CN116884570B - 一种基于图像处理的术中实时仿真疗效评估系统 - Google Patents
一种基于图像处理的术中实时仿真疗效评估系统 Download PDFInfo
- Publication number
- CN116884570B CN116884570B CN202311141417.5A CN202311141417A CN116884570B CN 116884570 B CN116884570 B CN 116884570B CN 202311141417 A CN202311141417 A CN 202311141417A CN 116884570 B CN116884570 B CN 116884570B
- Authority
- CN
- China
- Prior art keywords
- image
- real
- curative effect
- evaluated
- risk
- 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
Links
- 230000000694 effects Effects 0.000 title claims abstract description 63
- 238000012545 processing Methods 0.000 title claims abstract description 63
- 238000011156 evaluation Methods 0.000 title claims abstract description 55
- 238000004088 simulation Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 84
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 238000001356 surgical procedure Methods 0.000 claims description 65
- 238000002583 angiography Methods 0.000 claims description 35
- 238000013210 evaluation model Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 25
- 210000004369 blood Anatomy 0.000 claims description 17
- 239000008280 blood Substances 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000009792 diffusion process Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000007477 logistic regression Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 206010002091 Anaesthesia Diseases 0.000 claims description 8
- 230000037005 anaesthesia Effects 0.000 claims description 8
- 208000032843 Hemorrhage Diseases 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 210000003743 erythrocyte Anatomy 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 208000014644 Brain disease Diseases 0.000 claims description 3
- 206010020772 Hypertension Diseases 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 230000003115 biocidal effect Effects 0.000 claims description 3
- 230000000740 bleeding effect Effects 0.000 claims description 3
- 230000036772 blood pressure Effects 0.000 claims description 3
- 230000036760 body temperature Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 206010012601 diabetes mellitus Diseases 0.000 claims description 3
- 208000019622 heart disease Diseases 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 230000002980 postoperative effect Effects 0.000 claims description 3
- 230000036387 respiratory rate Effects 0.000 claims description 3
- 208000023504 respiratory system disease Diseases 0.000 claims description 3
- 230000000391 smoking effect Effects 0.000 claims description 3
- 230000002792 vascular Effects 0.000 claims description 3
- 206010071229 Procedural haemorrhage Diseases 0.000 claims description 2
- 238000002637 fluid replacement therapy Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 239000002002 slurry Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 description 9
- 238000001802 infusion Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000002690 local anesthesia Methods 0.000 description 4
