解放军海军军医大学 一种提取疾病预后协变量的结构化数据的方法及系统
CN113925556A (zh) * 2021-11-03 2022-01-14 聚辉医疗科技(深圳)有限公司 栓塞弹簧圈系统
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
CN114782443A (zh) * 2022-06-22 2022-07-22 深圳科亚医疗科技有限公司 基于数据增强的动脉瘤风险评估的装置和存储介质
CN115083612A (zh) * 2022-06-22 2022-09-20 北京市神经外科研究所 一种用于手术规划的弹簧圈模拟方法、装置及设备
CN115148368A (zh) * 2022-06-28 2022-10-04 昆明同心医联科技有限公司 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
CN115171852A (zh) * 2022-06-28 2022-10-11 昆明同心医联科技有限公司 基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法
CN115147390A (zh) * 2022-07-19 2022-10-04 昆明同心医联科技有限公司 基于深度学习的推荐栓塞动脉瘤的弹簧圈的方法及装置
CN115054308A (zh) * 2022-07-26 2022-09-16 苏州中天医疗器械科技有限公司 一种栓塞弹簧圈组件
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
CN116327299A (zh) * 2023-03-29 2023-06-27 上海博动医疗科技股份有限公司 一种确定微导管形态的方法、系统、电子设备及存储介质

Also Published As

Publication number Publication date
CN116525121A (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
US11357469B2 (en) Systems and methods for assessing the severity of plaque and/or stenotic lesions using contrast distribution predictions and measurements
US9830427B2 (en) Method for intracranial aneurysm analysis and endovascular intervention planning
KR101974786B1 (ko) 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법 및 시스템
CN112489154B (zh) 基于局部优化生成对抗网络的mri运动伪影校正方法
CN109447976B (zh) 一种基于人工智能的医学图像分割方法及系统
CN110060313A (zh) 一种图像伪影校正方法和系统
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
EP3428925A1 (en) Method and system for clinical decision support with local and remote analytics
CN116525121B (zh) 栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用
US10909676B2 (en) Method and system for clinical decision support with local and remote analytics
CN111968137A (zh) 头部ct图像分割方法、装置、电子设备及存储介质
JP7444382B2 (ja) 画像符号化装置、方法およびプログラム、画像復号化装置、方法およびプログラム、画像処理装置、学習装置、方法およびプログラム、並びに類似画像検索装置、方法およびプログラム
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
CN113205488B (zh) 血流特性预测方法、装置、电子设备及存储介质
EP3982324A1 (en) Generating a sythetic image for a blood vessel lesion classifier
KR20220016212A (ko) 이미지 처리 방법 및 장치, 전자 기기, 저장 매체 및 프로그램 제품
CN114565590B (zh) 血管数据集扩增方法及装置、电子设备和存储介质
CN115658877B (zh) 基于强化学习的药物推荐方法、装置、电子设备和介质
US20240050097A1 (en) Endovascular coil specification
EP3270308B9 (en) Method for providing a secondary parameter, decision support system, computer-readable medium and computer program product
KR102556646B1 (ko) 의료 영상 생성 방법 및 장치
EP4125033A1 (en) Predicting embolization procedure status
JP7433913B2 (ja) 経路決定方法、医用画像処理装置、モデル学習方法及びモデル学習装置
CN116721771B (zh) 一种出血转化风险判定方法、装置、存储介质及终端
CN115272363B (zh) 一种重建颈动脉三维图像的方法、装置及存储介质

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