CN109313940A - 医疗装置植入路径的虚拟评估 - Google Patents
医疗装置植入路径的虚拟评估 Download PDFInfo
- Publication number
- CN109313940A CN109313940A CN201780038293.4A CN201780038293A CN109313940A CN 109313940 A CN109313940 A CN 109313940A CN 201780038293 A CN201780038293 A CN 201780038293A CN 109313940 A CN109313940 A CN 109313940A
- Authority
- CN
- China
- Prior art keywords
- medical device
- path
- component
- blood vessel
- relevant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000002513 implantation Methods 0.000 title claims abstract description 199
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 128
- 230000003902 lesion Effects 0.000 claims abstract description 99
- 210000004204 blood vessel Anatomy 0.000 claims description 213
- 238000002224 dissection Methods 0.000 claims description 168
- 238000000034 method Methods 0.000 claims description 72
- 238000011156 evaluation Methods 0.000 claims description 61
- 230000011218 segmentation Effects 0.000 claims description 55
- 238000004458 analytical method Methods 0.000 claims description 52
- 238000003860 storage Methods 0.000 claims description 33
- 238000012800 visualization Methods 0.000 claims description 25
- 238000013473 artificial intelligence Methods 0.000 claims description 24
- 230000000007 visual effect Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 18
- 238000009877 rendering Methods 0.000 claims description 11
- 230000002452 interceptive effect Effects 0.000 claims description 10
- 238000010146 3D printing Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 6
- 201000010099 disease Diseases 0.000 claims description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000003012 network analysis Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 21
- 238000012545 processing Methods 0.000 description 15
- 238000003384 imaging method Methods 0.000 description 14
- 239000003814 drug Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 10
- 239000008280 blood Substances 0.000 description 7
- 210000004369 blood Anatomy 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 230000001360 synchronised effect Effects 0.000 description 7
- 230000006378 damage Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011084 recovery Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 239000011469 building brick Substances 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000007943 implant Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 239000003826 tablet Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Classifications
-
- 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
- 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
- A61B2034/107—Visualisation of planned trajectories or target regions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
- A61F2/95—Instruments specially adapted for placement or removal of stents or stent-grafts
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Surgery (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Robotics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
提出了用于医疗装置植入路径的虚拟评估的***和技术。***可以分析关于患者身体和病变区域的多维医学成像数据,生成到达病变区域的路径集合以用于部署医疗装置,对所述到达病变区域的路径集合进行排序,并且推荐用于部署所述医疗装置的路径的子集。所述***还可以生成对推荐的显示和对推荐的用于部署所述医疗装置的路径子集的多维可视化。
Description
背景技术
每天都要进行成千上万的医疗程序,并且在这些医疗程序中经常使用支架。支架是***解剖血管(如动脉等)中的管(如塑料管、金属管或网状管),以保持解剖血管的通道畅通。常规支架植入程序涉及医学成像数据的人工解释以确定支架植入路径。然而,这样的传统支架植入程序通常效率低和/或容易出现误差。而且,这些支架植入程序会对患者身体造成创伤和/或会对解剖血管造成损伤。
发明内容
以下呈现说明书的简要概述,以便提供对说明书一些方面的基本理解。本内容不是对说明书的广泛概述。其既不旨在标识说明书的关键或重要元素,也不旨在描述说明书的特定实施方式的任何范围或权利要求的任何范围。其唯一目的是以简化形式呈现说明书的一些概念,作为稍后呈现的更详细描述的序言。
根据非限制性实施方式,一种***包括路径评估组件、推荐组件和可视化组件。所述路径评估组件分析关于患者身体和病变区域的多维医学成像数据。所述路径评估组件生成到达病变区域的路径集合以用于部署医疗装置。所述推荐组件对到达病变区域的路径集合进行排序。所述推荐组件推荐用于部署医疗装置的路径的子集。所述可视化组件生成对推荐的显示和对推荐的用于部署医疗装置的路径子集的多维可视化。
另外,一种非限制性实施方式提供用于分析与患者身体相关的和与解剖血管相关的病变区域的多维医学成像数据,生成用于使医疗装置到达病变区域的植入路径集合,对使医疗装置到达病变区域的植入路径进行排序,推荐用于部署医疗装置的植入路径的子集,并且生成与推荐的用于部署医疗装置的植入路径的子集的多维可视化相关的显示。
根据另一非限制性实施方式,一种计算机可读存储设备,包括指令,所述指令响应于执行而使包括处理器的***执行操作,所述操作包括:分割与解剖血管和与解剖血管相关的病变区域相关的三维医学成像数据,生成用于医疗装置到达病变区域的候选植入路径集合,对使医疗装置到达病变区域的所述候选植入路径进行排序,基于所述排序选择用于部署所述医疗装置的植入路径,并且生成与用于部署所述医疗装置的所述植入路径的三维渲染相关的显示。
以下描述和附图阐述了本说明书的某些说明性方面。然而,这些方面仅表明可采用本说明书原理的各种方式中的一些方式。当结合附图考虑时,从下文对说明书的详细描述中可以明显看出本说明书的其他优点和新特点。
附图说明
通过结合附图考虑以下详细描述,可以明显看出本发明的许多方面、实施方式、目的和优点,其中相同的附图标记始终表示相同的组件,其中:
图1-7示出了根据本文描述的各个方面和实施方式的示例模式检测组件的概要框图;
图8示出了根据本文描述的各个方面和实施方式的与植入路径相关的示例解剖血管;
图9示出了根据本文描述的各个方面和实施方式的与植入路径相关的另一示例解剖血管;
图10描述了根据本文描述的各个方面和实施方式的用于评估医疗装置植入路径的示例方法的流程图;
图11描述了根据本文描述的各个方面和实施方式的用于确定医疗装置植入路径的示例方法的流程图;
图12描述了根据本文描述的各个方面和实施方式的用于分割、推荐和显示医疗装置植入路径的示例方法的流程图;
图13描述了根据本文描述的各个方面和实施方式的用于推荐医疗装置植入路径的示例方法的流程图;
图14示出了根据本文描述的各个方面和实施方式的示例用户界面;
图15为示出了适宜的操作环境的示意框图;以及
图16为示出了样本计算环境的示意框图。
具体实施方式
现参考附图描述本公开的各个方面,其中相同的参考数字始终用于表示相同的元件。在以下描述中,出于解释的目的,阐述了许多具体细节以便提供对一个或多个方面的透彻理解。然而,应该理解,可在没有这些具体细节或者利用其他方法、组件、材料等的情况下来实践本公开的某些方面。在其他实例中,以框图的形式示出公知的结构和装置,以便于描述一个或多个方面。
提出了用于虚拟地确定和/或评估医疗装置植入路径的***和技术。例如,与涉及人工解释二维(2D)医学成像数据和/或对身体解剖血管进行反复人体试验的传统医疗装置植入程序相比,本发明创新提供了用于医疗装置穿过解剖血管到达与解剖血管相关的部署区域(如病变区域)的植入路径(如进入路径)的虚拟选择和/或虚拟评估。所述医疗装置可以是支架(如血管支架)或在与解剖血管相关的医疗程序中使用的不同类型的可植入的医疗装置。为了便于确定医疗装置的植入路径,从3D医学成像数据中可以生成部署区域(如病变区域)和/或解剖血管的三维(3D)解剖模型(如患者特定的3D解剖模型)。此外,可以生成到达与解剖血管相关的部署区域的候选植入路径列表。可以生成所述候选植入路径列表和/或基于对所述候选植入路径列表中包括的每条候选植入路径确定的评分可以对所述候选植入路径列表进行排序。
