CN116936112B - 回归模型训练与消融规划方法、装置、设备及介质 - Google Patents
回归模型训练与消融规划方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116936112B CN116936112B CN202311176624.4A CN202311176624A CN116936112B CN 116936112 B CN116936112 B CN 116936112B CN 202311176624 A CN202311176624 A CN 202311176624A CN 116936112 B CN116936112 B CN 116936112B
- Authority
- CN
- China
- Prior art keywords
- ablation
- dimensional model
- target
- preset
- needle
- 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
- 238000002679 ablation Methods 0.000 title claims abstract description 554
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000012549 training Methods 0.000 title claims abstract description 61
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 121
- 230000006870 function Effects 0.000 claims description 93
- 238000011156 evaluation Methods 0.000 claims description 44
- 238000012546 transfer Methods 0.000 claims description 37
- 210000000056 organ Anatomy 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 19
- 230000035515 penetration Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 16
- 210000001835 viscera Anatomy 0.000 claims description 15
- 238000012512 characterization method Methods 0.000 claims description 14
- 238000000576 coating method Methods 0.000 claims description 9
- 210000000988 bone and bone Anatomy 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 210000000232 gallbladder Anatomy 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000001727 in vivo Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 210000001519 tissue Anatomy 0.000 description 23
- 238000002595 magnetic resonance imaging Methods 0.000 description 14
- 206010028980 Neoplasm Diseases 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 210000005036 nerve Anatomy 0.000 description 4
- 101100077717 Mus musculus Morn2 gene Proteins 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 3
- 230000020169 heat generation Effects 0.000 description 3
- 230000002503 metabolic effect Effects 0.000 description 3
- 230000010412 perfusion Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 230000001404 mediated effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005404 monopole Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003685 thermal hair damage Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007674 radiofrequency ablation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000011800 void material Substances 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
- 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
-
- 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
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
-
- 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
- A61B2034/102—Modelling of surgical devices, implants or prosthesis
- A61B2034/104—Modelling the effect of the tool, e.g. the effect of an implanted prosthesis or for predicting the effect of ablation or burring
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Robotics (AREA)
- Databases & Information Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及热消融技术领域,公开了回归模型训练与消融规划方法、装置、设备及介质,本申请中通过所有目标消融针属性组合分别对应的球谐波函数系数以及所有目标消融针属性组合对回归模型进行预选训练,以使回归模型能够预先学习到不同球谐波函数系数与目标消融针属性组合中各个元素之间的对应关系。进而利用回归模型根据输入的球谐波函数系数、消融针类型以及消融目标与血管之间的最短距离,准确又快速的预测出合理的消融针的分布方式、消融时间、消融功率,还可以自动规划穿刺路径,不再依赖个人经验去预测规划穿刺路径、消融针的分布方式、消融时间以及消融功率,提高预测规划效率与准确率的同时,降低了热消融技术的应用门槛。
Description
技术领域
本申请涉及热消融技术领域,具体涉及回归模型训练与消融规划方法、装置、设备及介质。
背景技术
热消融技术(射频消融或微波消融)是一种对待消融目标针对性加热,从而对待消融目标实现不可逆的热损伤的技术。
在热消融过程中,为了提高消融准确率尽可能避免对待消融目标以外的其他组织造成热损伤,需要对待消融目标进行定位和分析,从而预先设计出消融针的穿刺路径、分布方式、消融时间以及消融功率。现阶段,通常需要人为基于目标对象的核磁共振成像(Magnetic Resonance Imaging, MRI)图像或电子计算机断层扫描(ComputedTomography,CT)图像和个人经验,大致确定消融针的穿刺路径、分布方式、消融时间以及消融功率。
发明内容
有鉴于此,本申请提供了一种回归模型训练与消融规划方法、装置、设备及介质,以解决消融针的分布方式、消融时间以及消融功率的预测依赖个人经验的问题。
第一方面,本申请提供了一种回归模型训练方法,所述方法包括:
获取包含消融目标的样本图像、消融针物理模型集合、消融针的分布方式集合、消融时间集合、消融功率集合以及消融目标与血管之间的最短距离集合;
根据样本图像、预设生物传热规则、预设热物性参数以及预设温度评估规则,构建安全边界样本三维模型;
获取目标消融针的穿刺路径;
