CN112132203B - 一种基于血管内超声图像的血流储备分数测量方法及*** - Google Patents
一种基于血管内超声图像的血流储备分数测量方法及*** Download PDFInfo
- Publication number
- CN112132203B CN112132203B CN202010986669.8A CN202010986669A CN112132203B CN 112132203 B CN112132203 B CN 112132203B CN 202010986669 A CN202010986669 A CN 202010986669A CN 112132203 B CN112132203 B CN 112132203B
- Authority
- CN
- China
- Prior art keywords
- intravascular ultrasound
- image
- flow reserve
- fractional flow
- ultrasound images
- 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
Classifications
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于血管内超声图像的血流储备分数测量方法及***,该方法包括:获取批量血管内超声图像并将批量血管内超声图像划分为训练集和验证集,得到训练集图像和验证集图像;基于训练集图像和验证集图像对预设模型进行优化,得到机器学习模型;获取待测血管内超声图像并进行图像特征提取,得到特征数据;将特征数据输入到机器学习模型,得到待测血管内超声图像的血流储备分数。该***包括:划分模块、优化模块、特征模块和输出模块。通过使用本发明,根据IVUS图像即可计算FFR值,并且具有准确率高和计算要求低的特点。本发明作为一种基于血管内超声图像的血流储备分数测量方法及***,可广泛应用于医学图像处理领域。
Description
技术领域
本发明医学图像处理领域,尤其涉及一种基于血管内超声图像的血流储备分数测量方法及***。
背景技术
血流储备分数(Fractional flow reserve,FFR)主要是冠脉狭窄下游血压与狭窄上游血压的比值,其比值越小反映狭窄对血流的影响程度越重,是当前有效应用于临床医学诊断的一个评估指标,是目前医学上定量、定点评估诊断冠脉生理状况和功能的重要手段,目前除了直接测量外,FFR值的获取的现有技术,主要包括两种,基于冠状动脉造影的FFR计算,基于OCT的FFR计算,这两种方法对于计算要求较高,不能很好的应用于临床。
发明内容
为了解决上述技术问题,本发明的目的是提供一种基于血管内超声图像的血流储备分数测量方法及***,实现了根据IVUS图像即可计算FFR值,具有较高的准确率和计算要求低的特点。
本发明所采用的第一技术方案是:一种基于血管内超声图像的血流储备分数测量方法,包括以下步骤:
获取批量血管内超声图像并将批量血管内超声图像划分为训练集和验证集,得到训练集图像和验证集图像;
基于训练集图像和验证集图像对预设模型进行优化,得到机器学习模型;
获取待测血管内超声图像并进行图像特征提取,得到特征数据;
将特征数据输入到机器学习模型,得到待测血管内超声图像的血流储备分数。
进一步,所述基于训练集图像和验证集图像对预设模型进行优化,得到机器学习模型这一步骤,其具体包括:
对训练集图像进行血流储备分数计算和特征提取处理,并结合深度学习算法训练预设模型,得到训练后模型;
对训练集图像进行血流储备分数计算和特征提取处理并输入到训练后模型,得到机器学习模型。
进一步,所述机器学习模型为一个自动编码器类型的网络架构,具体包括两层LSTM单元。
进一步,所述获取待测血管内超声图像并进行图像特征提取,得到特征数据这一步骤,其具体包括:
获取待测血管内超声图像并截取需要计算血流储备分数的对应帧图像;
根据对应帧图像得出特征向量并构建特征向量集合,得到特征数据。
进一步,不同层数的LSTM单元以不同的帧图像作为输入数据。
进一步,所述特征数据包括血流所处位置、血管内皮边界宽度、管腔半径、中膜与外弹性膜半径、动脉粥样硬化程度、外膜半径和旁支血管分布位置。
本发明所采用的第二技术方案是:一种基于血管内超声图像的血流储备分数测量***,包括以下模块:
划分模块,用于获取批量血管内超声图像并将批量血管内超声图像划分为训练集和验证集,得到训练集图像和验证集图像;
优化模块,用于基于训练集图像和验证集图像对预设模型进行优化,得到机器学习模型;
特征模块,用于获取待测血管内超声图像并进行图像特征提取,得到特征数据;
输出模块,用于将特征数据输入到机器学习模型,得到待测血管内超声图像的血流储备分数。
本发明方法及***的有益效果是:通过大量的训练集和验证集优化机器学习模型,通过基于优化的机器学习模型从IVUS图像提取出特征值,并将这些特征值结合神经网络来计算血流储备分数。
附图说明
图1是本发明一种基于血管内超声图像的血流储备分数测量方法的步骤流程图;
图2是本发明一种基于血管内超声图像的血流储备分数测量***的结构框图;
图3是本发明具体实施例第一层LSTM单元的体系结构示意图;
图4是本发明具体实施例第二层LSTM单元的体系结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示,本发明提供了一种基于血管内超声图像的血流储备分数测量方法,该方法包括以下步骤:
S1、获取批量血管内超声图像并将批量血管内超声图像划分为训练集和验证集,得到训练集图像和验证集图像;
S2、基于训练集图像和验证集图像对预设模型进行优化,得到机器学习模型;
S3、获取待测血管内超声图像并进行图像特征提取,得到特征数据;
S4、将特征数据输入到机器学习模型,得到待测血管内超声图像的血流储备分数。
具体地,血管内超声(intravenous ultrasound,IVUS)是指无创性的超声技术和有创性的导管技术相结合,使用末端连接有超声探针的特殊导管进行的医学成像技术。