为了评估与解剖血管相关的部署区域的可及性,可以采用与所述医疗装置相关的特性(如机械特性和/或物理特性)和/或与解剖血管相关的特性(如机械特性和/或物理特性)。通过采用所述医疗装置和/或所述解剖血管的这些特性,在3D中可以虚拟地探测到达与解剖血管相关的部署区域的植入路径。例如,可以向用户设备的显示器提供描绘所述医疗装置沿着解剖血管行进过程的3D可视化序列。此外,可以评估对所述植入路径的医疗装置选择。而且,解剖血管和/或医疗装置的能力可以允许自动选择医疗装置和/或植入路径。例如,基于所有候选植入路径评估的结果,可以从所述候选植入路径列表中确定推荐的植入路径和/或可以确定推荐的医疗装置。这样,用于将医疗装置植入解剖血管的医疗程序可以更有效和/或更准确。此外,通过替代反复人体试验以将医疗装置植入解剖血管中,可以将造成创伤的程序和/或对解剖血管的损伤最小化。
首先参照图1,示出了根据本发明公开的一个方面确定和/或评估医疗装置的植入路径的示例***100。所述***100可以用于各种***,比如,但不限于,医疗装置***、医学成像***、医学建模***、模拟***、医疗装置导航***、支架导航***、企业成像解决方案***、高级诊断工具***、图像管理平台***、保健服务管理***、人工智能***、机器学习***、神经网络***等。在一个示例中,***100可以与体积观察器***相关,以便于医学成像数据的可视化和/或解释。此外,***100和/或***100的组件可以用于使用硬件和/或软件来解决本质上高度技术性、不抽象且不能作为人的一组心理行为执行的问题(如与3D数据处理、医学建模、医学成像、人工智能等相关的问题)。
所述***100可以包括路径分析组件102,其可以包括路径评估组件104、路径推荐组件106和可视化组件108。在本公开中解释的***、装置或过程的各个方面可以构成体现在机器内的机器可执行组件,例如,体现在与一个或多个机器相连的一个或多个计算机可读介质中。当由一个或多个机器(如计算机、计算设备和虚拟机等)执行时,这些组件可以使机器执行所描述的操作。所述***100(如所述路径分析组件102)可以包括用于存储计算机可执行组件和指令的存储器112。所述***100(如所述路径分析组件102)还可以包括处理器110,以便于***100(如所述路径分析组件102)操作指令(如计算机可执行组件和指令)。
所述路径分析组件102可以进行分析以确定和/或评估医疗装置的植入路径。所述医疗装置可以是可植入的医疗装置。例如,所述医疗装置可以是支架,比如血管支架或不同类型的支架。在另一个示例中,所述医疗装置可以是导管。在又一个示例中,所述医疗装置可以是不同类型的可植入的医疗装置。所述路径分析组件102(如所述路径评估组件104)可以接收医学成像数据(如图1中所示的医学成像数据)。所述医学成像数据可以是与一个或多个医学成像设备相关的多维医学成像数据(如3D医学成像数据)。比如,所述医学成像数据可以是在一段时间内经由一组传感器(如与医学成像设备相连的一组传感器)反复采集的一组连续图像和/或一组数据。可以直接从一个或多个医学成像设备接收所述医学成像数据。可替代地,所述医学成像数据可以存储在一个或多个数据库中,所述数据库接收和/或存储与一个或多个医学成像设备相关的医学成像数据。医学成像设备可以是,例如,计算机断层摄影(CT)设备、磁共振成像(MRI)设备、正电子发射断层摄影(PET)设备、计算机轴向断层摄影(CAT)设备、超声设备、不同类型的医疗成像设备等。
一方面,可以从2D图像中呈现所述医学成像数据。例如,可以从2D医学成像数据(如2D CT成像数据和2D MRI成像数据等)中将所述医学成像数据呈现为3D医学成像数据。另外,或可替代地,基于与一个或多个3D成像设备相连的一个或多个3D传感器,可以生成所述医学成像数据(如多维网格模型)。所述医学成像数据可以与多维网格模型(如3D网格模型)相关。例如,所述医学成像数据可以与由多边形、向量、顶点、边缘和/或面构成的3D曲面模型相关。所述医学成像数据还可以提供患者身体(如患者身体的解剖结构)和/或患者身体的病变区域的映射。
所述路径评估组件104可以分析医学成像数据。通过分析所述医学成像数据,所述路径评估组件104可以生成到达病变区域的植入路径集合(如候选植入路径集合)以用于部署医疗装置。来自所述植入路径集合的植入路径可以是使所述医疗装置穿过患者身体的解剖血管的植入路径。例如,来自所述植入路径集合的植入路径可以是使所述医疗装置经由解剖血管到达患者身体的病变区域的路线。在非限制性示例中,来自所述植入路径集合的植入路径可以是支架植入路径。
所述路径评估组件104可以通过分割医学成像数据来分析医学成像数据。所述医学成像数据的分割可以涉及识别和/或分离与医学成像数据相关的数据块,还可以执行医学成像数据的分割以限定所述病变区域和/或所述解剖血管。例如,所述路径评估组件104可以分割与病变区域相关的部分医学成像数据和/或与解剖血管相关的部分医学成像数据。所述路径评估组件104可以采用一个或多个分割算法对所述医学成像数据进行分割。所述路径评估组件104可以基于与医学成像数据相关的几何信息和/或纹理信息来执行分割。所述路径评估组件104还可以分析与医学成像数据相关的网格数据,以便于对医学成像数据进行分割。
在一个实施例中,所述路径评估组件104可以基于3D边缘检测技术对所述医学成像数据进行分割。例如,所述路径评估组件104可以检测与医学成像数据相关的边缘,以确定与病变区域和/或解剖血管相关的医学成像数据的区域。所述路径评估组件104可以基于分类技术对所述医学成像数据进行分割。例如,所述路径评估组件104可以采用模式识别对与病变区域和/或解剖血管相关的部分医学成像数据进行分类。另外,或可替代地,所述路径评估组件104可以基于聚类技术对所述医学成像数据进行分割。例如,所述路径评估组件104可以基于相似性和/或匹配对部分所述医学成像数据进行分组,以便于识别与病变区域和/或解剖血管相关的医学成像数据。
所述路径评估组件104可以基于与医学成像数据相关的内容类型和/或特征将医学成像数据划分为一个或多个数据块。例如,所述路径评估组件104可以基于医学成像数据的体积特征、医学成像数据的表面特征、医学成像数据的位置特征、医学成像数据的密度特征、医学成像数据的几何特征和/或与医学成像数据相关的其他特征将医学成像数据划分为一个或多个数据块。然而,应当领会,所述路径评估组件104可以基于不同的技术将医学成像数据划分为一个或多个数据块。所述路径评估组件104可以附加地或可替代地基于与医学成像数据相关的内容类型和/或特征对与医学成像数据相关的数据块进行分组。例如,基于医学成像数据的体积特征、医学成像数据的表面特征、医学成像数据的位置特征、医学成像数据的密度特征、医学成像数据的几何特征和/或与医学成像数据相关的其他特征,所述路径评估组件104可以将与医学成像数据相关的数据块进行分组。然而,应当领会,所述路径评估组件104可以基于不同的技术对与医学成像数据相关的数据块进行分组。另外,或可替代地,所述路径评估组件104可以基于与医学成像数据相关的一组分类器和/或对象类别将医学成像数据划分为一个或多个数据块和/或对与医学成像数据相关的数据块进行分组。在某些实施方式中,所述路径评估组件104可以附加地或可替代地基于统计分析技术分析医学成像数据。例如,所述路径评估组件104可以基于马尔可夫随机场技术分析医学成像数据。
所述路径推荐组件106可以对来自所述植入路径集合的植入路径进行排序。所述路径推荐组件106还可以推荐用于部署医疗装置的植入路径的子集。一方面,所述路径推荐组件106可以基于与医疗装置相关的特性和/或与解剖血管相关的特性对植入路径进行排序。例如,所述路径推荐组件106可以基于与医疗装置相关的机械特性和/或与解剖血管相关的机械特性对植入路径进行排序。另外,或可替代地,所述路径推荐组件106可以基于与医疗装置相关的物理特性和/或与解剖血管相关的物理特性对植入路径进行排序。在示例中,所述路径推荐组件106可以计算和/或采用医疗装置的至少一个刚性变形值和解剖血管的至少一个刚性变形值,以便于对植入路径进行排序。此外,所述路径推荐组件106可以计算和/或采用与医疗装置和/或解剖血管相关的恢复系数,以便于对植入路径进行排序。因此,所述路径推荐组件106可以采用医疗装置和/或解剖血管的各种特性来确定适合医疗装置的沿着解剖血管的植入路径。可以基于表示医疗装置特性的模型确定医疗装置的特性。此外,可以基于表示解剖血管特性的模型确定解剖血管的特性。
所述路径推荐组件106可以附加地或可替代地基于对每条植入路径确定的评分对植入路径进行排序。评分可以包括弯曲度评分,损伤风险评分、干预风险评分和/或不同类型的植入路径评分。例如,所述路径推荐组件106可以计算每条植入路径的评分,所述评分基于与解剖血管相关的匝数、对解剖血管造成损伤的风险、响应经由特定的植入路径使所述医疗装置穿过解剖血管而执行另一种医疗程序的可能性等确定。植入路径的评分还可以基于先前对植入路径计算的评分确定。通过采用医疗装置和/或解剖血管的评分和各种特性,所述路径推荐组件106可以确保医疗装置可以恰当地穿过解剖血管,同时将对解剖血管的损伤和/或风险最小化。例如,所述路径推荐组件106可以确定医疗装置是否具有足够的柔韧性适合与解剖血管相关的血管曲率,所述路径推荐组件106可以确保解剖血管足够大以允许医疗装置的引入和/或通过等。所述路径推荐组件106还可以采用与医学成像数据和植入路径集合相关的虚拟模拟。例如,所述路径推荐组件106可以沿着来自所述植入路径集合的每条植入路径执行虚拟模拟植入,以便于对所述植入路径集合进行排序。
在一个示例中,所述路径推荐组件106可以通过虚拟地将医疗装置移动到与特定植入路径相关的解剖血管的第一部分来开始分析来自所述植入路径集合的特定植入路径。在解剖血管的第一部分,所述路径推荐组件106可以计算医疗装置的刚性变形值和解剖血管的第一部分的另一刚性变形值。然后,所述路径推荐组件106可以计算与医疗装置和解剖血管的第一部分相关的恢复系数。之后,基于医疗装置的刚性变形值、解剖血管的第一部分的另一刚性变形值和恢复系数,所述路径推荐组件106可以生成所述特定植入路径的评分。如果评分符合限定的阈值,则所述路径推荐组件106可以停止分析所述特定植入路径。如果评分不符合限定的阈值,则所述路径推荐组件106可以虚拟地将医疗装置移动到与所述特定植入路径相关的解剖血管的第二部分。
所述路径推荐组件106可以通过计算医疗装置的新刚性变形值和解剖血管的第一部分的另一新刚性变形值来分析解剖血管的第二部分。所述路径推荐组件106还可以计算与医疗装置和解剖血管的第一部分相关的新恢复系数。然后,所述路径推荐组件106基于所述医疗装置的新刚性变形值、解剖血管的第一部分的另一新刚性变形值以及新恢复系数更新所述特定植入路径的评分。如果更新后的评分符合限定的阈值,则所述路径推荐组件106可以停止分析所述特定植入路径。如果更新后的评分不符合限定的阈值,则所述路径推荐组件106可以虚拟地将医疗装置移动到与所述特定植入路径相关的解剖血管的第三部分。所述路径推荐组件106可以重复与所述特定植入路径相关的分析过程,直到所述医疗装置到达所述病变区域。另外,所述路径推荐组件106可以在分析植入路径时确定关于病变区域的装置覆盖率。例如,如果在分析植入路径时装置覆盖率下降到低于限定的阈值,则可以停止对所述植入路径的分析。
所述可视化组件108可以生成推荐的显示和推荐的用于部署医疗装置的植入路径子集的多维可视化。例如,所述可视化组件108可以在与用户设备的显示器相连的用户界面上呈现推荐的植入路径子集的3D可视化,所述用户设备诸如,但不限于,计算设备、计算机、台式计算机、手提电脑、监视器设备、智能设备、智能电话、移动设备、手持设备、平板电脑、便携式计算设备或不同类型的与显示器相连的用户设备。所述推荐的植入路径子集的多维可视化可以是与来自推荐的植入路径子集的植入路径相关的交互式多维视觉序列。例如,所述多维可视化可以呈现多维的帧序列,其描绘植入路径相对于医疗装置和解剖血管的不同部分。所述多维序列的第一帧可以描绘与解剖血管的第一部分和医疗装置相关的植入路径的第一部分,所述多维序列的第二帧可以描绘与解剖血管的第二部分和医疗装置相关的植入路径的第二部分等。