分别从消融针物理模型集合、消融针的分布方式集合、消融时间集合、消融功率集合以及消融目标与血管之间的最短距离集合中提取一个元素进行组合,得到至少一种目标消融针属性组合;
根据预设生物传热规则、预设热物性参数、每一种目标消融针属性组合以及目标消融针的穿刺路径,预测目标消融针在安全边界样本三维模型中,消融消融目标后生成的与每一种目标消融针属性组合对应的热量分布;
根据预设温度评估规则以及每一种热量分布,评估每一种目标消融针属性组合对应的等温面曲面;
利用三维傅里叶曲面表征方法,确定每一种目标消融针属性组合对应的等温面曲面的球谐波函数系数,得到每一种目标消融针属性组合对应的球谐波函数系数;
将所有目标消融针属性组合分别对应的球谐波函数系数、以及所有的目标消融针属性组合,输入至回归模型中,训练回归模型,直至达到训练停止条件,获取训练后的回归模型。
在上述技术方案中,分别从消融针物理模型集合、消融针的分布方式集合、消融时间集合、消融功率集合以及消融目标与血管之间的最短距离集合中提取一个元素进行组合,得到至少一种目标消融针属性组合;进而预测目标消融针在安全边界样本三维模型中消融消融目标后,生成的每一种目标消融针属性组合对应的热量分布,以便于评估每一种目标消融针属性组合对应的等温面曲面,进而获取每一种目标消融针属性组合对应的球谐波函数系数。而后将所有的目标消融针属性组合、获取的所有目标消融针属性组合对应的球谐波函数系数输入至回归模型进行训练,使回归模型能够预先学习到不同球谐波函数系数与目标消融针属性组合中各个元素之间的对应关系,那么在训练结束后,回归模型就能够学习到球谐波函数系数、消融针类型、消融针的分布方式、消融时间、消融功率以及消融目标与血管之间的最短距离之间的对应关系。进而可以根据输入至训练后回归模型中的球谐波函数系数、消融针类型以及消融目标与血管之间的最短距离,准确又快速的预测合理的消融针的分布方式、消融时间、消融功率,不再依赖个人经验,降低了热消融技术的应用门槛。
在一些可选的实施例中,根据样本图像、预设生物传热规则、预设热物性参数以及预设温度评估规则,构建安全边界样本三维模型,包括:
根据样本图像,构建样本三维模型,样本三维模型中包括消融目标的三维模型;
根据预设生物传热规则以及预设热物性参数,确定样本三维模型的热量分布;
根据预设温度评估规则以及样本三维模型的热量分布,确定样本三维模型的等温面曲面;
根据预设温度阈值以及样本三维模型的等温面曲面,在样本三维模型中,选取包括消融目标的三维模型,且消融目标的三维模型的平面被预设温度阈值对应等温面曲面覆盖的三维模型,并将选取的三维模型确定为消融目标对应的安全边界样本三维模型。
在上述技术方案中,基于样本图像构建包括消融目标的三维模型的样本三维模型,进而根据预设生成传染规则以及预设热物性参数确定三维模型的热量分布,以便于后续根据预设温度评估规则以及样本三维模型的热量分布,确定样本三维模型的等温面曲面。从而可以在样本三维模型中,选取包括消融目标的三维模型,且消融目标的三维模型的平面被预设温度阈值对应等温面曲面覆盖的安全边界样本三维模型。使得安全边界样本三维模型的平面可以被精准的覆盖在预设温度阈值对应等温面曲面内,从而可以精准的限制消融消融目标时的消融区域,避免将其他地方的组织纳入消融范围。便于后续仅对消融目标所在消融区域的热量分布进行预测时,可以排除其他非消融区域对热量分布的影响,进而提高回归模型的预测准确率。
在一些可选的实施例中,根据样本图像,构建样本三维模型,包括:
利用图像分割算法从样本图像中分割出血管的三维图像以及消融目标的三维图像;
利用预设重建算法分别对血管的三维图像和消融目标的三维图像进行三维重构,得到待优化三维模型;
抽取待优化三维模型的顶点,对待优化三维模型进行多边形处理,得到处理后三维模型;
优化处理后三维模型表面的网格质量,得到待拟合三维模型;
拟合待拟合三维模型的非均匀有理B样条曲面,将拟合后的待拟合三维模型确定为样本三维模型。
在上述技术方案中,自动从样本图像中分割出血管的三维图像以及消融目标的三维图像,从而对分割出的三维图像进行重建,以得到可以反映消融目标和血管之间位置关系的待优化三维模型,对待优化三维模型进行多边形处理,网格质量优化以及非均匀有理B样条曲面拟合的优化操作,将优化后得到的三维目标确定为样本三维模型,提高样本模型中重建的消融目标的三维模型,血管等三维模型的准确性,进而可以得到精确反映消融目标和血管之间位置关系的样本三维模型,为后续操作步骤提供了精确的三维模型,进而提高回归模型训练的精确程度。此外,不需要人为通过肉眼对CT图像或MRI图像中的消融目标以及血管进行辨别,从而去限制消融目标的消融区域,在应用过程中进一步提高消融的精确性。
第二方面,本申请提供了一种消融规划方法,所述方法包括:
获取包含待消融目标的图像、预设温度评估规则、预设生物传热规则以及预设热物性参数;
根据图像,构建目标三维模型,目标三维模型包括图像中血管的三维模型,以及待消融目标的三维模型;
根据目标三维模型、预设生物传热规则、预设热物性参数,以及预设温度评估规则,确定安全边界三维模型,安全边界三维模型中包括待消融目标的三维模型和待消融目标所在消融区域中血管的三维模型;
遍历待消融目标的三维模型与血管的三维模型之间距离,得到待消融目标的三维模型与血管的三维模型之间的最短距离;
根据预设的强约束条件和弱约束条件,以及目标三维模型,确定消融针消融待消融目标时的穿刺路径;
利用三维傅里叶曲面表征方法,确定安全边界三维模型平面的球谐波函数系数,得到安全边界三维模型对应的球谐波函数系数;
将安全边界三维模型对应的球谐波函数系数、预设消融针类型以及最短距离输入至利用如第一方面所述回归模型训练方法训练后得到的回归模型中,预测并输出消融时间、消融针的分布方式以及消融功率。
在上述技术方案中,能够自动根据预设的强约束条件和弱约束条件,以及目标三维模型,确定消融针消融待消融目标时的穿刺路径,不再需要人为根据个人经验进行确定,大大提高穿刺路径的确定效率的同时,还考虑了预设的强约束条件和弱约束条件相比人工确定的方式提高了穿刺路径的精度。基于训练后的回归模型自动预测并输出安全边界三维模型对应的球谐波函数系数、预设消融针类型以及最短距离对应的消融时间、消融针的分布方式以及消融功率,不需要人工基于MRI图像或CT图像以及个人经验判断相应的消融时间、消融针的分布方式以及消融功率,也不需要对回归模型进行现场训练。提高了消融时间、消融针的分布方式以及消融功率预测效率以及准确率的同时,还不需要对个人的专业水平提出很高的要求,大大降低热消融技术的应用门槛。
在一些可选的实施例中,根据预设的强约束条件和弱约束条件,以及目标三维模型,确定消融针消融待消融目标时的穿刺路径,包括:
根据强约束条件,确定消融针在目标三维模型中的可行进针区域;
基于弱约束条件,在可行进针区域中确定穿刺路径与可行进针区域中风险结构的距离、穿刺路径与脏器包膜法向量的夹角以及消融针穿越脏器的距离,风险结构包括大血管、骨骼以及胆囊;
根据穿刺路径与体内风险结构的距离、穿刺路径与脏器包膜法向量的夹角以及消融针穿越脏器的距离,在可行进针区域中构建风险函数;
利用帕累托优化方法优化风险函数,直至达到优化停止条件;
根据优化后的风险函数,确定消融针消融待消融目标时的穿刺路径。
在上述技术方案中,优先根据强约束条件确定消融针在目标三维模型中的可行进针区域,进而基于弱约束条件,在可行进针区域中基于弱约束条件确定穿刺路径与风险结构的距离、穿刺路径与脏器包膜法向量的夹角以及消融针穿越脏器的距离,从而构建风险函数,以表征穿刺路径对可行进针区域中组织的风险。进而利用帕累托优化方法优化风险函数,以减小穿刺路径对可行进针区域中组织的风险,直至达到优化停止条件,以根据优化后的风险函数,确定消融针消融待消融目标时的穿刺路径。考虑了穿刺路径对大血管、骨骼以及胆囊等风险结构以及穿越脏器的影响,大大提高了穿刺路径的可靠性,此外,不再需要人工基于MRI图形或CT图形规划穿刺路径,转而能够自动规划穿刺路径大大提高了穿刺路径的规划效率,同时减少对个人经验的依赖。
在一些可选的实施例中,强约束条件包括穿刺路径规避的风险结构,穿刺深度小于消融针的长度以及穿刺路径与脏器包膜法向量的夹角大于或等于预设值。
在一些可选的实施例中,弱约束条件包括穿刺路径远离的可行进针区域中的风险结构,穿刺路径与脏器包膜法向量的夹角,以及消融针穿越脏器的距离。
在一些可选的实施例中,在根据预设的强约束条件和弱约束条件,以及目标三维模型,确定消融针消融待消融目标时的穿刺路径之前,方法还包括:
在安全边界三维模型中,监测待消融目标的三维模型与血管的三维模型之间的最短距离;
当血管的三维模型对应的血管类型为小血管,且最短距离大于第四预设值时,将血管的三维模型从安全边界三维模型中删除。
在上述技术方案中,当血管的三维模型对应的血管类型为小血管,且待消融目标的三维模型与血管的三维模型之间的最短距离大于第四预测值时,就将该血管的三维模型从安全边界三维模型中删除,进而在后续确定穿刺路径时,可以减少一些限制,从而加快穿刺路径的确定效率,进而加快消融时间、消融针的分布方式以及消融功率预测的效率。
第三方面,本申请提供了一种回归模型训练装置,所述装置包括:
第一获取模块,用于获取包含消融目标的样本图像、消融针物理模型集合、消融针的分布方式集合、消融时间集合、消融功率集合以及消融目标与血管之间的最短距离集合;