- 238000004378 air conditioning Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 201000006474 Brain Ischemia Diseases 0.000 description 2
- 206010008120 Cerebral ischaemia Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 206010008118 cerebral infarction Diseases 0.000 description 2
- 230000003788 cerebral perfusion Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002695 general anesthesia Methods 0.000 description 2
- 208000018152 Cerebral disease Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010019695 Hepatic neoplasm Diseases 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 238000002357 laparoscopic surgery Methods 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及图像数据处理技术领域，一方面，本发明提供一种基于图像处理的术中实时仿真疗效评估系统，包括图像采集模块、图像处理模块、医护信息采集模块、历史病例数据采集模块和疗效评估模块；另一方面，本发明提供一种基于图像处理的术中实时仿真疗效评估方法，根据历史临床资料建立疗效评估模型，收集待评估手术影响区域的血管密度、主刀医生信息以及所需其他相关资料，在术中收集辅助图像的对比度，共同输入疗效评估模型对待评估手术疗效进行实时评估，并基于测定结果与手术的实时监测数据，评估手术是否适合继续进行，更加综合地评估手术的危险性，帮助医生更好的了解手术风险。
Description
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种基于图像处理的术中实时仿真疗效评估系统。
背景技术
随着医疗水平的进步，如今手术已经是是一种常见的医疗干预方法，但手术也存在一定的风险。对手术危险性进行评估可以帮助医生和患者共同了解手术的风险，并做出明智的决策。基于手术的危险性评估，医生可以更好地判断手术的可行性，并采取相应的措施来降低手术风险，医疗团队也可以制定个性化的术前和术后护理计划，以最大程度地保障患者的安全和康复。因此，对手术的危险性进行评估是非常重要的。现代的计算机处理技术的发展旨在帮助人们更高效率的应对工作，其中图像处理技术已经渗透进医学领域，通过对医学图像进行处理，辅助医生多方面地对患者的病情进行判断与治疗。图像处理技术也已经应用于手术的风险性评估工作当中，但现有的手术疗效评估系统中，未能考虑手术影响区域的血管密度、手术涉及的主刀医生数据与手术中辅助图像的对比度对手术危险性产生的影响，且在手术过程中无法实时评估手术能否继续进行。
如申请公开号为CN113178258A的中国专利公开了一种基于多模态组学老年人甲状腺癌治疗手段评估方法及系统，其系统包括数据采集模块、图像处理模块、治疗手段风险评估模块和治疗手段确定模块，根据老年人的超声影像以及老年人的基础身体状况进行综合分析，通过权衡三种不同治疗方式的利弊，为病人提供更加个体化的精准诊疗选择。
如申请公开号为CN110490871A的中国专利公开了一种基于磁共振脑灌注图像的自动图像处理以及显示方法，用于辅助评估脑缺血疾病风险，实现了从核磁脑灌注原始数，多参数自动分区化与定量处理至缺血性脑疾病前期风险评估，为脑缺血疾病的早期筛查、早期诊断和早期治疗提供了一种有效的评估方法。
以上专利中均存在本背景技术中提出的问题：现有的手术疗效评估系统中，未能考虑手术影响区域的血管密度、手术涉及的主刀医生数据与手术中辅助图像的对比度对手术危险性产生的影响，且在手术过程中无法实时评估手术能否继续进行。为了解决这一问题，本发明设计了一种基于图像处理的术中实时仿真疗效评估系统。
发明内容
本发明提供一种基于图像处理的术中实时仿真疗效评估系统，能够有效解决背景技术中的问题：现有的手术疗效评估系统中，未能考虑手术影响区域的血管密度、手术涉及的主刀医生数据与手术中辅助图像的对比度对手术危险性产生的影响，且在手术过程中无法实时评估。
为达到上述目的，本发明是采用下述技术方案实现的。
一方面，本发明提供一种基于图像处理的术中实时仿真疗效评估系统，包括图像采集模块、图像处理模块、医护信息采集模块、历史病例数据采集模块和疗效评估模块；
所述图像采集模块，用于采集待评估手术术前的磁共振血管造影图像以及手术中的手术辅助图像；
所述图像处理模块，用于对所述采集到的磁共振血管造影图像和手术辅助图像进行处理；
所述医护信息采集模块，用于采集待评估手术的主刀医生信息；
所述历史病例数据采集模块，用于获取与待评估手术同种类的手术历史临床资料；
所述疗效评估模块，用于实时评估手术进行的危险性。
进一步地，所述图像采集模块，包括术前采集单元和术中采集单元；
所述术前采集单元，包括手术室内的磁共振血管造影设备，用于采集病灶区域附近的血管造影图像；
所述术中采集单元，包括手术室中的医用摄影机，以及待评估手术所需其他医疗设备，用于实时采集待评估手术术中的手术辅助图像。
进一步地，所述图像采集模块与所述图像处理模块相连；
所述图像处理模块、医护信息采集模块和历史病例数据采集模块分别与所述疗效评估模块相连。
另一方面，本发明提供一种基于图像处理的术中实时仿真疗效评估方法，其基于上述的一种基于图像处理的术中实时仿真疗效评估系统实现，所述方法包括以下步骤：
S1：获取待评估手术前的磁共振血管造影图像，并对所述磁共振血管造影图像进行预处理，得到预处理后的图像；
S2：根据所述预处理后的图像划定待评估手术的影响区域，制定待评估手术的手术方案，并判定待评估手术的手术类型；
S3：根据所述手术方案，获取历史临床资料，根据历史临床资料建立疗效评估模型；
S4：根据所述预处理后的图像以及所述手术的影响区域计算手术影响区域的血管密度；
S5：收集待评估手术涉及的主刀医生信息，所述主刀医生信息包括从业年限、曾主刀同类型的手术次数以及患者的术后平均恢复周期；
S6：根据所述S3中的疗效评估模型，收集评估待评估手术所需的其他相关资料；
S7：在待评估手术的术中实时收集手术辅助图像，获取手术辅助图像的对比度，其中手术辅助图像指的是手术过程中医生需要参考的图像资料；