与多维序列相关的所述解剖血管可以呈现为解剖血管的3D渲染。与3D视觉序列相关的医疗装置也可以呈现为医疗装置的3D渲染。用户可以放大到多维序列的帧,改变与多维序列的帧相关的视图,旋转与解剖血管和/或医疗装置的3D渲染相关的视图,改变与解剖血管和/或医疗装置的3D渲染相关的视觉特性(如颜色、阴影和透明度等)等。因此,当所述医疗装置通过所述路径推荐组件106确定和/或评估的植入路径穿过解剖血管的3D渲染进入所述病变区域时,用户可以查看、分析所述医疗装置的3D渲染和/或与其进行交互。
应当领会,所述路径分析组件102的技术特征本质上是高度技术性的且不是抽象的概念。处理和/或分析医学成像数据、确定和/或进入植入路径、对植入路径进行排序、生成与植入路径相关的多维可视化等所述路径分析组件102的处理线程不能由人(如比单一的人类思维更强大的能力)执行。例如,在一段时间内处理的医学成像数据的数量、医学成像数据的处理速度和/或由所述路径分析组件102处理的医学成像数据的数据类型可以分别比相同时间内单一的人类思维处理的数量、速度和数据类型更多、更快、更不同。此外,由所述路径分析组件102处理的医学成像数据可以是由医学成像设备的传感器生成的多维数据(如3D数据)。而且所述路径分析组件102可以充分运作以执行一个或多个其他功能(如充分通电和充分执行等),同时还可以处理所述医学成像数据。
现在参照图2,示出了根据本公开的各个方面和实施方式的***200的非限制性实施方式。所述***200可以包括所述路径分析组件102,并且所述路径分析组件102可以包括所述路径评估组件104、所述路径推荐组件106和所述可视化组件108。所述路径评估组件104可以包括病变分割组件202和血管分割组件204。
所述病变分割组件202和所述血管分割组件204可以用于帮助确定和/或评估通过解剖血管的植入路径(如用于使医疗装置到达解剖血管的病变区域的植入路径)。所述病变分割组件202可以对病变区域执行分割。例如,所述病变分割组件202可以识别和/或处理与病变区域相关的部分医学成像数据。所述病变分割组件202可以采用一个或多个分割算法和/或一个或多个统计算法对与病变区域相关的部分医学成像数据执行分割。与病变区域相关的部分医学成像数据可以与病变区域的几何数据、与病变区域相关的纹理数据和/或与病变区域相关的网格数据相关。所述病变分割组件202可以采用与病变区域相关的部分医学成像数据的体积特征、表面特征、密度特征、几何特征、多边形、向量、顶点、边缘、面和/或其他特征,以便于对所述病变区域进行分割。
所述病变分割组件202可以基于3D边缘检测技术识别和/或处理与病变区域相关的部分医学成像数据。例如,所述病变分割组件202可以从表示与病变区域相关的边缘的医学成像数据中检测边缘数据。所述病变分割组件202还可以基于分类技术识别和/或处理与病变区域相关的部分医学成像数据。例如,所述病变分割组件202可以采用模式识别对与病变区域相关的部分医学成像数据进行分类。此外,或可替代地,所述病变分割组件202可以基于聚类技术识别和/或处理与病变区域相关的部分医学成像数据。例如,所述病变分割组件202可以基于相似性和/或匹配标准对部分医学成像数据进行分组,以便于识别和/或处理与病变区域相关的部分医学成像数据。
所述血管分割组件204可以对解剖血管执行分割。例如,所述血管分割组件204可以识别和/或处理与解剖血管相关的部分医学成像数据。所述血管分割组件204可以采用一个或多个分割算法和/或一个或多个统计算法对与解剖血管相关的部分医学成像数据执行分割。与解剖血管相关的部分医学成像数据可以与解剖血管的几何数据、与解剖血管相关的纹理数据和/或与解剖血管相关的网格数据相关。所述血管分割组件204可以采用与解剖血管相关的部分医学成像数据的体积特征、表面特征、密度特征、几何特征、多边形、向量、顶点、边缘、面和/或其他特征,以便于对所述解剖血管进行分割。
所述血管分割组件204可以基于3D边缘检测技术识别和/或处理与解剖血管相关的部分医学成像数据。例如,所述血管分割组件204可以从表示与解剖血管相关的边缘的医学成像数据中检测边缘数据。所述血管分割组件204还可以基于分类技术识别和/或处理与解剖血管相关的部分医学成像数据。例如,所述血管分割组件204可以采用模式识别对与解剖血管相关的部分医学成像数据进行分类。此外,或可替代地,所述血管分割组件204可以基于聚类技术识别和/或处理与解剖血管相关的部分医学成像数据。例如,所述血管分割组件204可以基于相似性和/或匹配标准对部分医学成像数据进行分组,以便于识别和/或处理与解剖血管相关的部分医学成像数据。
参照图3,示出了根据本公开的各个方面和实施方式的***300的非限制性实施方式。所述***300可以包括所述路径分析组件102,并且所述路径分析组件102可以包括所述路径评估组件104、所述路径推荐组件106和所述可视化组件108。所述路径评估组件104可以包括病变分割组件202和血管分割组件204。此外,所述路径推荐组件106可以包括医疗装置组件302和解剖血管组件304。
所述医疗装置组件302可以确定和/或提供与医疗装置相关的特性,以便于对植入路径集合进行分析和/或排序。例如,医疗装置组件302可以确定和/或提供所述医疗装置的机械特性和/或物理特性。与医疗装置相关的机械特性和/或物理特性可以包括,例如,所述医疗装置的柔韧性、所述医疗装置的刚性、所述医疗装置的恢复系数、所述医疗装置的变形位能、所述医疗装置的强度、所述医疗装置的表面张力、所述医疗装置的弹性、所述医疗装置的摩擦系数、所述医疗装置的抗压强度、所述医疗器械的延展性、所述医疗装置的可展性、所述医疗装置的恢复力、所述医疗装置的表面粗糙度、所述医疗装置的刚度、所述医疗装置的韧性、所述医疗装置的硬度、所述医疗装置的尺寸、所述医疗装置的形状、所述医疗装置的长度、所述医疗装置的周长、所述医疗装置的厚度、所述医疗装置的弹性、所述医疗装置的材料和/或所述医疗装置的其他特性。一方面,所述医疗装置组件302可以基于与所述医疗装置相关的模型确定与所述医疗装置相关的特性。另一方面,所述医疗装置组件302可以存储和/或访问所述医疗装置和相关特性的列表,以确定与所述医疗装置相关的特性。例如,可以使用一个或多个测量工具和/或一种或多种定量度量技术预先确定所述医疗装置的特性。
所述解剖血管组件304可以确定和/或提供与解剖血管相关的特性,以便于对所述植入路径集合进行分析和/或排序。例如,解剖血管组件304可以确定和/或提供所述解剖血管的机械特性和/或物理特性。与所述解剖血管相关的机械特性和/或物理特性可以包括,例如,所述解剖血管的柔韧性、所述解剖血管的刚性、所述解剖血管的恢复系数、所述解剖血管的变形位能、所述解剖血管的强度、所述解剖血管的表面张力、所述解剖血管的弹性、所述解剖血管的摩擦系数、所述解剖血管的强度、所述解剖血管的恢复力、所述解剖血管的表面粗糙度、所述解剖血管的刚度、所述解剖血管的韧性、所述解剖血管的硬度、所述解剖血管的尺寸、所述解剖血管的形状、所述解剖血管的长度、所述解剖血管的周长、所述解剖血管的厚度、所述解剖血管的弹性、所述解剖血管的解剖物质和/或所述解剖血管的其他特性。一方面,所述解剖血管组件304可以基于与所述解剖血管相关的模型确定与解剖血管相关的特性。另一方面,所述解剖血管组件304可以存储和/或访问其他医学成像数据和/或其他医学记录,以确定与所述解剖血管相关的特性。
参照图4,示出了根据本公开的各个方面和实施方式的***400的非限制性实施方式。所述***400可以包括所述路径分析组件102,并且所述路径分析组件102可以包括所述路径评估组件104、所述路径推荐组件106和所述可视化组件108。所述路径评估组件104可以包括病变分割组件202和血管分割组件204。另外,所述路径推荐组件106可以包括所述医疗装置组件302、所述解剖血管组件304和人工智能组件402。
所述人工智能组件402可以执行基于概率的效用分析,其权衡与每条植入路径到达病变区域相关的成本和效益。为了便于对所述植入路径集合进行分析和/或排序,所述人工智能组件402可以采用人工智能原理以便于对所述植入路径集合的学习和/或生成推断。所述人工智能组件402可以对所述植入路径集合执行显性或隐性学习。人工智能组件402的学习和/或生成的推断可以有助于对所述植入路径集合中与每条植入路径相关的不同特征进行识别和/或分类。
所述人工智能组件402还可以采用自动分类***和/或自动分类过程以便于对所述植入路径集合进行学习和/或生成推断。例如,所述人工智能组件402可以采用基于概率和/或基于统计的分析(如考虑分析效用和成本)以对所述植入路径集合进行学习和/或生成推断。所述人工智能组件402可以采用,例如,支持向量机(SVM)分类器对所述植入路径集合进行学习和/或生成推断。此外,或可替代地,所述人工智能组件402可以采用与贝叶斯网络、决策树和/或概率分类模型相关的其他分类技术。所述人工智能组件402采用的分类器可以进行显式训练(如通过通用训练数据)以及隐式训练(如通过接收外部信息)。例如,对于熟知的SVM,SVM是通过分类器构造函数和特征选择模块中的学习或训练阶段配置的。分类器是将输入属性向量x=(x1,x2,x3,x4,xn)映射到输入属于类的置信度函数,即f(x)=置信度(类)。
一方面,所述人工智能组件402可以包括推理组件,其可以利用部分基于推理的方案进一步增强所述人工智能组件402的自动化方面,以便于对所述植入路径集合进行学习和/或生成推断。所述人工智能组件402可以采用任何适合的基于机器学习的技术、基于统计的技术和/或基于概率的技术。例如,所述人工智能组件402可以采用专家***、模糊逻辑、SVM、隐马尔可夫模型(HMM)、贪婪搜索算法、基于规则的***、贝叶斯模型(如贝叶斯网络)、神经网络、其他非线性训练技术、数据融合、基于效用的分析***和采用贝叶斯模型的***等。另一方面,所述人工智能组件402可以执行与所述植入路径集合相关的一组机器学习计算。例如,所述人工智能组件402可以执行一组聚类机器学习计算、一组决策树机器学习计算、一组基于实例的机器学习计算、一组回归机器学习计算、一组正则化机器学习计算、一组规则学习机器学习计算、一组贝叶斯机器学习计算、一组深度玻耳兹曼机器计算、一组深度信念网络计算、一组卷积神经网络计算、一组堆叠自动编码器计算和/或一组不同的机器学习计算。
参照图5,示出了根据本公开的各个方面和实施方式的***500的非限制性实施方式。所述***500可以包括所述路径分析组件102,并且所述路径分析组件102可以包括所述路径评估组件104、所述路径推荐组件106、所述可视化组件108和/或医疗装置推荐组件502。所述路径评估组件104可以包括病变分割组件202和血管分割组件204。另外,所述路径推荐组件106可以包括所述医疗装置组件302、所述解剖血管组件304和人工智能组件402。
所述医疗装置推荐组件502可以推荐和/或选择待植入并沿着与解剖血管相关的植入路径穿过的医疗装置。例如,基于所述路径评估组件的分析,所述医疗装置推荐组件502可以推荐通过所述路径推荐组件106推荐的植入路径待部署到解剖血管中的可用医疗装置的子集。所述医疗装置推荐组件502可以基于与解剖血管相关的特性和/或与医疗装置相关的特性推荐和/或选择医疗装置。例如,所述医疗装置推荐组件502可以部分基于医疗装置的柔韧性选择医疗装置以适合解剖血管的血管曲率。此外,或可替代地,所述医疗装置推荐组件502可以部分基于医疗装置的尺寸选择医疗装置以适合解剖血管的横截面区域。在确定解剖血管的植入路径之后,所述医疗装置推荐组件502可以推荐和/或选择医疗装置。可替代地,所述医疗装置推荐组件502可以在分析植入路径时推荐和/或选择医疗装置,以便于所述路径推荐组件106选择和/或推荐植入路径。
还可以基于解剖血管的病变区域和/或用户输入数据确定所述医疗装置推荐组件502对医疗装置的推荐和/或选择。例如,所述医疗装置推荐组件502可以基于正在执行的医疗程序的类型和/或执行医疗程序的医疗专业人员的偏好推荐和/或选择用于植入路径的医疗装置。一方面,所述医疗装置推荐组件502可以对可用医疗装置的子集中的医疗装置进行排序(如通过植入路径待部署到解剖血管中的可用医疗装置的子集)。例如,所述医疗装置推荐组件502可以基于医疗装置和植入路径之间的相关性、与将医疗装置用于植入路径相关的风险和将医疗装置用于植入路径的困难等对可用医疗装置进行排序。在某些实施方式中,所述医疗装置推荐组件502可以采用所述人工智能组件402提供的信息以便于对植入路径的可用医疗装置进行选择和/或排序。