第一构建模块,用于根据样本图像、预设生物传热规则、预设热物性参数以及预设温度评估规则,构建安全边界样本三维模型;
第二获取模块,用于获取目标消融针的穿刺路径;
提取模块,用于分别从消融针物理模型集合、消融针的分布方式集合、消融时间集合、消融功率集合以及消融目标与血管之间的最短距离集合中提取一个元素进行组合,得到至少一种目标消融针属性组合;
第一预测模块,用于根据预设生物传热规则、预设热物性参数、每一种目标消融针属性组合以及目标消融针的穿刺路径,预测目标消融针在安全边界样本三维模型中,消融消融目标后生成的与每一种目标消融针属性组合对应的热量分布;
评估模块,用于根据预设温度评估规则以及每一种热量分布,评估每一种目标消融针属性组合对应的等温面曲面;
第一确定模块,用于利用三维傅里叶曲面表征方法,确定每一种目标消融针属性组合对应的等温面曲面的球谐波函数系数,得到每一种目标消融针属性组合对应的球谐波函数系数;
训练模块,用于将所有目标消融针属性组合分别对应的球谐波函数系数、以及所有的目标消融针属性组合,输入至回归模型中,训练回归模型,直至达到训练停止条件,获取训练后的回归模型。
第四方面,本申请提供了一种消融规划装置,所述装置包括:
第三获取模块,用于获取包含待消融目标的图像、预设温度评估规则、预设生物传热规则以及预设热物性参数;
第二构建模块,用于根据图像,构建目标三维模型,目标三维模型包括图像中血管的三维模型,以及待消融目标的三维模型;
第二确定模块,用于根据目标三维模型、预设生物传热规则、预设热物性参数,以及预设温度评估规则,确定安全边界三维模型,安全边界三维模型中包括待消融目标的三维模型和待消融目标所在消融区域中血管的三维模型;
遍历模块,用于遍历待消融目标的三维模型与血管的三维模型之间距离,得到待消融目标的三维模型与血管的三维模型之间的最短距离;
第三确定模块,用于根据预设的强约束条件和弱约束条件,以及目标三维模型,确定消融针消融待消融目标时的穿刺路径;
第四确定模块,用于利用三维傅里叶曲面表征方法,确定安全边界三维模型平面的球谐波函数系数,得到安全边界三维模型对应的球谐波函数系数;
第二预测模块,用于将安全边界三维模型对应的球谐波函数系数、预设消融针类型以及最短距离输入至利用如第一方面所述回归模型训练方法训练后得到的回归模型中,预测并输出消融时间、消融针的分布方式以及消融功率。
第五方面,本申请提供了一种计算机设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面任一个回归模型训练方法,或上述第二方面任一个消融规划方法。
第六方面,本申请提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面任一个回归模型训练方法,或上述第二方面任一个消融规划方法。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体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,下面描述中的附图是本申请的一些实施方式,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,还可以根据这些附图获得其他的附图。
图1是根据本申请实施例的一种消融规划系统的结构示意图;
图2是根据本申请实施例的一种回归模型训练方法的流程示意图;
图3是根据本申请实施例的一种消融规划方法的流程示意图;
图4是根据本申请实施例的一种回归模型训练装置的结构框图;
图5是根据本申请实施例的一种消融规划装置的结构框图;
图6是本申请实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
应理解,在本申请的实施例中提到的“指示”可以是直接指示,也可以是间接指示,还可以是表示具有关联关系。举例说明,A指示B,可以表示A直接指示B,例如B可以通过A获取;也可以表示A间接指示B,例如A指示C,B可以通过C获取;还可以表示A和B之间具有关联关系。
在本申请实施例的描述中,术语“对应”可表示两者之间具有直接对应或间接对应的关系,也可以表示两者之间具有关联关系,也可以是指示与被指示、配置与被配置等关系。
本申请实施例中,“预定义”可以通过在设备(例如,包括终端设备和网络设备)中预先保存相应的代码、表格或其他可用于指示相关信息的方式来实现,本申请对于其具体的实现方式不做限定。
图1是本申请实施例的一种消融规划系统的结构示意图,该消融规划系统中包含图形图像处理设备110,图形图像处理设备110中运行有训练后的回归模型。
图形图像处理设备110可以对包含待消融目标的图像进行处理以得到目标三维模型、安全边界三维模型以及消融针的穿刺路径。训练后的回归模型可以根据图形图像处理设备110输入的球谐波函数系数、消融针类型以及最短距离,预测合理的消融针的分布方式、消融时间以及消融功率。
图形图像处理设备110还可以通过传输网络(例如,无线通信或有线通信)与成像设备120通信连接,以通过成像设备120获取包含待消融目标的图像、预设温度评估规则、预设生物传热规则以及预设热物性参数。成像设备120可以是MRI成像设备,也可以是CT成像设备。
图形图像处理设备110还可以对回归模型进行训练,以得到训练后的回归模型,也可以接收并运行训练后的回归模型。
可选的,图形图像处理设备110可以是含至少一个图形处理器(GraphicsProcessing Unit,GPU)且具有三维图像处理能力的服务器。
可选的,服务器可以是由多个物理服务器构成的服务器集群或者是分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等技术运计算服务的云服务器。
图2是本申请实施例的一种回归模型训练方法的流程示意图,该方法由计算机设备执行,该计算机设备可以是如图1所示的图形图像处理设备110。如图2所示该回归模型训练方法包含如下步骤:
步骤201,获取包含消融目标的样本图像、消融针物理模型集合、消融针的分布方式集合、消融时间集合、消融功率集合、消融目标与血管之间的最短距离集合、预设温度评估规则、预设生物传热规则以及预设热物性参数。
步骤202,根据样本图像、预设生物传热规则、预设热物性参数,以及预设温度评估规则,构建安全边界样本三维模型。
步骤203,获取目标消融针的穿刺路径。
步骤204,分别从消融针物理模型集合、消融针的分布方式集合、消融时间集合、消融功率集合以及消融目标与血管之间的最短距离集合中提取一个元素进行组合,得到至少一种目标消融针属性组合。
步骤205,根据预设生物传热规则、预设热物性参数、每一种目标消融针属性组合以及目标消融针的穿刺路径,预测目标消融针在安全边界样本三维模型中,消融消融目标后生成的与每一种目标消融针属性组合对应的热量分布。
步骤206,根据预设温度评估规则以及每一种热量分布,评估每一种目标消融针属性组合对应的等温面曲面。
步骤207,利用三维傅里叶曲面表征方法,确定每一种目标消融针属性组合对应的等温面曲面的球谐波函数系数,得到每一种目标消融针属性组合对应的球谐波函数系数。
步骤208,将所有目标消融针属性组合分别对应的球谐波函数系数、以及所有的目标消融针属性组合,输入至回归模型中,训练回归模型,直至达到训练停止条件,获取训练后的回归模型。
本申请实施例中,分别从消融针物理模型集合、消融针的分布方式集合、消融时间集合、消融功率集合以及消融目标与血管之间的最短距离集合中提取一个元素进行组合,得到至少一种目标消融针属性组合;进而预测目标消融针在安全边界样本三维模型中消融消融目标后,生成的每一种目标消融针属性组合对应的热量分布,以便于评估每一种目标消融针属性组合对应的等温面曲面,进而获取每一种目标消融针属性组合对应的球谐波函数系数。而后将所有的目标消融针属性组合、获取的所有目标消融针属性组合对应的球谐波函数系数输入至回归模型进行训练,使回归模型能够预先学习到不同球谐波函数系数与目标消融针属性组合中各个元素之间的对应关系,那么在训练结束后,回归模型就能够学习到球谐波函数系数、消融针类型、消融针的分布方式、消融时间、消融功率以及消融目标与血管之间的最短距离之间的对应关系。进而可以根据输入至训练后回归模型中的球谐波函数系数、消融针类型以及消融目标与血管之间的最短距离,准确又快速的预测合理的消融针的分布方式、消融时间、消融功率,不再依赖个人经验,降低了热消融技术的应用门槛。
在步骤201中,样本图像可以是MRI序列图像也可以是CT序列图像。预设温度评估规则可以是阿伦尼乌斯(Arrhenius) 模型也可以是目前的任一种计算等温面的方法。预设生物传热规则为Pennes方程。预设热物性参数可以包括但不限于真空介电常数、消融目标的相对介导介电常数,消融目标的组织密度、消融目标的比热容、消融目标的导热率、消融目标的血流灌注率、消融目标的代谢热生成率以及消融功率。
消融针物理模型集合中包括不同类型的消融针的物理模型,消融针类型包括单极子消融针、偶极子消融针、单缝隙同轴结构消融针和双缝隙同轴结构消融针。