S8：将所述血管密度、涉及的主刀医生信息、评估待评估手术所需的其他相关资料以及手术辅助图像的实时对比度，实时输入疗效评估模型对待评估手术疗效进行实时评估，测定其危险性，并基于测定结果与手术的实时监测数据，评估手术是否适合继续进行。
进一步地，所述S1，其中预处理的具体方法为：对磁共振血管造影图像进行扩散滤波去噪处理，其中扩散滤波去噪处理方程组为：
其中为磁共振血管造影图像的原始灰度图像，/>为初始时刻的磁共振血管造影图像，/>是/>时刻的磁共振血管造影图像的扩散图像，/>是散度算子，是磁共振血管造影图像的梯度，/>是扩散系数，与磁共振血管造影图像梯度成反比，/>的取值采用下式进行获取：
其中，是梯度阈值。
进一步地，所述S2，其中手术的影响区域，指的是在手术过程中容易误触导致破裂出血的部位；其中手术类型为大风险手术、中等风险手术和小风险手术；所述大风险手术，指的是涉及较大的手术范围和风险，需要全身麻醉的手术；所述中等风险手术，指的是手术范围和风险适中，使用局部麻醉的手术；所述小风险手术，指的是手术范围较小，风险较低，使用局部麻醉或无麻醉的手术。
进一步地，所述S3中根据历史临床资料建立疗效评估模型，具体的建立方法为：
S31：获取例同类型手术的病例，对/>例对象记录相关临床资料，所述相关临床资料包括性别、年龄、BMI、是否吸烟、糖尿病、心脏疾病、高血压病、脑部疾病、呼吸疾病、心电图、胸片、术前输红细胞量、术前输全血量、术前输血浆量、 术前输血小板量、术前使用抗生素时间、术前住院时间、切口部位、切口长度、手术时间、麻醉时间、麻醉方式、术中出血量、术中补液体总量、术中输等渗液量、术中输代血浆量、术中输葡萄糖液量、术中补血制品总量、术中输红细胞量、术中输全血量、术中输血浆量，其中，BMI指的是体重指数；
S32：对相关临床资料进行多因素的Logistic回归分析，因变量定义为手术无危险性，因变量/>定义为手术有危险性，通过多因素的Logistic回归分析筛选出与手术危险性相关的/>个因素/>；
S33：根据上述分析出的手术危险性相关的个因素/>，以及手术影响区域的血管密度、手术涉及的主刀医生信息和术中手术辅助图像的平均对比度，建立训练样本集，训练基于SVM预测方法的疗效评估模型，所述训练样本集为：
；
式中 和/> 分别为输入和输出的训练样本集；/>为第/>个训练样本的输入值，为多维空间向量，包含/>个影响手术危险性的变量；/>为第/>个训练样本的输出值；/>为血管密度；/>为从业年限；/>为医生曾主刀同类型的手术次数；/>为术后平均恢复周期；/>为术中手术辅助图像的平均对比度，/>为第/>个样本对应的手术危险性系数。
进一步地，所述S4，其中手术影响区域的血管密度的具体的计算方法为：
S41：对所述预处理后的图像进行分割处理；
S42：计算预处理后的图像中的手术影响区域的血管密度，具体计算公式为：
其中为处于预处理后的图像中的手术影响区域中的血管区域的像素个数，/>为预处理后的图像中的手术影响区域的像素总个数。
进一步地，所述S41，具体分割方法为：通过高斯函数对预处理后的图像进行扩散滤波降噪，继而通过拉普拉斯算子对预处理后的图像进行二阶导数运算，找到边缘之间的零交叉，其中采用的边缘检测掩模的计算公式为：
；
其中，所述边缘检测掩模用于与预处理后的图像进行卷积操作，通过计算所述掩模与预处理后的图像每个像素点的加权和来确定边缘的位置。
高斯函数的计算方法为：
式中，表示以/>为底的指数函数，其中/>为自然常数；
拉普拉斯算子的计算方法为：
式中为高斯函数，/>为标准差，决定图像的平滑程度，/>为输入图像的拉普拉斯算子，/>表示/>对/>求二阶偏导。
进一步地，所述S6，根据所述疗效评估模型，收集待评估手术的相关资料，其具体方法为：根据通过多因素的Logistic回归分析筛选出的与手术危险性相关的个因素，收集待评估手术中与之匹配的同种资料。
进一步地，所述S8中基于测定结果与手术的实时监测数据，评估手术是否适合继续进行，具体方法为：
S81：获取手术的实时监测数据，包括血压、心率、血氧饱和度、呼吸频率、体温、出血量、麻醉深度、血液指标，基于各数据项的具体数值对各个数据项进行分数评估，所述分数包含1-5分，其中1分代表患者在该数据项的数值下进行手术无危险性；2分代表患者在该数据项的数值下进行手术有低危险性；3分代表患者在该数据项的数值下进行手术有中危险性；4分代表患者在该数据项的数值下进行手术有中高危险性；5分代表患者在该数据项的数值下进行手术有高危险性，得到手术的实时监测数据的分值向量，其中，式中/>表示8个监测数据的得分值；
S82：由至少5个本领域专家对各个监测数据项的权重项按顺序进行赋值，每个权重项取所有专家赋值的平均值，继而对所有权重项做归一化处理，得到手术的实时监测数据的权重向量，其中，/>，/>表示8个监测数据的权值；
S83：在分值向量中若含有一个分量为5，则手术评估为不适合继续进行；若/>的所有分量均不为5，则计算手术的危险性评分/>，具体计算方法为：
式中，为基于所述疗效评估模型对待评估手术疗效进行实时评估的结果所确定的评估系数；
S84：若，则评估为手术不适合继续进行；若/>，则评估为手术适合继续进行。
进一步地，所述S81中基于各数据项的具体数值对各个数据项进行分数评估的具体方法为：获取同类型手术的历史病例，筛选其中本数据项与待评估手术中对应数据项数值相等的历史病例，并统计所述筛选后的历史病例中手术失败数占总数的比值；若占比为0，则评1分；若占比小于等于10%，则评2分；若占比大于10%且小于等于40%，则评3分；若占比大于40%且小于等于70%则评4分；若占比大于70%，则评5分。
另一方面，本发明提供一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现一种基于图像处理的术中实时仿真疗效评估方法。
另一方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现一种基于图像处理的术中实时仿真疗效评估方法。
与现有技术相比，本发明具有如下有益效果：
（1）通过测定手术影响区域的血管密度，将手术进行的危险性与手术影响区域的血管密度、手术辅助图像的实时对比度以及主刀医生信息联系起来，通过历史病例信息建立疗效评估模型，更加综合精确的评估手术的危险性，以及给出手术是否适合继续进行下去的结果，帮助医生更好的了解手术风险，判断手术的可行性；
（2）通过对多个因素进行多因素的Logistic回归分析，筛选出与手术危险性相关的因素，再基于筛选基础采集训练样本，训练基于SVM预测方法的疗效评估模型，精简训练样本的元素采集量，得到更准确的预测评估效果，术中进行实时评估时减小模型负荷，得到更加快速的实时反馈结果，供医生参考；