参照图6,示出了根据本公开的各个方面和实施方式的***600的非限制性实施方式。所述***600可以包括所述路径分析组件102,并且所述路径分析组件102可以包括所述路径评估组件104、所述路径推荐组件106、所述可视化组件108、所述医疗装置推荐组件502和/或建模组件602。所述路径评估组件104可以包括病变分割组件202和血管分割组件204。另外,所述路径推荐组件106可以包括所述医疗装置组件302、所述解剖血管组件304和人工智能组件402。所述建模组件602可以至少部分基于所述路径评估组件104和/或所述路径推荐组件106的分析生成用于经由植入路径待部署到解剖血管的病变区域的适合的医疗装置的模型。例如,所述建模组件602可以生成经由植入路径待部署到解剖血管的病变区域的医疗装置的3D打印模型。所述建模组件602可以生成经由植入路径待部署到解剖血管的病变区域的医疗装置的计算机辅助设计(CAD)模型。此外,所述建模组件602可以采用医学成像数据以便于生成医疗装置的模型。可以基于医疗装置的植入路径的特性和/或特征、与植入路径相关的解剖血管和/或与植入路径相关的病变区域确定所述医疗装置的模型的特性和/或特征。例如,所述建模组件602生成的模型可以为所述路径推荐组件106推荐的植入路径量身定制。
参照图7,示出了根据本公开的各个方面和实施方式的***700的非限制性实施方式。所述***700可以包括所述路径分析组件102,并且所述路径分析组件102可以包括所述路径评估组件104、所述路径推荐组件106、所述可视化组件108、所述医疗装置推荐组件502、所述建模组件602和/或存档组件702。所述路径评估组件104可以包括病变分割组件202和血管分割组件204。另外,所述路径推荐组件106可以包括所述医疗装置组件302、所述解剖血管组件304和人工智能组件402。
所述存档组件702可以存储由所述路径推荐组件106、所述可视化组件108和/或所述医疗装置推荐组件502和/或所述建模组件602确定的数据。例如,关于植入路径评估、推荐的植入路径和/或所述路径推荐组件106确定的排序的数据可以由存档组件702存档和/或存储。另外,或可替代地,与植入路径相关的多维可视化数据、解剖血管的数据和/或医疗装置的数据可以由存档组件702存档和/或存储。关于所述医疗装置推荐组件502推荐的医疗装置的数据可以附加地或可替代地由所述存档组件702存档和/或存储。另外,或可替代地,由所述建模组件602生成的模型的数据可以由所述存档组件702存档和/或存储。由所述存档组件702存储和/或存档的信息可以有助于向用户呈现渲染后的数据和/或向用户推荐植入路径和/或医疗装置。所述存档组件702存储和/或存档的信息还可以有助于与医疗装置和/或解剖血管相关的医疗程序、临床医生报告和与医疗装置相关的3D打印过程等。
参照图8,示出了根据本公开的各个方面和实施方式的***800的非限制性实施方式。所述***800包括患者身体的解剖血管802。通过采用一个或多个医学成像设备可以生成与解剖血管802相关的医学成像数据。与所述解剖血管802相关的医学成像数据可以是多维医学成像数据(如3D医学成像数据)。此外,所述路径分析组件102可以接收与解剖血管802相关的医学成像数据。所述路径评估组件104可以分析与解剖血管802相关的医学成像数据。例如,所述路径评估组件104可以执行与解剖血管802相关的分割。此外,所述路径评估组件104可以执行与解剖血管802的病变区域804相关的分割。所述病变区域804可以是,例如,解剖血管802的疾病区域。所述路径分析组件102可以确定用于使医疗装置808到达病变区域804的植入路径806。例如,所述路径评估组件104可以生成用于使所述医疗装置808到达所述病变区域804的候选植入路径集合。所述医疗装置808可以是,例如,支架(如血管支架)。然后,所述路径推荐组件106可以至少基于与解剖血管802相关的特性和/或与医疗装置808相关的特性对所述候选植入路径集合进行排序。基于所述候选植入路径集合的排序,所述路径推荐组件106可以推荐来自所述候选植入路径集合的植入路径806,用于部署所述医疗装置808到达所述病变区域804。所述路径推荐组件106确保所述医疗装置808具有足够的柔韧性以适合所述解剖血管802的血管曲率和/或确保所述解剖血管802的直径足够大以允许引入所述医疗装置808。
参照图9,示出了根据本公开的各个方面和实施方式的***900的非限制性实施方式。所述***900包括患者身体的解剖血管902。利用传统的植入程序,医学专业人员解释与解剖血管相关的2D医学数据以推测医疗装置906的植入路径904。然后,通过反复试验,医学专业人员将所述医疗装置906从患者身体上***解剖血管。然而,利用传统的植入程序,所述医疗装置906会在与解剖血管902相关的位置908处在患者身体内与解剖血管902的血管壁接触。相反,利用所述路径分析组件102,可以采用由一个或多个医学成像设备生成的所述解剖血管902的多维医学成像数据(如3D医学成像数据)。之后,基于与解剖血管902相关的多维医学成像数据的分析,所述路径分析组件102可以确定植入路径904不适合医疗装置906。例如,利用所述路径分析组件102,可以确定所述医疗装置906在位置908处与解剖血管902的血管壁接触。所述路径分析组件102可以确定所述医疗装置906的特性无法适合与解剖血管902相关的血管曲率。响应于所述路径分析组件102的确定结果:医疗装置906不适合所述植入路径904,所述路径分析组件102可以选择不同的植入路径和/或用于所述植入路径904的不同的医疗装置。因此,用于将所述医疗装置906植入解剖血管902的医疗程序可以更有效和/或更精确。此外,通过代***反复试验以将所述医疗装置906植入所述解剖血管902中,可以将对解剖血管902的创伤性程序最小化。
图10-13示出了根据所公开主题的方法和/或流程图。为了简化说明,将方法描述和描写为一系列动作。应当理解并领会,本发明创新不受所示动作和/或动作顺序的限制,例如动作可以以各种顺序和/或同时发生,并且可以与本文未呈现和描述的其他动作一起发生。此外,可能不需要所有示出的动作来实现根据所公开主题的方法。另外,本领域技术人员将理解并领会到,所述方法可替代地通过状态图或事件表示为一系列相互关联的状态。另外,应进一步领会,下文和整个说明书中所公开的方法能够存储在制品上以便于将此类方法传输和传送到计算机。此处使用的术语“制品”旨在涵盖可从任何计算机可读设备或存储介质访问的计算机程序。
参照图10,示出了根据本发明创新的一个方面的用于评估医疗装置的植入路径的方法1000的非限制性实施方式。在1002评估医疗装置选择和/或植入路径选择(如通过所述路径分析组件102)。例如,可以通过分割和/或分析医学成像数据选择医疗装置和/或医疗装置的植入路径。可以采用医疗装置和/或与植入路径相关的解剖血管的机械特性和/或物理特性来选择医疗装置和/或植入路径。对医疗装置选择和/或植入路径选择的评估可以包括确认所述医疗装置适合经由植入路径部署。例如,可以确认所述医疗装置具有足够的柔韧性以适应与植入路径相关的解剖血管的曲率,可以确认解剖血管的开口足够大以允许所述医疗装置经由植入路径***并且穿过。所述医疗装置选择和/或植入路径选择的评估还可以包括虚拟地模拟与植入路径和医疗装置相关的植入过程。
在1004向用户设备提供交互式3D视觉序列。例如,用户设备的显示器可以呈现交互式3D视觉序列,以允许用户经由交互式3D视觉序列查看和/或分析所选择的医疗装置和/或所选择的植入路径。一方面,所述3D视觉序列可以呈现一系列帧,其描述了相对于医疗装置和解剖血管的植入路径的不同部分。例如,所述3D视觉序列的第一帧可以描述与解剖血管的第一部分和医疗装置相关的植入路径的第一部分,所述3D视觉序列的第二帧可以描述与解剖血管的第二部分和医疗装置相关的植入路径的第二部分等。与3D视觉序列相关的解剖血管可以表示为解剖血管的3D渲染和/或与3D视觉序列相关的医疗装置可以表示为医疗装置的3D渲染。
在1006记录输出结果。例如,可以存档和/或存储关于植入路径的信息,所述植入路径是利用医疗装置到达解剖血管的病变区域的最有利的植入路径。在一个示例中,可以存储关于植入路径的信息,以便于在进行与医疗装置和解剖血管相关的医疗程序之前或期间利用关于植入路径的信息。在另一个示例中,可以存储关于植入路径的信息以便于临床医生报告。在又一个示例中,可以存储关于植入路径的信息以有助于与医疗装置和/或解剖血管相关的3D打印过程。
参照图11,示出了根据本发明创新的一个方面的用于确定医疗装置的植入路径的方法1100的非限制性实施方式。在1102执行病变分割。例如,对与解剖血管的病变区域相关的部分医学成像数据执行分割。所述病变分割可以从医学成像数据中限定病变区域。在1104选择医疗装置。例如,可以选择医疗装置并且可以生成表示医疗装置的机械特性的模型。在1106限定候选植入路径。例如,可以限定医疗装置到达病变区域的所有可能的植入路径。还可以生成表示解剖血管的机械特性的模型。此外,可以生成解剖血管的模型。在1108沿着每条候选植入路径执行虚拟模拟植入。例如,所述医疗装置可以虚拟地穿过与解剖血管相关的每条候选植入路径。在1110自动选择候选植入路径。例如,可以确定使所述医疗装置到达与解剖血管相关的病变区域的最有利的植入路径。
在1112向用户设备提供交互式3D视觉序列。例如,用户设备的显示器可以呈现交互式3D视觉序列,以允许用户经由交互式3D视觉序列查看和/或分析所选择的医疗装置和/或所选择的植入路径。一方面,所述3D视觉序列可以呈现一系列帧,其描述了相对于医疗装置和解剖血管的植入路径的不同部分。例如,所述3D视觉序列的第一帧可以描述与解剖血管的第一部分和医疗装置相关的植入路径的第一部分,所述3D视觉序列的第二帧可以描述与解剖血管的第二部分和医疗装置相关的植入路径的第二部分等。与3D视觉序列相关的解剖血管可以表示为解剖血管的3D渲染和/或与3D视觉序列相关的医疗装置可以表示为医疗装置的3D渲染。在1114记录输出结果。例如,可以存档和/或存储关于植入路径的信息,所述植入路径是利用医疗装置到达解剖血管的病变区域的最有利的植入路径。在一个示例中,可以存储关于植入路径的信息,以便于在进行与医疗装置和解剖血管相关的医疗程序之前或期间利用关于所述植入路径的信息。在另一个示例中,可以存储关于植入路径的信息以便于临床医生报告。在又一个示例中,可以存储关于植入路径的信息以有助于与医疗装置和/或解剖血管相关的3D打印过程。
参照图12,示出了根据本发明创新的一个方面的用于分割、推荐和显示医疗装置的植入路径的方法1200的非限制性实施方式。在1202对医学成像数据(如多维医学成像数据)进行分割。分割可以包括执行病变分割的步骤1204。例如,可以从医学成像数据中限定与解剖血管相关的病变区域。分割还可以包括执行血管分割的步骤1206。例如,还可以从医学成像数据中限定解剖血管。在1208执行迭代医疗装置评估和路径评估。例如,不再验证医疗装置的不同植入路径,方法1200可以在医疗装置和植入路径上迭代,直到确定适合医疗程序的医疗装置/路径对。
在1210执行分析以便于推荐医疗装置和/或路径。推荐分析可以包括选择医疗装置的步骤1212。推荐分析还可以包括执行沿着每条候选路径的虚拟模拟植入的步骤1214。此外,推荐分析可以包括选择自动最佳拟合结果的步骤1216。如果在步骤1216之后没有找到有效路径,则可以再次执行步骤1212并且可以重复推荐分析过程。如果在步骤1216之后为医疗装置找到有效路径,则在步骤1218确定继续推荐有效路径和医疗装置。例如,一旦方法1200确定植入路径和医疗装置,就可以向用户设备提供交互式3D视觉序列。在步骤1220执行多维可视化。多维可视化可以包括向用户提供交互式3D视觉序列的步骤1222。多维可视化可以包括记录输出的步骤1224。例如,可以为以后的用户记录与所选择的植入路径和/或所选择的医疗装置相关的信息(如在3D打印过程期间使用、在制造过程期间使用和在临床医生报告期间使用等)。