进一步作为本方法的优选实施例,所述基于训练集图像和验证集图像对预设模型进行优化,得到机器学习模型这一步骤,其具体包括:
对训练集图像进行血流储备分数计算和特征提取处理,并结合深度学习算法训练预设模型,得到训练后模型;
对训练集图像进行血流储备分数计算和特征提取处理并输入到训练后模型,得到机器学习模型。
进一步作为本方法的优选实施例,所述机器学习模型为一个自动编码器类型的网络架构,具体包括两层LSTM单元。
具体地,所述LSTM单元具体采用ConvLSTM单元,标准LTSM在许多与文本和语音相关的任务中表现出出色的性能。为了处理时空数据,引入了convLSTM。在这里,隐藏状态和输入的完全连接的门相互作用被卷积层取代。
进一步作为本方法优选实施例,所述获取待测血管内超声图像并进行图像特征提取,得到特征数据这一步骤,其具体包括:
获取待测血管内超声图像并截取需要计算血流储备分数的对应帧图像;
根据对应帧图像得出特征向量并构建特征向量集合,得到特征数据。
进一步作为本方法优选实施例,不同层数的LSTM单元以不同的帧图像作为输入数据。
具体地,第一层LSTM单元的控制方程式如下,
在m时刻,LSTM的输入有三个:当前时刻网络的输入值xm、上一时刻LSTM的输出值hm-1、以及上一时刻的单元状态cm-1。而LSTM的主要思想是通过控制三个开关来进行长短时信息的学习,这三个开关包括1)负责控制继续保存长期状态c;2)负责控制把即时状态输入到长期状态c;3)负责控制是否把长期状态c作为当前的LSTM的输出。具体的,这三个开关由三个门控制,遗忘门:它决定了上一时刻的单元状态cm-1有多少保留到当前时刻cm;输入门:它决定了当前时刻网络的输入xm有多少保存到单元状态cm输出门:控制单元状态cm有多少输出到LSTM的当前输出值hm。具体的公式描述如下:
其中*是卷积算子,是Hadamard乘积,下标m表示时间步长,上标l表示层索引,x∈Rd是从I3D特征中提取的LSTM单元的输入向量,f∈Rh是忘门激活,即Rh是输入门的激活,o∈Rh是输出门的激活,c∈Rh是单元状态向量,h∈Rh是隐藏状态向量。W∈Rh×d,U∈Rh×h,b∈Rh是在训练期间学习的权重矩阵和偏差向量。LSTM的输入向量和隐藏状态向量的维分别为d和h,具体第一层LSTM单元的体系结构参照图3。
第二层LSTM单元的控制方程如下:
其中,下标n表示帧数,pc∈Rh是合并的小区状态向量,ph∈Rh是合并的隐藏状态向量。yc,yh,sc,sh是在合并功能模块内计算的潜在变量,具体第二层LSTM单元的体系结构参照图4。
具体地,可以看出,第一层LSTM单元的输入将是经过修改的I3D功能,而更高层LSTM单元的输入将来自通过合并前一层的k个LSTM单元和LSTM的LSTM来计算隐藏状态向量的模块和上一帧数的LSTM。不同的层从不同的帧数尺度捕获信息。较高层的单元状态是先前层单元状态的函数。因此,在最后一层计算的表示形式给出了完整图像集的紧凑表示形式。进而得出各图像对应帧数所对应的FFR数值。
进一步作为本方法优选实施例,所述特征数据包括血流所处位置、血管内皮边界宽度、管腔半径、中膜与外弹性膜半径、动脉粥样硬化程度、外膜半径和旁支血管分布位置。
具体地,血管进行IVUS检测后得到图像集可以截取所需要计算FFR值部分的局部血管长度所对应的帧数,从图像中得出各个特征向量。其中特征向量所成集合为,其中数据包括血流所处位置、血管内皮边界宽度、管腔半径、中膜与外弹性膜半径、动脉粥样硬化程度、外膜半径、旁支血管分布位置等。对应生成数据x、f、c、g、W、U、b等。
如图2所示,一种基于血管内超声图像的血流储备分数测量***,包括:
划分模块,用于获取批量血管内超声图像并将批量血管内超声图像划分为训练集和验证集,得到训练集图像和验证集图像;
优化模块,用于基于训练集图像和验证集图像对预设模型进行优化,得到机器学习模型;
特征模块,用于获取待测血管内超声图像并进行图像特征提取,得到特征数据;
输出模块,用于将特征数据输入到机器学习模型,得到待测血管内超声图像的血流储备分数。
上述方法实施例中的内容均适用于本***实施例中,本***实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (5)
1.一种基于血管内超声图像的血流储备分数测量方法,其特征在于,包括以下步骤:
获取批量血管内超声图像并将批量血管内超声图像划分为训练集和验证集,得到训练集图像和验证集图像;
基于训练集图像和验证集图像对预设模型进行优化,得到机器学习模型;
获取待测血管内超声图像并进行图像特征提取,得到特征数据;
将特征数据输入到机器学习模型,得到待测血管内超声图像的血流储备分数;
所述机器学习模型为一个自动编码器类型的网络架构,具体包括两层LSTM单元;
不同层数的LSTM单元以不同的帧图像作为输入数据;
第一层LSTM单元的控制方程式如下:
其中,*是卷积算子,是Hadamard乘积,下标m表示时间步长,上标l表示层索引,x∈Rd是从I3D特征中提取的LSTM单元的输入向量,f表示忘门激活,o表示输出门的激活,c表示单元状态向量,h表示隐藏状态向量,W、U和b是在训练期间学习的权重矩阵和偏差向量;
第二层LSTM单元的控制方程如下:
其中,下标n表示帧数,pc是合并的小区状态向量,ph是合并的隐藏状态向量,yc,yh,sc,sh是在合并功能模块内计算的潜在变量。
2.根据权利要求1所述一种基于血管内超声图像的血流储备分数测量方法,其特征在于,所述基于训练集图像和验证集图像对预设模型进行优化,得到机器学习模型这一步骤,其具体包括:
对训练集图像进行血流储备分数计算和特征提取处理,并结合深度学习算法训练预设模型,得到训练后模型;
对训练集图像进行血流储备分数计算和特征提取处理并输入到训练后模型,得到机器学习模型。
3.根据权利要求2所述一种基于血管内超声图像的血流储备分数测量方法,其特征在于,所述获取待测血管内超声图像并进行图像特征提取,得到特征数据这一步骤,其具体包括:
获取待测血管内超声图像并截取需要计算血流储备分数的对应帧图像;
根据对应帧图像得出特征向量并构建特征向量集合,得到特征数据。