（3）通过获取手术的实时监测数据，根据历史病例，基于各数据项的具体数值对各个数据项进行分数评估，并由领域专家对权重进行赋值，计算手术的危险性评分，并根据模型的评估结果对评分进行调整，评估手术的实时危险性，以及评估患者当前的生理指标是否适合继续进行手术，对手术的危险性做出及时反馈，供医生参考，更大程度地保证了患者的手术安全。
附图说明
图1为本发明的一种基于图像处理的术中实时仿真疗效评估系统的工作流程图；
图2为本发明的一种基于图像处理的术中实时仿真疗效评估方法的工作流程图；
图3为本发明的一种基于图像处理的术中实时仿真疗效评估系统的实施例2中的血管造影图像示意图；
图4为本发明的一种基于图像处理的术中实时仿真疗效评估系统的基于SVM预测方法的疗效评估模型的训练流程图；
图5为本发明的一种基于图像处理的术中实时仿真疗效评估系统的评估手术是否适合进行的方法流程图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细地说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“一号”、“二号”、“三号”仅用于描述目的，而不能理解为指示或暗示相对重要性。下面结合具体实施方式，进一步阐述本发明。
实施例1
以一场肝脏肿瘤切除腹腔镜手术为例。
本实施例介绍一种基于图像处理的术中实时仿真疗效评估系统，如图1所示，一种基于图像处理的术中实时仿真疗效评估系统，包括图像采集模块、图像处理模块、医护信息采集模块、历史病例数据采集模块和疗效评估模块；
所述图像采集模块，用于采集待评估手术术前的磁共振血管造影图像以及手术中的手术辅助图像；
在本实施例中，手术中的手术辅助图像为腹腔镜采集的腹腔内部观测图像。
所述图像处理模块，用于对所述采集到的磁共振血管造影图像和手术辅助图像进行处理；
在本实施例中，所述图像处理模块采用双边滤波算法对采集到的磁共振血管造影图像和手术辅助图像进行去噪处理，并采用Otsu阈值分割算法对去噪后的磁共振血管造影图像进行图像分割；
所述医护信息采集模块，用于采集待评估手术的主刀医生信息；
所述历史病例数据采集模块，用于获取与待评估手术同种类的手术历史临床资料；
所述疗效评估模块，用于实时评估手术进行的危险性。
进一步地，所述图像采集模块，包括术前采集单元和术中采集单元；
所述术前采集单元，包括手术室内的磁共振血管造影设备，用于采集病灶区域附近的血管造影图像；
所述术中采集单元，包括手术室中的医用摄影机，以及待评估手术所需其他医疗设备，用于实时采集待评估手术术中的手术辅助图像。
进一步地，所述图像采集模块与所述图像处理模块相连；
所述图像处理模块、医护信息采集模块和历史病例数据采集模块分别与所述疗效评估模块相连。
实施例2
如图2~图5所示，本实施例介绍一种基于图像处理的术中实时仿真疗效评估方法，其基于上述的一种基于图像处理的术中实时仿真疗效评估系统实现，所述方法包括以下步骤：
S1：获取待评估手术前的磁共振血管造影图像，并对所述磁共振血管造影图像进行预处理，得到预处理后的图像；
S2：根据所述预处理后的图像划定待评估手术的影响区域，制定待评估手术的手术方案，并判定待评估手术的手术类型；
S3：根据所述手术方案，获取历史临床资料，根据历史临床资料建立疗效评估模型；
S4：根据所述预处理后的图像以及所述手术的影响区域计算手术影响区域的血管密度；
S5：收集待评估手术涉及的主刀医生信息，所述主刀医生信息包括从业年限、曾主刀同类型的手术次数以及患者的术后平均恢复周期；
S6：根据所述S3中的疗效评估模型，收集评估待评估手术所需的其他相关资料；
S7：在待评估手术的术中实时收集手术辅助图像，获取手术辅助图像的对比度，其中手术辅助图像指的是手术过程中医生需要参考的图像资料；
S8：将所述血管密度、涉及的主刀医生信息、评估待评估手术所需的其他相关资料以及手术辅助图像的实时对比度，实时输入疗效评估模型对待评估手术疗效进行实时评估，测定其危险性，并基于测定结果与手术的实时监测数据，评估手术是否适合继续进行。
进一步地，所述S1，其中预处理的具体方法为：对磁共振血管造影图像进行扩散滤波去噪处理，其中扩散滤波去噪处理方程组为：
其中为磁共振血管造影图像的原始灰度图像，/>为初始时刻的磁共振血管造影图像，/>是/>时刻的磁共振血管造影图像的扩散图像，/>是散度算子，是磁共振血管造影图像的梯度，/>是扩散系数，与磁共振血管造影图像梯度成反比，/>的取值采用下式进行获取：
其中，是梯度阈值。
进一步地，所述S2，其中手术的影响区域，指的是在手术过程中容易误触导致破裂出血的部位；所述手术类型为大风险手术、中等风险手术和小风险手术；所述大风险手术，指的是涉及较大的手术范围和风险，需要全身麻醉的手术；所述中等风险手术，指的是手术范围和风险适中，使用局部麻醉的手术；所述小风险手术，指的是手术范围较小，风险较低，使用局部麻醉或无麻醉的手术。
进一步地，所述S3中历史临床资料建立疗效评估模型，具体的建立方法为：
S31：获取例同类型手术的病例，对/>例对象记录相关临床资料，所述相关临床资料包括性别、年龄、BMI、是否吸烟、糖尿病、心脏疾病、高血压病、脑部疾病、呼吸疾病、心电图、胸片、术前输红细胞量、术前输全血量、术前输血浆量、 术前输血小板量、术前使用抗生素时间、术前住院时间、切口部位、切口长度、手术时间、麻醉时间、麻醉方式、术中出血量、术中补液体总量、术中输等渗液量、术中输代血浆量、术中输葡萄糖液量、术中补血制品总量、术中输红细胞量、术中输全血量、术中输血浆量，其中，BMI指的是体重指数；
S32：对相关临床资料进行多因素的Logistic回归分析，因变量定义为手术无危险性，因变量/>定义为手术有危险性，通过多因素的Logistic回归分析筛选出与手术危险性相关的/>个因素/>；
S33：根据上述分析出的手术危险性相关的个因素/>，以及手术影响区域的血管密度、手术涉及的主刀医生信息和术中手术辅助图像的平均对比度，建立训练样本集，训练基于SVM预测方法的疗效评估模型，所述训练样本集为：
；
式中 和/> 分别为输入和输出的训练样本集；/>为第/>个训练样本的输入值，为多维空间向量，包含/>个影响手术危险性的变量；/>为第/>个训练样本的输出值；/>为血管密度；/>为从业年限；/>为医生曾主刀同类型的手术次数；/>为术后平均恢复周期；/>为术中手术辅助图像的平均对比度，/>为第/>个样本对应的手术危险性系数。
进一步地，所述S4，其中手术影响区域的血管密度的具体的计算方法为：
S41：对所述预处理后的图像进行分割处理；
S42：计算预处理后的图像中的手术影响区域的血管密度，具体计算公式为：
其中为处于预处理后的图像中的手术影响区域中的血管区域的像素个数，/>为预处理后的图像中的手术影响区域的像素总个数。
进一步地，所述S41中具体分割方法为：通过高斯函数对预处理后的图像进行滤波降噪，继而通过拉普拉斯算子对预处理后的图像进行二阶导数运算，找到边缘之间的零交叉，其中采用的边缘检测掩模的计算公式为：
；