参照图13,示出了根据本发明创新的一个方面的用于推荐医疗装置的植入路径的方法1300。作为示例,方法1300可以用于各种应用,比如,但不限于,医疗装置***、医学成像***、医学建模***、模拟***、医疗装置导航***、支架导航***、企业成像解决方案***、高级诊断工具***、图像管理平台***、保健服务管理***、人工智能***、机器学习***和神经网络***等。在1302分析与患者身体和与解剖血管相关的病变区域相关的多维医学成像数据。例如,可以分析与患者身体的解剖血管相关的部分3D医学成像数据。此外,可以分析与解剖血管的病变区域相关的另一部分3D医学成像数据。可以基于分割过程分析多维医学成像数据。例如,可以采用一个或多个分割算法和/或一个或多个统计算法来分析多维医学成像数据。一方面,可以分析与多维医学成像数据相关的几何数据、纹理数据和/或网格数据。此外,或可替代地,可以分析在多维医学成像数据中识别的体积特征、表面特征、密度特征、几何特征、多边形、矢量、顶点、边缘、面和/或其他特征。
在1304生成使医疗装置到达病变区域的植入路径集合。例如,可以确定用于使医疗装置穿过解剖血管以便到达病变区域的候选植入路径集合。可以基于与医疗装置相关的特性和/或特征生成所述植入路径集合。另外,可以基于与解剖血管相关的特性和/或特征生成所述植入路径集合。在非限制性示例中,可以至少基于与医疗装置和/或解剖血管相关的变形特性生成所述植入路径集合。
在1306对使所述医疗装置到达病变区域的植入路径进行排序。例如,可以基于与医疗装置相关联的特性、与解剖血管相关联的特性和/或为每条候选植入路径生成的评分对所述医疗装置的植入路径进行排序。一方面,排在前面的植入路径可以对应于更可能适合解剖血管和/或限制对解剖血管损伤的植入路径。一方面,可以通过虚拟地模拟与每条植入路径相关的植入过程对所述植入路径进行排序。
在1308推荐用于部署医疗装置的植入路径的子集。例如,可以基于与医疗装置相关的特性、与解剖血管相关的特性和/或为每条候选植入路径生成的评分为医疗装置推荐至少一条植入路径。此外,通过进行学习以权衡与每条植入路径到达病变区域相关的成本和收益,可以为所述医疗装置推荐至少一条植入路径。
在1310生成与用于部署医疗装置的推荐的植入路径子集的多维可视化相关的显示。例如,可以在用户设备的显示器上呈现医疗装置的至少一条植入路径的3D可视化。一方面,可以在用户设备的显示器上呈现解剖血管以及至少一条植入路径和医疗装置的3D渲染。
参照图14,示出了根据本公开的各个方面和实施方式的***1400的非限制性实施方式。一方面,所述***1400可以与用户设备相连,诸如,例如计算设备、计算机、台式计算机、手提电脑、监视器设备、智能设备、智能电话、移动设备、手持设备、平板电脑、便携式计算设备或与显示器相连的不同类型的用户设备。所述***1400示出了示例用户界面1402。所述用户界面1402可以是图形用户界面,其呈现与推荐的用于部署医疗装置的植入路径集合相关的多维可视化1404部分。例如,所述用户界面1402的多维可视化1404部分可以呈现所述路径推荐组件106确定推荐的植入路径集合的多维可视化(如3D可视化)。所述用户界面1402的多维可视化1404部分可以呈现与来自推荐的植入路径子集的植入路径相关的交互式多维视觉序列。例如,所述用户界面1402的多维可视化1404部分可呈现多维的帧序列,其描述植入路径相对于医疗装置和解剖血管的不同部分。经由所述用户界面1402的多维可视化1404部分呈现的医疗装置可以是医疗装置的3D渲染。此外,经由所述用户界面1402的多维可视化1404部分呈现的解剖血管可以是解剖血管的3D渲染。这样,当医疗装置经由推荐的植入路径子集穿过解剖血管的3D渲染时,用户可以查看、分析医疗装置的3D渲染和/或与其进行交互。
所述用户界面1402还可以包括与医疗装置的信息相关的医疗装置部分1406。所述医疗装置部分1406可以呈现为图形元素诸如,但不限于,通知、消息、图标、缩略图、对话框、交互工具、小部件或不同类型的图形元素。可以基于用户输入或可替代地通过所述医疗装置推荐组件502选择与医疗装置部分1406相关的医疗装置。此外,所述用户界面1402可以包括路径推荐部分1408,其包括路径推荐集合14081-N。所述路径推荐部分1408可以呈现为图形元素诸如,但不限于,通知、消息、图标、缩略图、对话框、交互式工具、小部件或不同类型的图形元素。此外,所述路径推荐集合14081-N可以由所述路径推荐组件106确定。应当领会,所述用户界面1402仅仅是示例。因此,可以改变所述多维可视化1404、所述医疗装置部分1406和/或所述路径推荐部分1408的位置和/或内容。此外,所述用户界面1402可以包括图14未示出的其他特征、内容和/或功能。
上述***和/或装置已经描述了关于多个组件之间的相互作用。应当领会,上述***和组件可以包括其中指定的那些组件或子组件、某些指定的组件或子组件和/或附加组件。子组件也可作为与其他组件通信耦合的组件而现实,而不是包含在父组件中。此外,可将一个或多个组件和/或子组件组合成能够提供聚合功能的单个组件。为简明起见,本领域技术人员已知,所述组件还可与本文中未具体描述的一个或多个其他组件交互。
为了提供所公开的发明主题的各个方面的背景,图15和16及以下讨论旨在提供可在其中实现所公开的发明主题的各个方面的适宜环境的一般简要描述。
参照图15,用于实现本公开的各个方面的适宜环境1500包括计算机1512。所述计算机1512包括处理单元1514、***存储器1516和***总线1518。所述***总线1518与***组件相连,所述***组件包括但不限于,***存储器1516和处理单元1514。所述处理单元1514可以是各种可用的处理器中的任何一种。双微处理器和其他多处理器架构也可以用作所述处理单元1514。
所述***总线1518可以是若干类型的总线结构中的任何一种,包括存储器总线或存储器控制器、***总线或外部总线和/或使用各种可用的总线架构的本地总线,包括但不限于,工业标准体系结构(ISA)、微通道架构(MSA)、扩充型工业标准体系结构(EISA)、智能驱动电子设备(IDE)、VESA本地总线(VLB)、***组件互连(PCI)、插件总线、通用串行总线(USB)、高级图形端口(AGP)、个人计算机存储卡国际协会总线(PCMCIA)、法尔接口(IEEE1394)和小型计算机***接口(SCSI)。
所述***存储器1516包括易失性存储器1520和非易失性存储器1522。所述基本输入/输出***(BIOS)存储在非易失性存储器1522中,包含在计算机1512内的元件之间传送信息的基本例程,比如在启动期间。作为说明而非限制,非易失性存储器1522可以包括只读存储器(ROM)、可编程只读存储器(PROM)、电可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)、闪存或非易失性随机存取存储器(RAM)(如铁电随机存取存储器(FeRAM))。易失性存储器1520包括随机存取存储器(RAM),其用作外部高速缓冲存储器。作为说明而非限制,RAM可以多种形式使用,诸如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(SDRAM)、双倍速率同步动态随机存取存储器(DDRSDRAM)、增强型同步动态随机存取存储器(ESDRAM)、同步链接动态随机存取存储器(SLDRAM)、直接Rambus随机存取存储器(DRRAM)、直接Rambus动态随机存取存储器(DRDRAM)和Rambus动态随机存取存储器。
计算机1512还包括可移动/不可移动、易失性/非易失性计算机存储介质。图15示出了,例如,磁盘存储器1524。磁盘存储器1524包括但不限于,比如磁盘驱动器、软盘驱动器、磁带驱动器、硬碟驱动器、极碟驱动器、LS-100驱动器、闪存卡或记忆棒等装置。所述磁盘存储器1524还可以单独地或与其他存储介质组合地包括存储介质,包括但不限于,光盘驱动器诸如光盘只读设备(CD-ROM)、CD可记录驱动器(CD-R驱动器)、CD可重写驱动器(CD-RW驱动器)或数字通用磁盘只读驱动器(DVD-ROM)。为了便于将所述磁盘存储设备1524连接到所述***总线1518,通常使用可移动或固定接口,比如接口1526。
图15还描述了软件,其充当用户与适宜的操作环境1500中描述的基本计算机资源之间的媒介。所述软件包括,例如,操作***1528。操作***1528可以存储在磁盘存储器1524上,起到控制和分配计算机***1512资源的作用。***应用程序1530通过程序模块1532和例如,存储在***存储器1516或磁盘存储器1524中的程序数据1534利用操作***1528管理的资源。应当领会,本公开可以用各种操作***或操作***的组合来实现。
用户通过输入设备1536将命令或信息输入到计算机1512中。输入设备1536包括但不限于,诸如鼠标、轨迹球、触控笔、触摸板、键盘、麦克风、操纵杆、游戏手柄、卫星天线、扫描仪、电视调谐卡、数码相机、数码摄像机和网络摄像机等定点设备。所述定点设备和其他输入设备经由接口端口1538通过***总线1518连接到处理单元1514。接口端口1538包括,例如,串行端口、并行端口、游戏端口和通用串行总线(USB)。输出设备1540使用一些相同类型的端口作为输入设备1536。因此,例如,USB端口可用于向计算机1512提供输入,并将信息从计算机1512输出到输出设备1540。提供输出适配器1542以说明在其他输出设备1540中存在一些诸如监视器、扬声器和打印机等需要特殊适配器的输出设备1540。作为说明而非限制,所述输出适配器1542包括视频卡和声卡,其提供所述输出设备1540和所述***总线1518之间的连接手段。应当注意,其他设备和/或设备的***提供输入和输出能力,比如远程计算机1544。
计算机1512可以利用与一个或多个远程计算机(如远程计算机1544)的逻辑连接在联网环境中运作。所述远程计算机1544可以是个人计算机、服务器、路由器、网络个人计算机、工作站、基于微处理器的设备、对等设备或其他公共网络节点等,并且通常包括相对于计算机1512描述的许多或所有元件。为简洁起见,仅用远程计算机1544来说明存储器存储装置1546。远程计算机1544通过网络接口1548逻辑连接到计算机1512,然后通过通信连接1550实现物理连接。网络接口1548包括有线和/或无线通信网络,诸如本地-局域网(LAN)、广域网(WAN)和蜂窝网络等。局域网技术包括光纤分布式数据接口(FDDI)、铜缆分布式数据接口(CDDI)、以太网和令牌环等。广域网技术包括但不限于,点对点链路、电路交换网络如综合业务数字网(ISDN)及其变体、报文分组交换网络和数字用户线路(DSL)。
通信连接1550指用于将所述网络接口1548连接到所述总线1518的硬件/软件。虽然为了说明清楚而在计算机1512内示出了通信连接1550,但是它也可以设置在计算机1512的外部。仅为示例目的,连接到所述网络接口1548所需的硬件/软件包括内部和外部技术,诸如调制解调器、ISDN适配器和以太网卡,所述调制解调器包括常规电话级调制解调器、电缆调制解调器和DSL调制解调器。
图16是样本计算环境1600的示意框图,本公开的主题可以与之交互。所述***1600包括一个或多个客户端1610。所述客户端1610可以是硬件和/或软件(如线程、进程和计算设备)。所述***1600还包括一个或多个服务器1630。因此,***1600可以对应于双层客户端服务器模型或多层模型(如客户端、中间层服务器和数据服务器)以及其他模型。所述服务器1630还可以是硬件和/或软件(如线程、进程、计算设备)。例如,所述服务器1630可以容纳线程以通过采用本公开来执行变换。客户端1610和服务器1630之间的一种可能的通信方式可以是在两个或多个计算机进程之间传输数据包。
所述***1600包括通信框架1650,其可以用于促进所述客户端1610与所述服务器1630之间的通信。所述客户端1610可操作地连接到一个或多个客户端数据储存器1620,其可以用于存储客户端1610的本地信息。类似地,所述服务器1630可操作地连接到一个或多个服务器数据储存器1640,其可以用于存储服务器1630的本地信息。