消融针的分布方式集合中包含预设的单针分布方式和或预设的多针分布方式。消融针的分布方式集合中具体包括的分布方式可以根据回归模型的实际使用场景自行设置。本申请实施例中以消融针的分布集合中包含多针分布方式和单针分布方式为例,其中,多针分布方式可以包括:a)2针,两针之间的距离分别为1厘米、1.5厘米、2厘米、2.5厘米和3厘米;b)3针,直线分布方式,间距为1厘米、1.5厘米或2厘米;三角分布方式,间距为1厘米、1.5厘米或2厘米;c)4针,方形分布,边长为1cm、1.5厘米或2厘米;平行四边形分布方式,边长为1厘米、1.5厘米或2厘米。
消融时间集合中包含预设的不同的消融时间,消融时间集合中不同消融时间的具体取值可根据回归模型的实际使用场景自行设置。本申请实施例中以消融时间集合中包含10秒,20秒,30秒,40秒...600秒,一共60个不同的消融时间为例。
消融功率集合中包含预设的不同的消融功率,消融时间集合中不同消融功率的具体取值可根据回归模型的实际使用场景自行设置。本申请实施例中以消融功率集合中包含15瓦,20瓦,25瓦...60瓦,一共10个不同的消融功率为例。
消融目标与血管之间的最短距离集合中包含预设的不同的最短距离,消融目标与血管之间的最短距离集合中不同最短距离的具体取值可根据回归模型的实际使用场景自行设置。本申请实施例中以消融目标与血管之间的最短距离集合中包含1.5厘米,2厘米,2.5厘米...7厘米,一共12个不同的最短距离为例。
计算机设备可以通过成像设备获取到包含消融目标的样本图像,也可以是操作人员将包含消融目标的样本图像输入至计算机设备中。计算机设备可以从数据库中直接读取预存储的消融针物理模型集合、消融针的分布方式集合、消融时间集合、消融功率集合以及消融目标与血管之间的最短距离集合。
在步骤202中,安全边界样本三维模型用于限制消融目标的消融区域,从而保证在消融消融目标时能够尽可能避免对其他组织的损伤。
为了提高回归模型的预测准确率,可选的,步骤202,根据样本图像、预设生物传热规则、预设热物性参数以及预设温度评估规则,构建安全边界样本三维模型,可以包括如下步骤A1至步骤A5:
步骤A1,根据样本图像,构建样本三维模型。
步骤A2,根据预设生物传热规则以及预设热物性参数,确定样本三维模型的热量分布。
步骤A3,根据预设温度评估规则以及样本三维模型的热量分布,确定样本三维模型的等温面曲面。
步骤A4,根据预设温度阈值以及样本三维模型的等温面曲面,在样本三维模型中选取包括消融目标的三维模型且消融目标的三维模型的平面被预设温度阈值对应等温面曲面覆盖的三维模型。
步骤A5,将选取的三维模型确定为安全边界样本三维模型。
基于样本图像构建包括消融目标的三维模型的样本三维模型,进而根据预设生成传染规则以及预设热物性参数确定三维模型的热量分布,以便于后续根据预设温度评估规则以及样本三维模型的热量分布,确定样本三维模型的等温面曲面。从而可以在样本三维模型中,选取包括消融目标的三维模型,且消融目标的三维模型的平面被预设温度阈值对应等温面曲面覆盖的安全边界样本三维模型。使得安全边界样本三维模型的平面可以被精准的覆盖在预设温度阈值对应等温面曲面内,从而可以精准的限制消融消融目标时的消融区域,避免将其他地方的组织纳入消融范围。便于后续仅对消融目标所在消融区域的热量分布进行预测时,可以排除其他非消融区域对热量分布的影响,进而提高回归模型的预测准确率。
为了提高回归模型训练的精确程度,在步骤A1中,计算机设备可以利用图像分割算法以及预设重建算法构建样本三维模型,具体的,计算机设备可以执行以下流程从而构建样本三维模型:
利用图像分割算法从样本图像中分割出血管的三维图像以及消融目标的三维图像。
计算机设备利用图像分割算法从样本图像分割出脏器的三维图像,血管的三维图像,消融目标的三维图像以及神经的三维图像。
利用预设重建算法分别对血管的三维图像和消融目标的三维图像进行三维重构,得到待优化三维模型。
计算机设备利用预设重建算法,例如,行进立方(marching cube)算法分别对分割出脏器的三维图像,血管的三维图像,消融目标的三维图像以及神经的三维图像进行三维重构,得到待优化三维模型。
抽取待优化三维模型的顶点,对待优化三维模型进行多边形处理,得到处理后三维模型。
计算机设备会抽取待优化三维模型表面的顶点,然后基于任一种目前的多边形处理方法例如,多边形网格(PolygonMesh),对抽取出的顶点进行多边形处理,得到处理后三维模型。
优化处理后三维模型表面的网格质量,得到待拟合三维模型。
计算机设备会对处理后三维模型表面的多边形网格进行空洞去除,缺陷修正等优化操作,进而光顺多边形表面,得到待拟合三维模型。
拟合待拟合三维模型的非均匀有理B样条曲面,将拟合后的待拟合三维模型确定为样本三维模型。
计算机设备对精确拟合待拟合三维模型的非均匀有理B样条(Non-UniformRational B-Splines,NURBS)曲面,进而将拟合后的待拟合三维模型确定为样本三维模型。
自动从样本图像中分割出血管的三维图像以及消融目标的三维图像,从而对分割出的三维图像进行重建,以得到可以反映消融目标和血管之间位置关系的待优化三维模型,对待优化三维模型进行多边形处理,网格质量优化以及非均匀有理B样条曲面拟合的优化操作,将优化后得到的三维目标确定为样本三维模型,提高样本模型中重建的消融目标的三维模型,血管等三维模型的准确性,进而可以得到精确反映消融目标和血管之间位置关系的样本三维模型,为后续操作步骤提供了精确的三维模型,进而提高回归模型训练的精确程度。此外,不需要人为通过肉眼对CT图像或MRI图像中的消融目标以及血管进行辨别,从而去限制消融目标的消融区域,在应用过程中进一步提高消融的精确性。
在步骤A2中,样本三维模型中包括消融目标的三维模型,预设热物性参数可以包括但不限于真空介电常数、消融目标的相对介导介电常数,消融目标的组织密度、消融目标的比热容、消融目标的导热率、消融目标的血流灌注率、消融目标的代谢热生成率以及消融功率。预设生物传热规则为Pennes方程,计算机设备会将预设热物性参数带入到Pennes方程中,基于Pennes方程计算样本三维模型的热量分布。
在步骤A3中,预设温度评估规则可以是阿伦尼乌斯(Arrhenius) 模型也可以是目前的任一种计算等温面的方法。计算机设备可以利用预设温度评估规则计算出样本三维模型的热量分布中同一时刻具有相同温度的点,而后利用稀疏重构算法将同一时刻具有相同温度的点重构为曲面,这个曲面就是样本三维模型的等温曲面。可以理解的是,如果样本三维模型的热量分布中包括多个不同的时刻,则样本三维模型的等温曲面会有多个。
在步骤A4与A5中,预设温度阈值可以根据回归模型的实际使用场景自行设置,可以是50℃、55℃或60℃。消融目标的三维模型的平面为消融目标的三维模型的表面。计算机设备会在样本三维模型的所有等温曲面中找出预设温度阈值对应的等温曲面。在样本三维模型中,沿消融目标的三维模型的表面,将消融目标的三维模型向外延伸,当延伸的距离到达预设阈值,且延伸后的消融目标的三维模型的表面始终在预设温度阈值对应的等温曲面的覆盖范围内,则找到安全边界样本模型。当延伸的距离到达预设阈值,但延伸后的消融目标的三维模型的表面不在预设温度阈值对应的等温曲面的覆盖范围内,则需要修改预设阈值重新确定安全边界样本模型。一般而言,预设阈值为5毫米或1厘米。
在步骤203中,计算机设备会获取目标消融针在样本三维模块的穿刺路径。
在步骤204中,计算机设备分别从消融针物理模型集合、消融针的分布方式集合、消融时间集合、消融功率集合以及消融目标与血管之间的最短距离集合中提取一个元素进行组合。一般而言,计算机设备会将每一个集合中每一个元素与其他集合各自的元素都进行一遍组合,以得到大量的不同的目标消融针属性组合。这样可以在后续使回归模块学习大量的球谐波函数系数、消融针类型、消融针的分布方式、消融时间、消融功率以及消融目标与血管之间的最短距离之间的对应关系,从而进一步提高回归模型预测的准确性。
在步骤205中,在消融针经过步骤203中的穿刺路径到达消融目标,并基于每一种目标消融针属性组合中记录的消融针类型、消融针的分布方式、消融时间、消融功率以及消融目标与血管之间的最短距离,消融消融目标后,计算机设备会使用预设生物传热规则,仿真消融目标被消融后其所在消融区域的热量分布,以得到与每一种目标消融针属性组合对应的热量分布。
在步骤206中,针对每一种目标消融针属性组合对应的热量分布,计算机设备都会利用预设温度评估规则计算出该热量分布中同一时刻具有相同温度的点,而后利用稀疏重构算法将同一时刻具有相同温度的点重构为曲面,这个曲面就是一种目标消融针属性组合对应的等温曲面,直至每一种目标消融针属性组合对应的等温曲面都计算完毕。
在步骤207中,计算机设备会利用三维傅里叶曲面表征方法(3D Fourier surfacerepresentation method)计算每一种目标消融针属性组合对应的等温面曲面的球谐波函数系数(spherical harmonic degrees),进而就得到了每一种目标消融针属性组合对应的球谐波函数系数。