其中，所述边缘检测掩模用于与预处理后的图像进行卷积操作，通过计算所述掩模与预处理后的图像每个像素点的加权和来确定边缘的位置。
高斯函数的计算方法为：
式中，表示以/>为底的指数函数，其中/>为自然常数；
拉普拉斯算子的计算方法为：
式中为高斯函数，/>为标准差，决定图像的平滑程度，/>为输入图像的拉普拉斯算子，/>表示/>对/>求二阶偏导。
进一步地，所述S6，根据所述疗效评估模型，收集待评估手术的相关资料，其具体方法为：根据通过多因素的Logistic回归分析筛选出的与手术危险性相关的个因素，收集待评估手术中与之匹配的同种资料。
进一步地，所述S8，其中基于测定结果与手术的实时监测数据，评估手术是否适合继续进行，具体方法为：
S81：获取手术的实时监测数据，包括血压、心率、血氧饱和度、呼吸频率、体温、出血量、麻醉深度、血液指标，基于各数据项的具体数值对各个数据项进行分数评估，所述分数包含1-5分，其中1分代表患者在该数据项的数值下进行手术无危险性；2分代表患者在该数据项的数值下进行手术有低危险性；3分代表患者在该数据项的数值下进行手术有中危险性；4分代表患者在该数据项的数值下进行手术有中高危险性；5分代表患者在该数据项的数值下进行手术有高危险性，得到手术的实时监测数据的分值向量，其中，式中/>表示8个监测数据的得分值；
S82：由至少5个本领域专家对各个监测数据项的权重项按顺序进行赋值，每个权重项取所有专家赋值的平均值，继而对所有权重项做归一化处理，得到手术的实时监测数据的权重向量，其中，/>，/>表示8个监测数据的权值；
S83：在分值向量中若含有一个分量为5，则手术评估为不适合继续进行；若/>的所有分量均不为5，则计算手术的危险性评分/>，具体计算方法为：
式中，为基于所述疗效评估模型对待评估手术疗效进行实时评估的结果所确定的评估系数；
S84：若，则评估为手术不适合继续进行；若/>，则评估为手术适合继续进行。
进一步地，所述S81中基于各数据项的具体数值对各个数据项进行分数评估的具体方法为：获取同类型手术的历史病例，筛选其中本数据项与待评估手术中对应数据项数值相等的历史病例，并统计所述筛选后的历史病例中手术失败数占总数的比值；若占比为0，则评1分；若占比小于等于10%，则评2分；若占比大于10%且小于等于40%，则评3分；若占比大于40%且小于等于70%则评4分；若占比大于70%，则评5分。
实施例3
本实施例提供一种电子设备，包括：处理器和存储器，其中，存储器中存储有可供处理器调用的计算机程序；
处理器通过调用存储器中存储的计算机程序，执行上述的一种空调建筑中建筑热环境与建筑节能控制方法。
该电子设备可因配置或性能不同而产生比较大的差异，能够包括一个或一个以上的处理器（Central Processing Units，CPU）和一个或一个以上的存储器，其中，该存储器中存储有至少一条计算机程序，该计算机程序由该处理器加载并执行以实现上述方法实施例提供的一种空调建筑中建筑热环境与建筑节能控制方法。该电子设备还能够包括其他用于实现设备功能的部件，例如，该电子设备还能够具有有线或无线网络接口以及输入输出接口等部件，以便进行数据的输入输出。本实施例在此不做赘述。
实施例4
本实施例提出一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当计算机程序在计算机设备上运行时，使得计算机设备执行上述的一种空调建筑中建筑热环境与建筑节能控制方法。
例如，计算机可读存储介质能够是只读存储器（Read-Only Memory，简称：ROM）、随机存取存储器（Random Access Memory，简称：RAM）、只读光盘（Compact Disc Read-OnlyMemory，简称：CD-ROM）、磁带、软盘和光数据存储设备等。
综上实施例，本发明具有如下有益效果：
（1）通过测定手术影响区域的血管密度，将手术进行的危险性与手术影响区域的血管密度、手术辅助图像的实时对比度以及主刀医生信息联系起来，通过历史病例信息建立疗效评估模型，更加综合精确的评估手术的危险性，以及给出手术是否适合继续进行下去的结果，帮助医生更好的了解手术风险，判断手术的可行性；
（2）通过对多个因素进行多因素的Logistic回归分析，筛选出与手术危险性相关的因素，再基于筛选基础采集训练样本，训练基于SVM预测方法的疗效评估模型，精简训练样本的元素采集量，得到更准确的预测评估效果，术中进行实时评估时减小模型负荷，得到更加快速的实时反馈结果，供医生参考；
（3）通过获取手术的实时监测数据，根据历史病例，基于各数据项的具体数值对各个数据项进行分数评估，并由领域专家对权重进行赋值，计算手术的危险性评分，并根据模型的评估结果对评分进行调整，评估手术的实时危险性，以及评估患者当前的生理指标是否适合继续进行手术，对手术的危险性做出及时反馈，供医生参考，更大程度地保证了患者的手术安全。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (11)
1.一种基于图像处理的术中实时仿真疗效评估方法，其特征在于：所述方法包括以下步骤：
S1：获取待评估手术前的磁共振血管造影图像，并对所述磁共振血管造影图像进行预处理，得到预处理后的图像；
S2：根据所述预处理后的图像划定待评估手术的影响区域，制定待评估手术的手术方案，并判定待评估手术的手术类型；
S3：根据所述手术方案，获取历史临床资料，根据历史临床资料建立疗效评估模型；
S4：根据所述预处理后的图像以及所述手术的影响区域计算手术影响区域的血管密度；
S5：收集待评估手术涉及的主刀医生信息，所述主刀医生信息包括从业年限、曾主刀同类型的手术次数以及患者的术后平均恢复周期；
S6：根据所述S3中的疗效评估模型，收集评估待评估手术所需的其他相关资料；
S7：在待评估手术的术中实时收集手术辅助图像，获取手术辅助图像的对比度，其中手术辅助图像指的是手术过程中医生需要参考的图像资料；
S8：将所述血管密度、涉及的主刀医生信息、评估待评估手术所需的其他相关资料以及手术辅助图像的实时对比度，实时输入疗效评估模型对待评估手术疗效进行实时评估，测定其危险性，并基于测定结果与手术的实时监测数据，评估手术是否适合继续进行；
所述S2，其中手术类型为大风险手术、中等风险手术和小风险手术；
所述S3中根据历史临床资料建立疗效评估模型，具体的建立方法为：
S31：获取例同类型手术的病例，对/>例对象记录相关临床资料，所述相关临床资料包括性别、年龄、BMI、是否吸烟、糖尿病、心脏疾病、高血压病、脑部疾病、呼吸疾病、心电图、胸片、术前输红细胞量、术前输全血量、术前输血浆量、 术前输血小板量、术前使用抗生素时间、术前住院时间、切口部位、切口长度、手术时间、麻醉时间、麻醉方式、术中出血量、术中补液体总量、术中输等渗液量、术中输代血浆量、术中输葡萄糖液量、术中补血制品总量、术中输红细胞量、术中输全血量、术中输血浆量，其中，BMI指的是体重指数；