应注意,可以在基本上任何无线电信或无线电技术中利用本公开的方面或特征,例如Wi-Fi、蓝牙、全球微波接入互操作性(WiMAX)、增强型通用分组无线业务(增强型GPRS)、第三代合作伙伴计划(3GPP)长期演进(LTE)、第三代合作伙伴计划2(3GPP2)超移动宽带(UMB)、第三代合作伙伴计划通用移动电信***(UMTS)、高速分组接入(HSPA)、高速下行链路分组接入(HSDPA)、高速上行链路分组接入(HSUPA)、GSM(全球移动通信***)EDGE(GSM改进的增强数据速率)无线电接入网(GERAN)、第三代合作伙伴计划通用移动电信***地面无线电接入网(UTRAN)和长期演进升级版(LTE-A)等。另外,本文描述的一些或所有方面可以在传统电信技术例如GSM中使用。此外,移动以及非移动网络(如因特网和诸如因特网协议电视(IPTV)之类的数据服务网络等)可以利用本文描述的方面或特征。
虽然已经在一台计算机和/或多台计算机上运行的计算机程序的计算机可执行指令的一般上下文中描述了主题,但是本领域技术人员将认识到本公开也可以或可能与其他程序模块结合使用。通常,程序模块包括执行特定任务和/或实现特定抽象数据类型的例程、程序、组件和数据结构等。此外,本领域技术人员应领会,本发明的方法可能用其他计算机***配置来实践,包括单处理器或多处理器的计算机***、小型计算设备、大型计算机、以及个人计算机、手持计算设备(如PDA和电话)和基于微处理器或可编程的消费者或工业电子设备等。所示出的方面还可能在分布式计算环境中实践,其中任务由通过通信网络链接的远程处理设备执行。然而,本公开的某些方面,甚至可能是全部方面可以在独立的计算机上实施。在分布式计算环境中,程序模块可位于本地和远程存储器存储设备中。
如在本申请中所使用的术语“组件”、“***”、“平台”和“接口”等可以指和/或可以包括计算机相关实体或与具有一个或多个特定功能的操作机器相关的实体。本文公开的实体可以是硬件、硬件和软件的组合、软件或执行中的软件。例如,组件可能是但不限于是,在处理器上运行的进程、处理器、对象、可执行文件、执行线程、程序和/或计算机。举例来说,在服务器上运行的应用程序和服务器都可以是组件。一个或多个组件可能位于进程和/或执行线程之内,并且组件可能位于一台计算机上和/或分布在两台或多台计算机之间。
在另一示例中,各个组件可以从其上存储有各种数据结构的各种计算机可读介质中执行。所述组件可能经由本地和/或远程进程进行通信,比如根据具有一个或多个数据包的信号(如来自一个组件的数据经由信号与本地***、分布式***中的另一个组件和/或通过网络比如因特网与其他***交互)。作为另一示例,组件可以是由电气或电子电路操作的机械部件提供特定功能的设备,其由处理器执行的软件或固件应用程序操作。在这种情况下,所述处理器可以在装置的内部或外部,并且可以执行软件或固件应用程序的至少一部分。作为又一个示例,组件可以是通过电子组件提供特定功能而不具有机械部件的设备,其中所述电子组件可以包括处理器或其他装置以执行至少部分赋予电子组件功能的软件或固件。一方面,组件可以经由虚拟机,例如,在云计算***内模拟电子组件。
此外,术语“或”旨在表示包含性的“或”而不是排他性的“或”。即除非另有说明或从上下文中明确表示,否则“X使用A或B”旨在表示任何自然的包容性排列。也就是说,如果X采用A、X采用B或者X同时采用A和B,那么“X采用A或B”在上述任何实例下都满足。此外,在本说明书和附图中使用的冠词“一”和“一个”通常应被解释为表示“一个或多个”,除非另有说明或从上下文清楚地指向单数形式。
如本文所使用的术语“示例”和/或“示例性”用于表示用作示例、实例或说明。为避免疑义,本文公开的主题不受这些示例的限制。另外,本文中描述为“示例”和/或“示例性”的任何方面或设计不必解释为优于或好于其他方面或设计,也不意味着排除本领域普通技术人员已知的等效示例性结构和技术。
本文描述的各个方面或特征可以实现为使用标准编程或工程技术的方法、装置、***或制品。此外,本公开所公开的各个方面或特征可以通过实现本文公开的至少一种或多种方法的程序模块来实现,所述程序模块存储在存储器中并且由至少一个处理器执行。硬件和软件或硬件和固件的其他组合可以实施或实现本文描述的方面,包括公开的方法。本文使用的术语“制品”可以包括可从任何计算机可读设备、载体或存储介质访问的计算机程序。例如,计算机可读存储介质可以包括但不限于,磁存储设备(如硬盘、软盘和磁带等)、光盘(如光碟(CD)、数字多功能盘(DVD)和蓝光光盘(BD)等)、智能卡和闪存设备(如卡、棒、键驱动器等)等。
在本说明书中使用时,术语“处理器”可以指基本上任何计算处理单元或设备,包括但不限于,单核处理器、具有软件多线程执行能力的单处理器、多核处理器、具有软件多线程执行能力的多核处理器、具有硬件多线程技术的多核处理器、并行平台和具有分布式共享内存的并行平台。另外,处理器可以指被设计用于执行本文所述的功能的集成电路、专用集成电路(ASIC)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑控制器(PLC)、复杂可编程逻辑器件(CPLD)、离散门或晶体管逻辑、分立硬件组件或其任何组合。此外,处理器可以利用纳米级架构诸如,但不限于,基于分子和量子点的晶体管、开关和门,以优化空间使用或增强用户设备的性能。处理器也可作为计算处理单元的组合来实现。
在本公开中,比如“储存器”、“存储器”、“数据储存器”、“数据存储器”和“数据库”的术语以及与组件的操作和功能相关的基本上任何其他信息存储组件被用于指“存储器组件”、体现在“存储器”中的实体或包括存储器的组件。应当领会,文中描述的存储器和/或存储器组件可以是易失性存储器或非易失性存储器,或者可以包括易失性存储器和非易失性存储器。
作为说明而非限制,非易失性存储器可以包括只读存储器(ROM)、可编程只读存储器(PROM)、电可编程只读存储器(EPROM)、电可擦只读存储器(EEPROM)、闪存或非易失性随机存取存储器(RAM)(如铁电随机存取存储器(FeRAM))。易失性存储器可以包括随机存取存储器,其可以用作例如外部高速缓冲存储器。作为说明而非限制,随机存取存储器可以多种形式实现,诸如同步随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(SDRAM)、双倍数据速率同步动态随机存取存储器(DDR SDRAM)、增强型同步动态随机存取存储器(ESDRAM)、同步链接动态随机存取存储器(SLDRAM)、直接Rambus随机存取存储器(DRRAM)、直接Rambus动态随机存取存储器(DRDRAM)和Rambus动态随机存取存储器(RDRAM)。另外,本文所公开的***或方法的存储器组件旨在包括但不限于上述存储器和任何其他适合类型的存储器。
需要领会和理解的是,对于特定***或方法所描述的组件可以包括与本文公开的其他***或方法所描述的各个组件(如分别命名的组件或类似命名的组件)相同或类似的功能。
以上描述的内容包括展示本公开的优点的***和方法的示例。当然,出于描述本公开的目的,不可能描述组件或方法所有可能的组合,但是本领域普通技术人员可认识到许多本公开的其他可能的组合和排列。此外,在详细说明、权利要求、附录和附图中使用的术语“包括”、“具有”、“包含”等的范围内,上述术语旨在以与权利要求中的过渡词“包括”类似的方式包含。
Claims (20)
1.一种医疗装置植入路径评估***,包括:
存储器,其存储计算机可执行组件;
处理器,其执行计算机可执行组件;
路径评估组件,其分析关于患者身体和病变区域的多维医学成像数据,并生成到达所述病变区域的路径集合以用于部署医疗装置;
推荐组件,其对到达所述病变区域的所述路径集合进行排序,并推荐用于部署所述医疗装置的所述路径的子集;以及
可视化组件,其生成对所述推荐的显示和对推荐的用于部署所述医疗装置的所述路径子集的多维可视化。
2.根据权利要求1所述的医疗装置植入路径评估***,其中所述可视化组件生成交互式多维视觉序列,所述交互式多维视觉序列与来自推荐的所述路径子集的路径相关。
3.根据权利要求1所述的医疗装置植入路径评估***,其中所述医疗装置为支架。
4.根据权利要求1所述的医疗装置植入路径评估***,其中所述多维医学成像数据为三维数据。
5.根据权利要求1所述的医疗装置植入路径评估***,其中所述推荐组件包括人工智能组件,所述人工智能组件执行基于概率的效用分析,所述效用分析权衡与到达所述病变区域的所述路径中的每一条路径相关的成本和收益。
6.根据权利要求1所述的医疗装置植入路径评估***,进一步包括医疗装置推荐组件,所述医疗装置推荐组件至少部分基于所述路径评估组件的分析来推荐待部署的可用医疗装置的子集。
7.根据权利要求6所述的医疗装置植入路径评估***,其中所述医疗装置推荐组件部分基于与所述医疗装置相关的机械特性选择所述医疗装置,以适合与所述病变区域相关的解剖血管的曲率或适合所述解剖血管的横截面积。
8.根据权利要求1所述的医疗装置植入路径评估***,进一步包括建模组件,所述建模组件至少部分基于所述路径评估组件的分析生成待部署到所述病变区域的所述医疗装置的模型。
9.根据权利要求8所述的医疗装置植入路径评估***,其中所述建模组件生成所述医疗装置的3D打印模型。
10.根据权利要求1所述的医疗装置植入路径评估***,进一步包括存档组件,所述存档组件存储所述路径评估、排序、推荐和可视化。
11.一种方法,包括:
由包括处理器的***分析与患者身体以及病变区域相关的多维医学成像数据,所述病变区域与解剖血管相关;
由所述***生成使医疗装置到达所述病变区域的植入路径的集合;
由所述***对使所述医疗装置到达所述病变区域的所述植入路径进行排序;
由所述***推荐用于部署所述医疗装置的所述植入路径的子集;以及
由所述***生成与推荐的用于部署所述医疗装置的所述植入路径的子集的多维可视化相关的显示。
12.根据权利要求11所述的方法,其中所述推荐包括进行学习以权衡与到达所述病变区域的所述植入路径中的每一条植入路径相关的成本和收益。
13.根据权利要求11所述的方法,进一步包括由所述***推荐待部署到所述病变区域的可用医疗装置的子集。
14.根据权利要求11所述的方法,进一步包括由所述***部分基于与所述医疗装置和所述解剖血管相关的特性选择所述医疗装置。
15.根据权利要求11所述的方法,进一步包括由所述***生成待部署到所述病变区域的所述医疗装置的模型。
16.根据权利要求11所述的方法,进一步包括由所述***存储与所述植入路径的子集和所述多维可视化相关的数据。
17.一种计算机可读存储设备,包括指令,所述指令响应于执行使包括处理器的***执行操作,所述操作包括:
分割与解剖血管和病变区域相关的三维医学成像数据,所述病变区域与所述解剖血管相关;
生成使医疗装置到达所述病变区域的候选植入路径的集合;
对使所述医疗装置到达所述病变区域的所述候选植入路径进行排序;
基于所述排序选择用于部署所述医疗装置的植入路径;以及
生成与用于部署所述医疗装置的所述植入路径的三维渲染相关的显示。
18.根据权利要求17所述的计算机可读存储设备,其中所述分割包括分割与所述解剖血管相关的部分所述三维医学成像数据,以及分割与所述病变区域相关的另一部分所述三维医学成像数据。
19.根据权利要求17所述的计算机可读存储设备,其中所述排序包括基于与所述解剖血管相关的特性和与所述医疗装置相关的其他特性对所述候选植入路径进行排序。
20.根据权利要求17所述的计算机可读存储设备,其中所述排序包括虚拟地模拟与所述候选植入路径相关的植入过程。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/186,951 | 2016-06-20 | ||
US15/186,951 US10806516B2 (en) | 2016-06-20 | 2016-06-20 | Virtual 4D stent implantation path assessment |
PCT/US2017/036952 WO2017222849A1 (en) | 2016-06-20 | 2017-06-12 | Virtual assessment of an implantation path for a medical device |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109313940A true CN109313940A (zh) | 2019-02-05 |