4.根据权利要求3所述一种基于血管内超声图像的血流储备分数测量方法,其特征在于,所述特征数据包括血流所处位置、血管内皮边界宽度、管腔半径、中膜与外弹性膜半径、动脉粥样硬化程度、外膜半径和旁支血管分布位置。
5.一种基于血管内超声图像的血流储备分数测量***,其特征在于,包括以下模块:
划分模块,用于获取批量血管内超声图像并将批量血管内超声图像划分为训练集和验证集,得到训练集图像和验证集图像;
优化模块,用于基于训练集图像和验证集图像对预设模型进行优化,得到机器学习模型;
特征模块,用于获取待测血管内超声图像并进行图像特征提取,得到特征数据;
输出模块,用于将特征数据输入到机器学习模型,得到待测血管内超声图像的血流储备分数;
所述机器学习模型为一个自动编码器类型的网络架构,具体包括两层LSTM单元;
不同层数的LSTM单元以不同的帧图像作为输入数据;
第一层LSTM单元的控制方程式如下:
其中,*是卷积算子,是Hadamard乘积,下标m表示时间步长,上标l表示层索引,x∈Rd是从I3D特征中提取的LSTM单元的输入向量,f表示忘门激活,o表示输出门的激活,c表示单元状态向量,h表示隐藏状态向量,W、U和b是在训练期间学习的权重矩阵和偏差向量;
第二层LSTM单元的控制方程如下:
其中,下标n表示帧数,pc是合并的小区状态向量,ph是合并的隐藏状态向量,yc,yh,sc,sh是在合并功能模块内计算的潜在变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010986669.8A CN112132203B (zh) | 2020-09-18 | 2020-09-18 | 一种基于血管内超声图像的血流储备分数测量方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010986669.8A CN112132203B (zh) | 2020-09-18 | 2020-09-18 | 一种基于血管内超声图像的血流储备分数测量方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132203A CN112132203A (zh) | 2020-12-25 |
CN112132203B true CN112132203B (zh) | 2023-09-29 |
Family
ID=73841442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010986669.8A Active CN112132203B (zh) | 2020-09-18 | 2020-09-18 | 一种基于血管内超声图像的血流储备分数测量方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132203B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014205231A1 (en) * | 2013-06-19 | 2014-12-24 | The Regents Of The University Of Michigan | Deep learning framework for generic object detection |
CN108451540A (zh) * | 2017-02-17 | 2018-08-28 | 深圳先进技术研究院 | 一种血流储备分数测量方法和装置 |
CN110853029A (zh) * | 2017-11-15 | 2020-02-28 | 深圳科亚医疗科技有限公司 | 用于基于医学图像自动预测血流特征的方法、***和介质 |
CN110946619A (zh) * | 2019-11-27 | 2020-04-03 | 杨靖 | 血管内超声自动影像组学分析***及分析方法 |
CN111627017A (zh) * | 2020-05-29 | 2020-09-04 | 昆山戎影医疗科技有限公司 | 一种基于深度学习的血管管腔自动分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11514325B2 (en) * | 2018-03-21 | 2022-11-29 | The Regents Of The University Of California | Method and system for phase recovery and holographic image reconstruction using a neural network |
-
2020
- 2020-09-18 CN CN202010986669.8A patent/CN112132203B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014205231A1 (en) * | 2013-06-19 | 2014-12-24 | The Regents Of The University Of Michigan | Deep learning framework for generic object detection |
CN108451540A (zh) * | 2017-02-17 | 2018-08-28 | 深圳先进技术研究院 | 一种血流储备分数测量方法和装置 |
CN110853029A (zh) * | 2017-11-15 | 2020-02-28 | 深圳科亚医疗科技有限公司 | 用于基于医学图像自动预测血流特征的方法、***和介质 |
CN110946619A (zh) * | 2019-11-27 | 2020-04-03 | 杨靖 | 血管内超声自动影像组学分析***及分析方法 |
CN111627017A (zh) * | 2020-05-29 | 2020-09-04 | 昆山戎影医疗科技有限公司 | 一种基于深度学习的血管管腔自动分割方法 |
Non-Patent Citations (1)
Title |
---|