S32：对相关临床资料进行多因素的Logistic回归分析，因变量定义为手术无危险性，因变量/>定义为手术有危险性，通过多因素的Logistic回归分析筛选出与手术危险性相关的/>个因素/>；
S33：根据上述分析出的手术危险性相关的个因素/>，以及手术影响区域的血管密度、手术涉及的主刀医生信息和术中手术辅助图像的平均对比度，建立训练样本集，训练基于SVM预测方法的疗效评估模型，所述训练样本集为：
；
式中和/>分别为输入和输出的训练样本集；/>为第/>个训练样本的输入值，为多维空间向量，包含/>个影响手术危险性的变量；/>为第/>个训练样本的输出值；/>为血管密度；/>为从业年限；/>为医生曾主刀同类型的手术次数；/>为术后平均恢复周期；/>为术中手术辅助图像的平均对比度，/>为第/>个样本对应的手术危险性系数；
所述S6中根据所述疗效评估模型，收集待评估手术的相关资料，其具体方法为：根据通过多因素的Logistic回归分析筛选出的与手术危险性相关的个因素/>，收集待评估手术中与之匹配的同种资料。
2.根据权利要求1所述的一种基于图像处理的术中实时仿真疗效评估方法，其特征在于：所述S1中预处理的具体方法为：对磁共振血管造影图像进行扩散滤波去噪处理，其中扩散滤波去噪处理方程组为：
；
其中为磁共振血管造影图像的原始灰度图像，/>为初始时刻的磁共振血管造影图像，/>是/>时刻的磁共振血管造影图像的扩散图像，/>是散度算子，是磁共振血管造影图像的梯度，/>是扩散系数，与磁共振血管造影图像梯度成反比，/>的取值采用下式进行获取：
；
其中，是梯度阈值。
3.根据权利要求2所述的一种基于图像处理的术中实时仿真疗效评估方法，其特征在于：所述S4中手术影响区域的血管密度的具体的计算方法为：
S41：对所述预处理后的图像行分割处理；
S42：计算预处理后的图像中的手术影响区域的血管密度，具体计算公式为：
；
其中为处于预处理后的图像中的手术影响区域中的血管区域的像素个数，/>为预处理后的图像中的手术影响区域的像素总个数。
4.根据权利要求3所述的一种基于图像处理的术中实时仿真疗效评估方法，其特征在于：所述S41中具体分割方法为：对预处理后的图像进行扩散滤波降噪处理，继而对预处理后的图像进行二阶导数运算，找到边缘之间的零交叉，其中采用的边缘检测掩模的计算公式为：
；
其中，所述边缘检测掩模用于与预处理后的图像进行卷积操作，通过计算所述掩模与预处理后的图像每个像素点的加权和来确定边缘的位置。
5.根据权利要求4所述的一种基于图像处理的术中实时仿真疗效评估方法，其特征在于：所述S8中基于测定结果与手术的实时监测数据，评估手术是否适合继续进行，具体方法为：
S81：获取手术的实时监测数据，包括血压、心率、血氧饱和度、呼吸频率、体温、出血量、麻醉深度、血液指标，基于各数据项的具体数值对各个数据项进行分数评估，所述分数包含1-5分，其中1分代表患者在该数据项的数值下进行手术无危险性；2分代表患者在该数据项的数值下进行手术有低危险性；3分代表患者在该数据项的数值下进行手术有中危险性；4分代表患者在该数据项的数值下进行手术有中高危险性；5分代表患者在该数据项的数值下进行手术有高危险性，得到手术的实时监测数据的分值向量，其中，式中/>表示8个监测数据的得分值；
S82：由至少5个本领域专家对各个监测数据项的权重项按顺序进行赋值，每个权重项取所有专家赋值的平均值，继而对所有权重项做归一化处理，得到手术的实时监测数据的权重向量，其中，/>，/>表示8个监测数据的权值；
S83：在分值向量中若含有一个分量为5，则手术评估为不适合继续进行；若/>的所有分量均不为5，则计算手术的危险性评分/>，具体计算方法为：
；
式中，为基于所述疗效评估模型对待评估手术疗效进行实时评估的结果所确定的评估系数；
S84：若，则评估为手术不适合继续进行；若/>，则评估为手术适合继续进行。
6.根据权利要求5所述的一种基于图像处理的术中实时仿真疗效评估方法，其特征在于：所述S81中基于各数据项的具体数值对各个数据项进行分数评估的具体方法为：获取同类型手术的历史病例，筛选其中本数据项与待评估手术中对应数据项数值相等的历史病例，并统计筛选后的历史病例中手术失败数占总数的比值；若占比为0，则评1分；若占比大于0且小于等于10%，则评2分；若占比大于10%且小于等于40%，则评3分；若占比大于40%且小于等于70%则评4分；若占比大于70%，则评5分。
7.一种基于图像处理的术中实时仿真疗效评估系统，其基于权利要求1-6中任一项所述的一种基于图像处理的术中实时仿真疗效评估方法实现，其特征在于：所述系统包括图像采集模块、图像处理模块、医护信息采集模块、历史病例数据采集模块和疗效评估模块；
所述图像采集模块，用于采集待评估手术术前的磁共振血管造影图像以及手术中的手术辅助图像；
所述图像处理模块，用于对采集到的磁共振血管造影图像和手术辅助图像进行处理；
所述医护信息采集模块，用于采集待评估手术的主刀医生信息；
所述历史病例数据采集模块，用于获取与待评估手术同种类的手术历史临床资料；
所述疗效评估模块，用于实时评估手术进行的危险性。
8.根据权利要求7所述的一种基于图像处理的术中实时仿真疗效评估系统，其特征在于：
所述图像采集模块，包括术前采集单元和术中采集单元；
所述术前采集单元，包括手术室内的磁共振血管造影设备，用于采集病灶区域附近的血管造影图像；
所述术中采集单元，包括手术室中的医用摄影机，以及待评估手术所需其他医疗设备，用于实时采集待评估手术术中的手术辅助图像。
9.根据权利要求8所述的一种基于图像处理的术中实时仿真疗效评估系统，其特征在于：
所述图像采集模块与所述图像处理模块相连；
所述图像处理模块、医护信息采集模块和历史病例数据采集模块分别与所述疗效评估
模块相连。
10.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-6中任一项所述的一种基于图像处理的术中实时仿真疗效评估方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的一种基于图像处理的术中实时仿真疗效评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311141417.5A CN116884570B (zh) | 2023-09-06 | 2023-09-06 | 一种基于图像处理的术中实时仿真疗效评估系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311141417.5A CN116884570B (zh) | 2023-09-06 | 2023-09-06 | 一种基于图像处理的术中实时仿真疗效评估系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116884570A CN116884570A (zh) | 2023-10-13 |