在步骤208中,回归模型可以是任一种机器学习中回归算法,例如,随机森林、分类回归树(classification and regression tree,CART)或梯度回归决策树(GradientBoosting Decision Tree,GBDT)。训练停止条件根据选取的回归模型进行设置,本申请实施例不做具体限制。计算机设备会将所有目标消融针属性组合分别对应的球谐波函数系数、以及所有的目标消融针属性组合,输入至回归模型中,训练回归模型学习球谐波函数系数、消融针类型、消融针的分布方式、消融时间、消融功率以及消融目标与血管之间的最短距离之间的对应关系,直至达到训练停止条件,获取训练后的回归模型。
可选的,可以同时训练多个回归模型,使不同的回归模型学习不同变量之间的对应关系,以加快模型训练速度。例如,可以分别将所有目标消融针属性组合分别对应的球谐波函数系数、以及所有的目标消融针属性组合中的消融针类型、消融针的分布方式以及消融目标与血管之间的最短距离输入到第一回归模型,以训练第一回归模型学习球谐波函数系数,消融针类型和消融目标与血管之间的最短距离与消融针的分布方式之间的对应关系;
分别将所有目标消融针属性组合分别对应的球谐波函数系数、以及所有的目标消融针属性组合中的消融针类型、消融针的分布方式以及消融目标与血管之间的最短距离输入到第一回归模型,以训练第二回归模型学习球谐波函数系数,消融针类型和消融目标与血管之间的最短距离与消融时间之间的对应关系;
分别将所有目标消融针属性组合分别对应的球谐波函数系数、以及所有的目标消融针属性组合中的消融针类型、消融功率以及消融目标与血管之间的最短距离输入到第三回归模型,以训练第三回归模型学习球谐波函数系数,消融针类型和消融目标与血管之间的最短距离与消融功率之间的对应关系。
当上述训练后的回归模型应用在热消融的场景时,操作人员可以通过向回归模型射入球谐波函数系数、消融针类型以及最短距离的方式快速的获取到更合理的消融时间、消融针的分布方式以及消融功率。这样可以避免操作人员依赖个人经验根据MRI图像或CT图像去预测消融时间、消融针的分布方式以及消融功率,大大降低了对操作人员的专业水平的要求的同时,还能快速得到更合理的结果,具有深刻的应用意义。上述训练后的回归模型应用在热消融的场景的具体工作流程如图3所示,下面对图3中本申请实施例的消融规划方法进行介绍。该消融规划方法由计算机设备执行,该计算机设备可以是如图1所示的图形图像处理设备110。如图3所示,该消融规划方法包括如下步骤:
步骤301,获取包含待消融目标的图像、预设温度评估规则、预设生物传热规则以及预设热物性参数。
步骤302,根据图像,构建目标三维模型。
步骤303,根据目标三维模型、预设生物传热规则、预设热物性参数,以及预设温度评估规则,确定安全边界三维模型。
步骤304,遍历待消融目标的三维模型与血管的三维模型之间距离,得到待消融目标的三维模型与血管的三维模型之间的最短距离。
步骤305,根据预设的强约束条件和弱约束条件,以及目标三维模型,确定消融针消融待消融目标时的穿刺路径。
步骤306,利用三维傅里叶曲面表征方法,确定安全边界三维模型平面的球谐波函数系数,得到安全边界三维模型对应的球谐波函数系数。
步骤307,将安全边界三维模型对应的球谐波函数系数、预设消融针类型以及最短距离输入至利用上述实施例中所述回归模型训练方法训练后得到的回归模型中,预测并输出消融时间、消融针的分布方式以及消融功率。
本申请实施例中,能够自动根据预设的强约束条件和弱约束条件,以及目标三维模型,确定消融针消融待消融目标时的穿刺路径,不再需要人为根据个人经验进行确定,大大提高穿刺路径的确定效率的同时,还考虑了预设的强约束条件和弱约束条件相比人工确定的方式提高了穿刺路径的精度。基于训练后的回归模型自动预测并输出安全边界三维模型对应的球谐波函数系数、预设消融针类型以及最短距离对应的消融时间、消融针的分布方式以及消融功率,不需要人工基于MRI图像或CT图像以及个人经验判断相应的消融时间、消融针的分布方式以及消融功率,也不需要对回归模型进行现场训练。提高了消融时间、消融针的分布方式以及消融功率预测效率以及准确率的同时,还不需要对个人的专业水平提出很高的要求,大大降低热消融技术的应用门槛。
步骤301与图2所示实施例的步骤201相类似,在此不做赘述。
在步骤302中,其中,目标三维模型包括图像中血管的三维模型,以及待消融目标的三维模型;构建目标三维模型的过程可参见上述实施例的步骤A1中构建样本三维模型的过程,在此不做赘述。
在步骤303中,安全边界三维模型中包括待消融目标的三维模型和待消融目标所在消融区域中血管的三维模型。步骤303与图2所示实施例的步骤202相类似,在此不做赘述。
在步骤304中,在安全边界模型中,计算机设备会遍历待消融目标的三维模型和其周围每一个血管的三维模型之间的距离,并从中找到最短的距离作为待消融目标的三维模型与血管的三维模型之间的最短距离。
在步骤305中,预设的强约束条件和弱约束条件均用于限制消融针在目标三维模型中的穿刺路径。计算机设备会在目标三维模型中,根据预设的强约束条件和弱约束条件约束消融针的穿刺路径,以得到消融针消融所述待消融目标时的穿刺路径。
可选的,为了加快穿刺路径的确定效率,以进一步加快消融时间、消融针的分布方式以及消融功率预测的效率,在步骤305,根据预设的强约束条件和弱约束条件,以及所述目标三维模型,确定消融针消融所述待消融目标时的穿刺路径之前,计算机设备还可以在安全边界三维模型中,监测待消融目标的三维模型与血管的三维模型之间的最短距离;
当血管的三维模型对应的血管类型为小血管,且最短距离大于第四预设值时,将血管的三维模型从安全边界三维模型中删除。
第四预设值可以自行设置,一般而言可以设置为2厘米。当血管的三维模型对应的血管类型为小血管,且待消融目标的三维模型与血管的三维模型之间的最短距离大于第四预测值时,就将该血管的三维模型从安全边界三维模型中删除,进而在后续确定穿刺路径时,可以减少一些限制,从而加快穿刺路径的确定效率,进而加快消融时间、消融针的分布方式以及消融功率预测的效率。
需要说明的是,还可以监测其它血管类型对应血管的三维模型与待消融目标的三维模型之间的最短距离,是否大于其它血管类型各自对应的预设值,并在大于其它血管类型各自对应的预设值时,从安全边界三维模型中删除血管的三维模型。
可选的,为了提高穿刺路径的可靠性以及穿刺路线规划的效率,步骤304根据预设的强约束条件和弱约束条件,以及目标三维模型,确定消融针消融待消融目标时的穿刺路径,可以包括如下步骤B1至步骤B5:
步骤B1,根据强约束条件,确定消融针在目标三维模型中的可行进针区域。
步骤B2,基于弱约束条件,在可行进针区域中确定穿刺路径与风险结构的距离、穿刺路径与脏器包膜法向量的夹角以及消融针穿越脏器的距离。
步骤B3,根据穿刺路径与目标三维模型中风险结构的距离、穿刺路径与脏器包膜法向量的夹角以及消融针穿越脏器的距离,在可行进针区域中构建风险函数。
步骤B4,利用帕累托优化方法优化风险函数,直至达到优化停止条件。
步骤B5,根据优化后的风险函数,确定消融针消融待消融目标时的穿刺路径。
优先根据强约束条件确定消融针在目标三维模型中的可行进针区域,进而基于弱约束条件,在可行进针区域中基于弱约束条件确定穿刺路径与风险结构的距离、穿刺路径与脏器包膜法向量的夹角以及消融针穿越脏器的距离,从而构建风险函数,以表征穿刺路径对可行进针区域中组织的风险。进而利用帕累托优化方法优化风险函数,以减小穿刺路径对可行进针区域中组织的风险,直至达到优化停止条件,以根据优化后的风险函数,确定消融针消融待消融目标时的穿刺路径。考虑了穿刺路径对大血管、骨骼以及胆囊等风险结构以及穿越脏器的影响,大大提高了穿刺路径的可靠性,此外,不再需要人工基于MRI图形或CT图形规划穿刺路径,转而能够自动规划穿刺路径大大提高了穿刺路径的规划效率,同时减少对个人经验的依赖。
在步骤B1中,强约束条件包括穿刺路径规避的目标三维模型中的风险结构,穿刺深度小于消融针的长度以及穿刺路径与脏器包膜法向量的夹角大于或等于预设值,一般而言,预设值设置为20°。风险结构可以不包括但不限于大血管、骨骼以及胆囊。计算机设备会基于强约束条件的约束从目标三维模型中筛选出可行进针区域。
在步骤B2中,弱约束条件包括穿刺路径远离的可行进针区域中的风险结构,穿刺路径与脏器包膜法向量的夹角,以及消融针穿越脏器的距离。一般而言,在弱约束条件中会规定穿刺路径与脏器包膜法向量的夹角要尽可能大,消融针穿越脏器的距离要尽可能小。计算机设备会基于公式,确定穿刺路径与目标三维模型中风险结构的距离/>,其中,i表示可行进针区域中第i个风险结构,n表示可行进针区域中风险结构的总数,/>表示穿刺路径到第i个风险结构表面的最小欧几里得距离,并保证穿刺路径远离风险结构。计算机设备会计算穿刺路径与可行进针区域中的脏器包膜法向量的夹角/>。计算机设备会基于公式/>',确定消融针穿越脏器的距离/>,其中,j表示穿刺路径在可行进针区域中穿越的第j个实体脏器,N表示可行进针区域中实体脏器的总个数,/>'表示穿刺路径穿越第j个实体脏器的欧几里得距离。
在步骤B3中,计算机设备将风险函数确定为/>加上/>再减去/>,也即风险函数/>。
在步骤B4中,优化停止条件为风险函数最小。
在步骤B5中,计算机设备会基于优化后风险函数中/>、/>以及/>的取值在可行进针区域中确定消融针消融待消融目标时的穿刺路径。
步骤306与图2所述步骤207类似,在此不做赘述。