CN109313940B CN109313940B (zh) | 2024-07-09 |
Family
ID=59216006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780038293.4A Active CN109313940B (zh) | 2016-06-20 | 2017-06-12 | 医疗装置植入路径的虚拟评估 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10806516B2 (zh) |
EP (2) | EP3472740B1 (zh) |
CN (1) | CN109313940B (zh) |
WO (1) | WO2017222849A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116127147A (zh) * | 2023-04-04 | 2023-05-16 | 吉林大学 | 医学数据存储方法、***、计算机设备及存储介质 |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8672837B2 (en) | 2010-06-24 | 2014-03-18 | Hansen Medical, Inc. | Methods and devices for controlling a shapeable medical device |
US9057600B2 (en) | 2013-03-13 | 2015-06-16 | Hansen Medical, Inc. | Reducing incremental measurement sensor error |
US9271663B2 (en) | 2013-03-15 | 2016-03-01 | Hansen Medical, Inc. | Flexible instrument localization from both remote and elongation sensors |
US9014851B2 (en) | 2013-03-15 | 2015-04-21 | Hansen Medical, Inc. | Systems and methods for tracking robotically controlled medical instruments |
US9629595B2 (en) | 2013-03-15 | 2017-04-25 | Hansen Medical, Inc. | Systems and methods for localizing, tracking and/or controlling medical instruments |
US11020016B2 (en) | 2013-05-30 | 2021-06-01 | Auris Health, Inc. | System and method for displaying anatomy and devices on a movable display |
KR102661990B1 (ko) | 2015-09-18 | 2024-05-02 | 아우리스 헬스, 인크. | 관형 조직망의 탐색 |
US10143526B2 (en) | 2015-11-30 | 2018-12-04 | Auris Health, Inc. | Robot-assisted driving systems and methods |
US10244926B2 (en) | 2016-12-28 | 2019-04-02 | Auris Health, Inc. | Detecting endolumenal buckling of flexible instruments |
CN108990412B (zh) | 2017-03-31 | 2022-03-22 | 奥瑞斯健康公司 | 补偿生理噪声的用于腔网络导航的机器人*** |
US11647983B2 (en) * | 2017-05-05 | 2023-05-16 | International Business Machines Corporation | Automating ultrasound examination of a vascular system |
US10022192B1 (en) | 2017-06-23 | 2018-07-17 | Auris Health, Inc. | Automatically-initialized robotic systems for navigation of luminal networks |
US10555778B2 (en) | 2017-10-13 | 2020-02-11 | Auris Health, Inc. | Image-based branch detection and mapping for navigation |
US11058493B2 (en) * | 2017-10-13 | 2021-07-13 | Auris Health, Inc. | Robotic system configured for navigation path tracing |
JP7219227B2 (ja) * | 2017-11-30 | 2023-02-07 | テルモ株式会社 | 支援システム、支援方法、および支援プログラム |
CN110869173B (zh) | 2017-12-14 | 2023-11-17 | 奥瑞斯健康公司 | 用于估计器械定位的***与方法 |
JP7059377B2 (ja) | 2017-12-18 | 2022-04-25 | オーリス ヘルス インコーポレイテッド | 管腔ネットワーク内の器具の追跡およびナビゲーションの方法およびシステム |
MX2020010117A (es) | 2018-03-28 | 2020-11-06 | Auris Health Inc | Sistemas y metodos para mostrar la ubicacion estimada de instrumento. |
US10524866B2 (en) | 2018-03-28 | 2020-01-07 | Auris Health, Inc. | Systems and methods for registration of location sensors |
EP3801190A4 (en) | 2018-05-30 | 2022-03-02 | Auris Health, Inc. | SYSTEMS AND METHODS FOR SENSOR-BASED BRANCH LOCATION PREDICTION |
WO2019232236A1 (en) | 2018-05-31 | 2019-12-05 | Auris Health, Inc. | Image-based airway analysis and mapping |
US10898286B2 (en) | 2018-05-31 | 2021-01-26 | Auris Health, Inc. | Path-based navigation of tubular networks |
CN112236083A (zh) | 2018-05-31 | 2021-01-15 | 奥瑞斯健康公司 | 用于导航检测生理噪声的管腔网络的机器人***和方法 |
US10963757B2 (en) | 2018-12-14 | 2021-03-30 | Industrial Technology Research Institute | Neural network model fusion method and electronic device using the same |
KR20220058918A (ko) | 2019-08-30 | 2022-05-10 | 아우리스 헬스, 인코포레이티드 | 기구 이미지 신뢰성 시스템 및 방법 |
EP4021331A4 (en) | 2019-08-30 | 2023-08-30 | Auris Health, Inc. | SYSTEMS AND METHODS FOR WEIGHT-BASED REGISTRATION OF POSITION SENSORS |
US11456063B2 (en) | 2019-09-08 | 2022-09-27 | Novadontics Llc | Dental patient management system |
KR20220123076A (ko) | 2019-12-31 | 2022-09-05 | 아우리스 헬스, 인코포레이티드 | 경피 접근을 위한 정렬 기법 |
JP7497440B2 (ja) | 2019-12-31 | 2024-06-10 | オーリス ヘルス インコーポレイテッド | 経皮的アクセスのための位置合わせインターフェース |
EP4084721A4 (en) | 2019-12-31 | 2024-01-03 | Auris Health, Inc. | IDENTIFICATION OF AN ANATOMIC FEATURE AND AIMING |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1671427A (zh) * | 2002-07-30 | 2005-09-21 | 拉布寇特有限公司 | 支架涂覆装置 |
US20090088830A1 (en) * | 2007-02-15 | 2009-04-02 | Siemens Corporate Research, Inc. | System and method for intraoperative guidance of stent placement during endovascular interventions |
CN102016957A (zh) * | 2008-02-25 | 2011-04-13 | 发明医药有限公司 | 医疗训练方法及设备 |
CN102451036A (zh) * | 2010-10-22 | 2012-05-16 | 刘永安 | 一种由体外进行心腔内操作的医疗装置 |
WO2015089013A1 (en) * | 2013-12-09 | 2015-06-18 | Intuitive Surgical Operations, Inc. | Systems and methods for device-aware flexible tool registration |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998020927A1 (en) * | 1996-11-12 | 1998-05-22 | Valerian Voinov | The optimum expandable stent mechanical model and its application |
WO2004063988A1 (en) * | 2003-01-15 | 2004-07-29 | Koninklijke Philips Electronics N.V. | Image processing method for automatic adaptation of 3-d deformable model onto a subtantially tubular surface of a 3-d object |
CA2457171A1 (en) * | 2004-02-09 | 2005-08-09 | Centre Hospitalier De L'universite De Montreal - Chum | Imaging apparatus and methods |