| CN116884570B true CN116884570B (zh) | 2023-12-12 |
Family
ID=88260852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311141417.5A Active CN116884570B (zh) | 2023-09-06 | 2023-09-06 | 一种基于图像处理的术中实时仿真疗效评估系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116884570B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118039070A (zh) * | 2024-04-11 | 2024-05-14 | 四川省肿瘤医院 | 一种用于介入手术的临床护理系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010024926A2 (en) * | 2008-08-28 | 2010-03-04 | Aureon Laboratories, Inc. | Systems and methods for treating, diagnosing and predicting the occurrence of a medical condition |
| EP3414753A1 (en) * | 2015-12-07 | 2018-12-19 | M.S.T. Medical Surgery Technologies Ltd. | Autonomic goals-based training and assessment system for laparoscopic surgery |
| US11177041B1 (en) * | 2018-07-20 | 2021-11-16 | MedAmerica Data Services, LLC | Method and system for cardiac risk assessment of a patient using historical and real-time data |
| CN113748468A (zh) * | 2019-02-21 | 2021-12-03 | 剧院公司 | 分析外科手术视频的系统和方法 |
| EP3937181A1 (en) * | 2020-07-07 | 2022-01-12 | Biosense Webster (Israel) Ltd | Optimized ablation for persistent atrial fibrillation |
| US11464573B1 (en) * | 2022-04-27 | 2022-10-11 | Ix Innovation Llc | Methods and systems for real-time robotic surgical assistance in an operating room |
| CN115620861A (zh) * | 2022-10-26 | 2023-01-17 | 山东大学 | 基于多模态组学老年人甲状腺癌治疗手段评估方法及系统 |
| CN116269743A (zh) * | 2022-11-28 | 2023-06-23 | 厦门大学 | 一种术中实时光学相干成像引导的激光消融治疗系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021100053A1 (en) * | 2019-11-22 | 2021-05-27 | Cognitivecare India Labs Llp | A system and method for generation and use of radiation outcome prediction score in patients undergoing radiotherapy |
| CN116711019A (zh) * | 2020-12-03 | 2023-09-05 | 直观外科手术操作公司 | 用于评估外科手术能力的系统和方法 |
| US20220370137A1 (en) * | 2021-05-21 | 2022-11-24 | Cilag Gmbh International | Surgical Simulation Object Rectification System |
-
2023
- 2023-09-06 CN CN202311141417.5A patent/CN116884570B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010024926A2 (en) * | 2008-08-28 | 2010-03-04 | Aureon Laboratories, Inc. | Systems and methods for treating, diagnosing and predicting the occurrence of a medical condition |
| EP3414753A1 (en) * | 2015-12-07 | 2018-12-19 | M.S.T. Medical Surgery Technologies Ltd. | Autonomic goals-based training and assessment system for laparoscopic surgery |
| US11177041B1 (en) * | 2018-07-20 | 2021-11-16 | MedAmerica Data Services, LLC | Method and system for cardiac risk assessment of a patient using historical and real-time data |
| CN113748468A (zh) * | 2019-02-21 | 2021-12-03 | 剧院公司 | 分析外科手术视频的系统和方法 |
| EP3937181A1 (en) * | 2020-07-07 | 2022-01-12 | Biosense Webster (Israel) Ltd | Optimized ablation for persistent atrial fibrillation |
| US11464573B1 (en) * | 2022-04-27 | 2022-10-11 | Ix Innovation Llc | Methods and systems for real-time robotic surgical assistance in an operating room |