Learning physical properties in complex visual scenes: An intelligent machine for perceiving blood flow dynamics from static CT angiography imaging;Zhifan Gao 等;《Neural Networks》;第82-93页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112132203A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Joshi et al. | Detection and prediction of diabetes mellitus using back-propagation neural network | |
Mandic et al. | On the characterization of the deterministic/stochastic and linear/nonlinear nature of time series | |
KR102304339B1 (ko) | 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치 | |
CN108509823A (zh) | Qrs波群的检测方法及装置 | |
Lee et al. | Deep Boltzmann regression with mimic features for oscillometric blood pressure estimation | |
Kepp et al. | Segmentation of retinal low-cost optical coherence tomography images using deep learning | |
Liu et al. | Multi-scale ResNet and BiGRU automatic sleep staging based on attention mechanism | |
CN112132203B (zh) | 一种基于血管内超声图像的血流储备分数测量方法及*** | |
CN113171059B (zh) | 多模态监测信息的术后end风险预警及相关设备 | |
CN111370120A (zh) | 一种基于心音信号的心脏舒张功能障碍的检测方法 | |
US20240006069A1 (en) | Medical Event Prediction Using a Personalized Dual-Channel Combiner Network | |
Ramachandran et al. | Classification of Electrocardiography Hybrid Convolutional Neural Network‐Long Short Term Memory with Fully Connected Layer | |
Yang et al. | A deep learning method for intraoperative age-agnostic and disease-specific cardiac output monitoring from arterial blood pressure | |
Sinha et al. | Automated detection of coronary artery disease comparing arterial fat accumulation using CNN | |
Wang et al. | Neural network using for prediction spinal diseases | |
CN115177260A (zh) | 基于人工神经网络的智能心电心音诊断方法及装置 | |
CN111297388B (zh) | 一种血流储备分数测量装置 | |
KR20220075126A (ko) | 인공 신경망을 활용한 의료영상 세그멘테이션 및 분석방법 | |
Fakhry et al. | Comparison of window shapes and lengths in short-time feature extraction for classification of heart sound signals | |
Fu et al. | Agc-unet: a global context feature fusion method based on u-net for retinal vessel segmentation | |
Venkateswararao et al. | Distributed densely connected convolutional network approach on patient's metadata of dermoscopic images for early melanoma detection | |
Esteves et al. | Learning a reconnecting regularization term for blood vessel variational segmentation | |
Du et al. | Estimating residual stenosis for an arteriovenous shunt using a flexible fuzzy classifier | |
US20240138773A1 (en) | Sequentially-reduced artificial intelligence based systems and methods for cardiovascular transfer functions | |
CN113397511B (zh) | 血压测量方法及装置 |
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 |