在步骤307中,预设消融针类型可以基于实际消融待消融目标的热消融场景进行设置,本申请实施例不做具体限制,计算机设备会将安全边界三维模型对应的球谐波函数系数、预设消融针类型以及最短距离输入至上述实施例中所述的训练后的回归模型中,这样训练后的回归模型就会预测并输出消融时间、消融针的分布方式以及消融功率。
可选的,当同时训练多个回归模型上,在使用训练后的回归模型的过程中,计算机设备会向第一回归模型、第二回归模型以及第三回归模型中均输入安全边界三维模型对应的球谐波函数系数、预设消融针类型以及最短距离,以使第一回归模型预测并输出消融针的分布方式,第二回归模型预测并输出消融时间,第三回归模型预测并输出消融功率。
在一种应用场景中,先对回归模型进行训练,再使用训练后的回归模型预测并输出消融时间、消融针的分布方式以及消融功率,以待消融目标为肿瘤病灶,为例,具体工作过程可以如下:
1、组织、肿瘤病灶建模,其具体步骤为:
1)输入CT或MRI图像,分割脏器、血管、神经和肿瘤病灶;
2)对分割结果使用marching cube方法得到上述组织(组织即为脏器、血管、神经和肿瘤病灶)的三维模型;
3)抽取上述三维模型的顶点,进行多边形处理,优化网格质量;光顺多边形表面;精确拟合NURBS曲面,得到优化后的组织三维模型记作Mopt,便于后续的物理学仿真。这个优化后的组织三维模型即为训练过程中的样本三维模型,应用训练后回归模型时的目标三维模型。
2、穿刺路径规划,具体步骤为:
1)构造强约束条件,构造穿刺可行域。强约束条件记作Rs,包括:穿刺路径应规避体内的风险结构,如骨骼,大血管,胆囊等;穿刺深度应严格小于消融针的长度;穿刺路径与脏器模型法线的夹角要大于20°。
2)基于Rs,计算可行进针区域Ra。
3)构造弱约束条件,包括:穿刺路径远离关键组织(例如,可行进针区域中的骨骼,大血管,胆囊),穿刺路径与脏器包膜法向量的夹角尽可能大;穿刺针穿越脏器距离尽量小。
4)基于弱约束条件在可行进针区域Ra中,构造风险函数:。
5)使用帕累托优化方法最小化风险函数R,得到最优穿刺路径Popt。
3、回归模型训练,其具体步骤为:
1)输入Mopt;输入组织热物性参数(即预设热物性参数),包括:真空介电常数和组织相对介导介电常数,消融组织密度、比热容、导热率、血流灌注率、代谢热生成率、消融功率等参数。
2)设置温度阈值为50℃、55℃或60℃。
3)建立微波消融针物理模型,消融针类型包括单极子、偶极子、单缝隙同轴结构和双缝隙同轴结构。
4)建立单针或多针分布方式。多针分布方式包括:a)2针,两针之间的距离分别为1厘米、1.5厘米、2厘米、2.5厘米和3厘米;b)3针,直线分布方式,间距为1厘米、1.5厘米或2厘米;三角分布方式,间距为1厘米、1.5厘米或2厘米;c)4针,方形分布,边长为1cm、1.5厘米或2厘米;平行四边形分布方式,边长为1厘米、1.5厘米或2厘米。
5)设置功率,15瓦~60瓦,5瓦为一档。
6)设置血管距离消融目标的最短距离,分别为1.5厘米~7厘米,0.5厘米为一档;设置消融温度,以10秒为一档,最大值为600秒。
8)将上述参数进行组合,使用Pennes方程计算每一组肿瘤病灶消融后组织内部的热量分布。
9)使用等温线方法或Arrhenius 模型评估每一组肿瘤病灶消融后组织内部的热量分布对应的等温面曲面Si(典型的等温面的温度阈值上述设置的为50℃、55℃和60℃),使用三维傅里叶曲面表征方法,计算等温面曲面Si的球谐波函数系数,其等温面曲面集合记作S。
10)训练回归模型(典型的回归模型为随机森林)。输入等温面曲面集合S中每一个的等温面曲面Si对应的球谐波函数系数、最短距离、消融针类型,及其对应的消融针的分布方式、消融功率和消融时间,训练3个回归模型。
4、基于回归模型的个性化消融规划,具体步骤为:
1)输入CT或MRI影像,对其进行分割建模;对得到的组织三维模型进行优化,得到优化后的组织三维模型记作Mopt。
2)设置安全边界三维模型,安全边界三维模型的典型值为肿瘤病灶的三维模型外扩5毫米或1厘米。
3)若肿瘤病灶的三维模型距离血管的三维模型的最短距离大于2厘米,则舍弃血管模型。
4)使用三维傅里叶曲面表征方法计算安全边界三维模型表面的球谐波函数系数。
5)将安全边界三维模型表面的球谐波函数系数、最短距离、消融针类型,输入回归模型中,依次预测消融针类型、消融针的分布方式以及消融功率。
在本实施例中还提供了一种回归模型训练装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种回归模型训练装置,如图4所示,包括:
第一获取模块410,用于获取包含消融目标的样本图像、消融针物理模型集合、消融针的分布方式集合、消融时间集合、消融功率集合以及消融目标与血管之间的最短距离集合;
第一构建模块420,用于根据样本图像、预设生物传热规则、预设热物性参数以及预设温度评估规则,构建安全边界样本三维模型;
第二获取模块430,用于获取目标消融针的穿刺路径;
提取模块440,用于分别从消融针物理模型集合、消融针的分布方式集合、消融时间集合、消融功率集合以及消融目标与血管之间的最短距离集合中提取一个元素进行组合,得到至少一种目标消融针属性组合;
第一预测模块450,用于根据预设生物传热规则、预设热物性参数、每一种目标消融针属性组合以及目标消融针的穿刺路径,预测目标消融针在安全边界样本三维模型中,消融消融目标后生成的与每一种目标消融针属性组合对应的热量分布;
评估模块460,用于根据预设温度评估规则以及每一种热量分布,评估每一种目标消融针属性组合对应的等温面曲面;
第一确定模块470,用于利用三维傅里叶曲面表征方法,确定每一种目标消融针属性组合对应的等温面曲面的球谐波函数系数,得到每一种目标消融针属性组合对应的球谐波函数系数;
训练模块480,用于将所有目标消融针属性组合分别对应的球谐波函数系数、以及所有的目标消融针属性组合,输入至回归模型中,训练回归模型,直至达到训练停止条件,获取训练后的回归模型。
在一些可选的实施例中,第一构建模块包括:
构建单元,用于根据样本图像,构建样本三维模型,样本三维模型中包括消融目标的三维模型;
第一确定单元,用于根据预设生物传热规则以及预设热物性参数,确定样本三维模型的热量分布;
第二确定单元,用于根据预设温度评估规则以及样本三维模型的热量分布,确定样本三维模型的等温面曲面;
选取单元,用于根据预设温度阈值以及样本三维模型的等温面曲面,在样本三维模型中,选取包括消融目标的三维模型,且消融目标的三维模型的平面被预设温度阈值对应等温面曲面覆盖的三维模型,并将选取的三维模型确定为消融目标对应的安全边界样本三维模型。
在一些可选的实施例中,构建单元还用于:
利用图像分割算法从样本图像中分割出血管的三维图像以及消融目标的三维图像;
利用预设重建算法分别对血管的三维图像和消融目标的三维图像进行三维重构,得到待优化三维模型;
抽取待优化三维模型的顶点,对待优化三维模型进行多边形处理,得到处理后三维模型;
优化处理后三维模型表面的网格质量,得到待拟合三维模型;
拟合待拟合三维模型的非均匀有理B样条曲面,将拟合后的待拟合三维模型确定为样本三维模型。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
在本实施例中还提供了一种消融规划装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种消融规划装置,如图5所示,包括:
第三获取模块510,用于获取包含待消融目标的图像、预设温度评估规则、预设生物传热规则以及预设热物性参数;
第二构建模块520,用于根据图像,构建目标三维模型,目标三维模型包括图像中血管的三维模型,以及待消融目标的三维模型;
第二确定模块530,用于根据目标三维模型、预设生物传热规则、预设热物性参数,以及预设温度评估规则,确定安全边界三维模型,安全边界三维模型中包括待消融目标的三维模型和待消融目标所在消融区域中血管的三维模型;
遍历模块540,用于遍历待消融目标的三维模型与血管的三维模型之间距离,得到待消融目标的三维模型与血管的三维模型之间的最短距离;
第三确定模块550,用于根据预设的强约束条件和弱约束条件,以及目标三维模型,确定消融针消融待消融目标时的穿刺路径;
第四确定模块560,用于利用三维傅里叶曲面表征方法,确定安全边界三维模型平面的球谐波函数系数,得到安全边界三维模型对应的球谐波函数系数;
第二预测模块570,用于将安全边界三维模型对应的球谐波函数系数、预设消融针类型以及最短距离输入至利用如第一方面所述回归模型训练方法训练后得到的回归模型中,预测并输出消融时间、消融针的分布方式以及消融功率。
在一些可选的实施例中,第三确定模块包括:
第三确定单元,用于根据强约束条件,确定消融针在目标三维模型中的可行进针区域;
第四确定单元,用于基于弱约束条件,在可行进针区域中确定穿刺路径与可行进针区域中风险结构的距离、穿刺路径与脏器包膜法向量的夹角以及消融针穿越脏器的距离,风险结构包括大血管、骨骼以及胆囊;
构建单元,用于根据穿刺路径与体内风险结构的距离、穿刺路径与脏器包膜法向量的夹角以及消融针穿越脏器的距离,在可行进针区域中构建风险函数;
优化单元,用于利用帕累托优化方法优化风险函数,直至达到优化停止条件;
第五确定单元,用于根据优化后的风险函数,确定消融针消融待消融目标时的穿刺路径。