| CN115620861A (zh) * | 2022-10-26 | 2023-01-17 | 山东大学 | 基于多模态组学老年人甲状腺癌治疗手段评估方法及系统 |
| CN116269743A (zh) * | 2022-11-28 | 2023-06-23 | 厦门大学 | 一种术中实时光学相干成像引导的激光消融治疗系统 |
Non-Patent Citations (4)
| Title |
|---|
| Wang,Haoru.Development and validation of a CT-based radiomics signature for identifying high-risk neuroblastomas under the revised Children's Oncology Group classification system.PEDIATRIC BLOOD & CANCER.2023,第70卷(第5期),1-6. * |
| 糖尿病黄斑囊样水肿抗VEGF治疗应答与OCT影像学特征的关系;蒲家欣;中国优秀硕士学位论文全文数据库 (医药卫生科技辑)(第02期);E065-310 * |
| 肿瘤分子影像学：进展及挑战;蔡惠明 等;国际医学放射学杂志;第44卷(第01期);1-5 * |
| 能谱CT成像评价晚期非小细胞肺癌化疗近期疗效的价值;朱巧;任翠;张艳;李美娇;王晓华;;放射学实践(第08期);953-959 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116884570A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2630122C2 (ru) | Способ непрерывного прогнозирования тяжести заболевания у пациента, летального исхода и длительности госпитализации | |
| RU2728855C2 (ru) | Количественный показатель предупреждения об ухудшении работы сердечно-сосудистой системы | |
| RU2629799C2 (ru) | Оценка и наблюдение острого повреждения легких (ali)/синдрома острой дыхательной недостаточности (ards) | |
| US20210007675A1 (en) | Method of detecting sepsis using vital signs, including systolic blood pressure, hematology parameters, and combinations thereof | |
| CN116884570B (zh) | 一种基于图像处理的术中实时仿真疗效评估系统 | |
| JP2002529873A (ja) | 予測機器を用いる診断ツール | |
| Thorpe et al. | Decision criteria for large vessel occlusion using transcranial Doppler waveform morphology | |
| Clark et al. | Lack of functional information explains the poor performance of ‘clot load scores’ at predicting outcome in acute pulmonary embolism | |
| CN110767316A (zh) | 一种创伤输血预测模型建立方法、确定输血量的方法及系统 | |
| CN112183572A (zh) | 一种生成预测肺炎严重程度的预测模型的方法及装置 | |
| US20230142909A1 (en) | Clinically meaningful and personalized disease progression monitoring incorporating established disease staging definitions | |
| CN113017572B (zh) | 一种重症预警方法、装置、电子设备及存储介质 | |
| CN115546123A (zh) | 基于机器学习的腹主动脉瘤破裂风险的预测系统 | |
| Shanmugam et al. | Improving and standardizing capture of pediatric cardiac surgical complications | |
| JP6669361B2 (ja) | 血流解析システム、解析依頼受付システム、血流解析方法及びプログラム | |
| JP2010097476A (ja) | 画像検索装置及びその方法 | |
| Kartal et al. | Outpatient treatment of pulmonary embolism: sPESI score and highly sensitive troponin may prove helpful | |
| CN117672495B (zh) | 基于人工智能的房颤合并冠心病患者远期死亡率预测方法 | |
| KR20230150218A (ko) | 스마트 혈류 역학 지표를 이용한 진단 보조 장치 및 방법 | |
| JP2022133576A (ja) | 医用情報処理装置 | |
| Ningrum et al. | Implementation Data Mining with the Naive Bayes Classifier Algorithm in Determining the Type of Stroke | |
| Cooper | Choosing and Interpreting Diagnostic Tests | |
| TW202402233A (zh) | 血液透析系統的心臟衰竭風險監測及血紅蛋白量預測 | |
| TWM653347U (zh) | 具心臟衰竭風險監測及血紅蛋白量預測功能之血液透析系統 | |
| Jaiswal | Blood Transfusion success rate prediction using Artificial Intelligence |
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 |