JP5345782B2 (ja) | 2005-01-11 | 2013-11-20 | ヴォルケイノウ・コーポレーション | 血管情報取得装置 |
TWI548403B (zh) * | 2013-03-07 | 2016-09-11 | 國立成功大學 | 植牙植體路徑規劃方法及系統 |
US9189866B2 (en) | 2013-03-11 | 2015-11-17 | Kabushiki Kaisha Toshiba | Vascular tree from anatomical landmarks and a clinical ontology |
EP3035884B1 (en) * | 2013-08-13 | 2022-11-23 | Regents of the University of Minnesota | Computer visualization of anatomical items |
KR102266904B1 (ko) | 2014-05-09 | 2021-06-18 | 삼성전자주식회사 | 의료 영상 장치의 의료 영상 제공 방법 및 그 의료 영상 장치 |
GB201408582D0 (en) * | 2014-05-14 | 2014-06-25 | Ucl Business Plc | A system and method for computer-assisted planning of a trajectory for a surgical insertion into a skull |
US20150366628A1 (en) * | 2014-06-18 | 2015-12-24 | Covidien Lp | Augmented surgical reality environment system |
EP3622884A1 (en) * | 2014-07-24 | 2020-03-18 | Lightlab Imaging, Inc. | Stent and vessel visualization and diagnostic systems, devices, and methods |
KR101863240B1 (ko) * | 2015-01-28 | 2018-06-01 | 주식회사 인피니트헬스케어 | 스텐트 추천 시스템 및 방법 |
US9943627B2 (en) * | 2015-03-03 | 2018-04-17 | Yujie Zhou | Method of producing personalized biomimetic drug-eluting coronary stents by 3D-printing |
-
2016
- 2016-06-20 US US15/186,951 patent/US10806516B2/en active Active
-
2017
- 2017-06-12 EP EP17733233.5A patent/EP3472740B1/en active Active
- 2017-06-12 WO PCT/US2017/036952 patent/WO2017222849A1/en unknown
- 2017-06-12 EP EP21190731.6A patent/EP3937187A1/en active Pending
- 2017-06-12 CN CN201780038293.4A patent/CN109313940B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1671427A (zh) * | 2002-07-30 | 2005-09-21 | 拉布寇特有限公司 | 支架涂覆装置 |
US20090088830A1 (en) * | 2007-02-15 | 2009-04-02 | Siemens Corporate Research, Inc. | System and method for intraoperative guidance of stent placement during endovascular interventions |
CN102016957A (zh) * | 2008-02-25 | 2011-04-13 | 发明医药有限公司 | 医疗训练方法及设备 |
CN102451036A (zh) * | 2010-10-22 | 2012-05-16 | 刘永安 | 一种由体外进行心腔内操作的医疗装置 |
WO2015089013A1 (en) * | 2013-12-09 | 2015-06-18 | Intuitive Surgical Operations, Inc. | Systems and methods for device-aware flexible tool registration |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116127147A (zh) * | 2023-04-04 | 2023-05-16 | 吉林大学 | 医学数据存储方法、***、计算机设备及存储介质 |
CN116127147B (zh) * | 2023-04-04 | 2023-06-16 | 吉林大学 | 医学数据存储方法、***、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP3472740A1 (en) | 2019-04-24 |
WO2017222849A1 (en) | 2017-12-28 |
EP3472740B1 (en) | 2021-08-25 |
US10806516B2 (en) | 2020-10-20 |
CN109313940B (zh) | 2024-07-09 |
US20170360508A1 (en) | 2017-12-21 |
EP3937187A1 (en) | 2022-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109313940A (zh) | 医疗装置植入路径的虚拟评估 | |
Reyes et al. | On the interpretability of artificial intelligence in radiology: challenges and opportunities | |
Saranya et al. | A systematic review of Explainable Artificial Intelligence models and applications: Recent developments and future trends | |
Singh et al. | Explainable deep learning models in medical image analysis | |
US20210249142A1 (en) | Simulating abnormalities in medical images with generative adversarial networks | |
EP3576020A1 (en) | Methods for generating synthetic training data and for training deep learning algorithms for tumor lesion characterization, method and system for tumor lesion characterization, computer program and electronically readable storage medium | |
Zhu et al. | Anatomynet: Deep 3d squeeze-and-excitation u-nets for fast and fully automated whole-volume anatomical segmentation | |
CN108603922A (zh) | 自动心脏体积分割 | |
CN106537422A (zh) | 用于捕获信息内的关系的***和方法 | |
CN109003267A (zh) | 从3d图像自动检测目标对象的计算机实现方法和*** | |
US20180157928A1 (en) | Image analytics platform for medical data using expert knowledge models | |
Di Biasi et al. | A cloud approach for melanoma detection based on deep learning networks | |
Khan et al. | Knowledge distillation approach towards melanoma detection | |
Singh et al. | An introduction and review on machine learning applications in medicine and healthcare | |
CN116110597B (zh) | 一种基于数字孪生的患者病症类别智能分析方法及装置 | |
Naga Srinivasu et al. | Variational Autoencoders‐BasedSelf‐Learning Model for Tumor Identification and Impact Analysis from 2‐D MRI Images | |
Liu et al. | Using simulated training data of voxel-level generative models to improve 3D neuron reconstruction | |
da Cruz et al. | Enabling autonomous medical image data annotation: A human-in-the-loop reinforcement learning approach | |
Chotzoglou et al. | Exploring the relationship between segmentation uncertainty, segmentation performance and inter-observer variability with probabilistic networks | |
Heeneman et al. | Lung nodule detection by using Deep Learning | |
Townsend et al. | Discovering visual concepts and rules in convolutional neural networks | |
Vasilevski | Meta-learning for clinical and imaging data fusion for improved deep learning inference | |
Sui et al. | A pipeline for neuron reconstruction based on spatial sliding volume filter seeding | |
CN117616467A (zh) | 训练并使用深度学习算法来基于降维表示比较医学图像的方法 | |
Balasubramaniam et al. | Medical Image Analysis Based on Deep Learning Approach for Early Diagnosis of Diseases |
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 |