在一些可选的实施例中,消融规划装置还包括:
监测模块,用于在安全边界三维模型中,监测待消融目标的三维模型与血管的三维模型之间的最短距离;
删除模块,用于当血管的三维模型对应的血管类型为小血管,且最短距离大于第四预设值时,将血管的三维模型从安全边界三维模型中删除。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本实施例中的回归模型训练装置以及消融规划装置是以功能单元的形式来呈现,这里的单元是指ASIC(Application Specific Integrated Circuit,专用集成电路)电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
本申请实施例还提供一种计算机设备,具有上述图4以及图5所示的回归模型训练装置以及消融规划装置。
请参阅图6,图6是本申请可选实施例提供的一种计算机设备的结构示意图,如图6所示,该计算机设备包括:一个或多个处理器10、存储器20,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器10为例。
处理器10可以是中央处理器,网络处理器或其组合。其中,处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,所述存储器20存储有可由至少一个处理器10执行的指令,以使所述至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器20可选包括相对于处理器10远程设置的存储器,这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30,用于该计算机设备与其他设备或通信网络通信。
本申请实施例还提供了一种计算机可读存储介质,上述根据本申请实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本申请的实施例,但是本领域技术人员可以在不脱离本申请的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (12)
1.一种回归模型训练方法,其特征在于,所述方法包括:
获取包含消融目标的样本图像、消融针物理模型集合、消融针的分布方式集合、消融时间集合、消融功率集合、消融目标与血管之间的最短距离集合、预设温度评估规则、预设生物传热规则以及预设热物性参数;
根据所述样本图像、所述预设生物传热规则、所述预设热物性参数,以及所述预设温度评估规则,构建安全边界样本三维模型;
获取目标消融针的穿刺路径;
分别从所述消融针物理模型集合、所述消融针的分布方式集合、所述消融时间集合、所述消融功率集合以及所述消融目标与血管之间的最短距离集合中提取一个元素进行组合,得到至少一种目标消融针属性组合;
根据所述预设生物传热规则、所述预设热物性参数、每一种目标消融针属性组合以及所述目标消融针的穿刺路径,预测所述目标消融针在所述安全边界样本三维模型中,消融所述消融目标后生成的与每一种目标消融针属性组合对应的热量分布;
根据所述预设温度评估规则以及每一种所述热量分布,评估每一种目标消融针属性组合对应的等温面曲面;
利用三维傅里叶曲面表征方法,确定每一种目标消融针属性组合对应的等温面曲面的球谐波函数系数,得到每一种目标消融针属性组合对应的球谐波函数系数;
将所有目标消融针属性组合分别对应的球谐波函数系数、以及所有的目标消融针属性组合,输入至回归模型中,训练所述回归模型,直至达到训练停止条件,获取训练后的回归模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述样本图像、所述预设生物传热规则、所述预设热物性参数,以及所述预设温度评估规则,构建安全边界样本三维模型,包括:
根据所述样本图像,构建样本三维模型,所述样本三维模型中包括所述消融目标的三维模型;
根据所述预设生物传热规则以及所述预设热物性参数,确定所述样本三维模型的热量分布;
根据所述预设温度评估规则以及所述样本三维模型的热量分布,确定所述样本三维模型的等温面曲面;
根据预设温度阈值以及所述样本三维模型的等温面曲面,在所述样本三维模型中选取包括所述消融目标的三维模型且所述消融目标的三维模型的平面被所述预设温度阈值对应等温面曲面覆盖的三维模型;
将选取的三维模型确定为所述安全边界样本三维模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述样本图像,构建样本三维模型,包括:
利用图像分割算法从所述样本图像中分割出血管的三维图像以及所述消融目标的三维图像;
利用预设重建算法分别对所述血管的三维图像和所述消融目标的三维图像进行三维重构,得到待优化三维模型;
抽取所述待优化三维模型的顶点,对所述待优化三维模型进行多边形处理,得到处理后三维模型;
优化所述处理后三维模型表面的网格质量,得到待拟合三维模型;
拟合所述待拟合三维模型的非均匀有理B样条曲面,将拟合后的三维模型确定为所述样本三维模型。
4.一种消融规划方法,其特征在于,所述方法包括:
获取包含待消融目标的图像、预设温度评估规则、预设生物传热规则以及预设热物性参数;
根据所述图像,构建目标三维模型,所述目标三维模型包括所述图像中血管的三维模型,以及所述待消融目标的三维模型;
根据所述目标三维模型、所述预设温度评估规则、所述预设生物传热规则,以及所述预设热物性参数,确定安全边界三维模型,所述安全边界三维模型中包括所述待消融目标的三维模型和所述待消融目标所在消融区域中血管的三维模型;
遍历所述待消融目标的三维模型与血管的三维模型之间距离,得到所述待消融目标的三维模型与血管的三维模型之间的最短距离;
根据预设的强约束条件和弱约束条件,以及所述目标三维模型,确定消融针消融所述待消融目标时的穿刺路径;
利用三维傅里叶曲面表征方法,确定所述安全边界三维模型平面的球谐波函数系数,得到所述安全边界三维模型对应的球谐波函数系数;
将所述安全边界三维模型对应的球谐波函数系数、预设消融针类型以及所述最短距离输入至利用如权利要求1至3任一项所述的回归模型训练方法训练后得到的回归模型中,预测并输出消融时间、消融针的分布方式以及消融功率。
5.根据权利要求4所述的方法,其特征在于,所述根据预设的强约束条件和弱约束条件,以及所述目标三维模型,确定消融针消融所述待消融目标时的穿刺路径,包括:
根据所述强约束条件,确定消融针在所述目标三维模型中的可行进针区域;
基于所述弱约束条件,在所述可行进针区域中确定穿刺路径与可行进针区域中风险结构的距离、穿刺路径与脏器包膜法向量的夹角以及消融针穿越脏器的距离,所述风险结构包括大血管、骨骼以及胆囊;
根据所述穿刺路径与体内风险结构的距离、所述穿刺路径与脏器包膜法向量的夹角以及所述消融针穿越脏器的距离,在所述可行进针区域中构建风险函数;
利用帕累托优化方法优化所述风险函数,直至达到优化停止条件;
根据优化后的风险函数,确定所述消融针消融所述待消融目标时的穿刺路径。
6.根据权利要求5所述的方法,其特征在于,所述强约束条件包括所述穿刺路径规避的所述风险结构,穿刺深度小于消融针的长度,以及所述穿刺路径与脏器包膜法向量的夹角大于或等于预设值。
7.根据权利要求5所述的方法,其特征在于,所述弱约束条件包括所述穿刺路径远离的所述风险结构,所述穿刺路径与脏器包膜法向量的夹角,以及消融针穿越脏器的距离。
8.根据权利要求4所述的方法,其特征在于,在根据预设的强约束条件和弱约束条件,以及所述目标三维模型,确定消融针消融所述待消融目标时的穿刺路径之前,所述方法还包括:
在所述安全边界三维模型中,监测所述待消融目标的三维模型与血管的三维模型之间的最短距离;
当所述血管的三维模型对应的血管类型为小血管,且所述最短距离大于第四预设值时,将所述血管的三维模型从所述安全边界三维模型中删除。
9.一种回归模型训练装置,其特征在于,所述装置包括:
第一获取模块,用于获取包含消融目标的样本图像、消融针物理模型集合、消融针的分布方式集合、消融时间集合、消融功率集合、消融目标与血管之间的最短距离集合、预设温度评估规则、预设生物传热规则以及预设热物性参数;
第一构建模块,用于根据所述样本图像、所述预设生物传热规则、所述预设热物性参数,以及所述预设温度评估规则,构建安全边界样本三维模型;
第二获取模块,用于获取目标消融针的穿刺路径;
提取模块,用于分别从所述消融针物理模型集合、所述消融针的分布方式集合、所述消融时间集合、所述消融功率集合以及所述消融目标与血管之间的最短距离集合中提取一个元素进行组合,得到至少一种目标消融针属性组合;
第一预测模块,用于根据所述预设生物传热规则、所述预设热物性参数、每一种目标消融针属性组合以及所述目标消融针的穿刺路径,预测所述目标消融针在所述安全边界样本三维模型中,消融所述消融目标后生成的与每一种目标消融针属性组合对应的热量分布;
评估模块,用于根据所述预设温度评估规则以及每一种所述热量分布,评估每一种目标消融针属性组合对应的等温面曲面;
第一确定模块,用于利用三维傅里叶曲面表征方法,确定每一种目标消融针属性组合对应的等温面曲面的球谐波函数系数,得到每一种目标消融针属性组合对应的球谐波函数系数;
训练模块,用于将所有目标消融针属性组合分别对应的球谐波函数系数、以及所有的目标消融针属性组合,输入至回归模型中,训练所述回归模型,直至达到训练停止条件,获取训练后的回归模型。
10.一种消融规划装置,其特征在于,所述装置包括:
第三获取模块,用于获取包含待消融目标的图像、预设温度评估规则、预设生物传热规则以及预设热物性参数;
第二构建模块,用于根据所述图像、所述预设温度评估规则、所述预设生物传热规则,以及所述预设热物性参数,构建目标三维模型,所述目标三维模型包括所述图像中血管的三维模型,以及所述待消融目标的三维模型;
第二确定模块,用于根据所述目标三维模型,确定安全边界三维模型,所述安全边界三维模型中包括所述待消融目标的三维模型和所述待消融目标所在消融区域中血管的三维模型;
遍历模块,用于遍历所述待消融目标的三维模型与血管的三维模型之间距离,得到所述待消融目标的三维模型与血管的三维模型之间的最短距离;
第三确定模块,用于根据预设的强约束条件和弱约束条件,以及所述目标三维模型,确定消融针消融所述待消融目标时的穿刺路径;
第四确定模块,用于利用三维傅里叶曲面表征方法,确定所述安全边界三维模型平面的球谐波函数系数,得到所述安全边界三维模型对应的球谐波函数系数;
第二预测模块,用于将所述安全边界三维模型对应的球谐波函数系数、预设消融针类型以及所述最短距离输入至利用如权利要求1至3任一项所述的回归模型训练方法训练后得到的回归模型中,预测并输出消融时间、消融针的分布方式以及消融功率。
11.一种计算机设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1至3任一项所述的回归模型训练方法,或权利要求4至8任一项所述的消融规划方法。
12.一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指令,所述计算机指令用于使计算机执行权利要求1至3任一项所述的回归模型训练方法,或权利要求4至8任一项所述的消融规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311176624.4A CN116936112B (zh) | 2023-09-13 | 2023-09-13 | 回归模型训练与消融规划方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311176624.4A CN116936112B (zh) | 2023-09-13 | 2023-09-13 | 回归模型训练与消融规划方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116936112A CN116936112A (zh) | 2023-10-24 |
CN116936112B true CN116936112B (zh) | 2023-11-24 |
Family
ID=88377358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311176624.4A Active CN116936112B (zh) | 2023-09-13 | 2023-09-13 | 回归模型训练与消融规划方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116936112B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152155B (zh) * | 2023-10-31 | 2024-02-13 | 海杰亚(北京)医疗器械有限公司 | 一种多针消融规划方法、装置、存储介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107049475A (zh) * | 2017-04-19 | 2017-08-18 | 纪建松 | 肝癌局部消融方法及系统 |
CN111973271A (zh) * | 2020-08-31 | 2020-11-24 | 北京理工大学 | 针对肿瘤热消融的术前消融区域模拟方法及装置 |
CN116485846A (zh) * | 2022-09-21 | 2023-07-25 | 数坤(上海)医疗科技有限公司 | 进针位置确定方法、装置、电子设备及可读存储介质 |
-
2023
- 2023-09-13 CN CN202311176624.4A patent/CN116936112B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107049475A (zh) * | 2017-04-19 | 2017-08-18 | 纪建松 | 肝癌局部消融方法及系统 |
CN111973271A (zh) * | 2020-08-31 | 2020-11-24 | 北京理工大学 | 针对肿瘤热消融的术前消融区域模拟方法及装置 |
CN116485846A (zh) * | 2022-09-21 | 2023-07-25 | 数坤(上海)医疗科技有限公司 | 进针位置确定方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116936112A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2886047B1 (en) | Dynamic feature rich anatomical reconstruction from a point cloud | |
CN116936112B (zh) | 回归模型训练与消融规划方法、装置、设备及介质 | |
CN107049475A (zh) | 肝癌局部消融方法及系统 | |
US20220233242A1 (en) | Method for planning tissue ablation based on deep learning | |
US20200155230A1 (en) | Pulmonary vein isolation gap finder | |
CN112244883B (zh) | 基于ct图像提取左心耳数据参数的方法及系统 | |
CN113693725B (zh) | 进针路径规划方法、装置、设备及存储介质 | |
CN111743626B (zh) | 肿瘤穿刺路径获得设备及存储介质 | |
CN116196096A (zh) | 消融布针方法、系统、计算机设备和存储介质 | |
US20240058062A1 (en) | System and method for ablation treatment of tissue with interactive guidance | |
CN109727245A (zh) | Hifu系统对病灶观察诊断的三维重建肿瘤轮廓方法 | |
CN112043377A (zh) | Ct任意切面超声视野模拟辅助消融路径规划方法及系统 | |
CN114557770B (zh) | 微波消融手术的交互式路径规划方法及系统 | |
CN116459004A (zh) | 高能聚焦超声治疗模型确定系统与存储介质 | |
CN115486935B (zh) | 一种消融确定方法及系统 | |
CN114980828B (zh) | 用于计划热消融的热量分配模型数据库 | |
CN114469052A (zh) | 肝脏消融术后肿瘤收缩形变定量计算方法及装置 | |
CN114283159A (zh) | 影像数据处理方法、计算机设备和存储介质 | |
CN114886540A (zh) | 冷冻消融空间的温度确定方法、装置、计算机设备 | |
CN117503344B (zh) | 多根穿刺针功率确认方法、装置、电子设备及存储介质 | |
CN116008882A (zh) | 磁共振测温方法、装置、电子设备及存储介质 | |
CN115984239A (zh) | 脑动脉血管的中心线提取方法、系统、设备及存储介质 | |
Westphal et al. | Development of a tool-kit for the detection of healthy and injured cardiac tissue based on MR imaging: Software tool for the visualization of injured cardiac tissue | |
CN116936033A (zh) | 一种经皮消融手术规划方法、装置、介质及设备 | |
Jaberzadeh | Simulation of heat transfer and automatic optimization of multiple probes trajectories for pre-operative planning of percutaneous thermoablation interventions |
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 |