CN113362958A - 治疗方案的应用后效果的预测方法及装置 - Google Patents
治疗方案的应用后效果的预测方法及装置 Download PDFInfo
- Publication number
- CN113362958A CN113362958A CN202110610876.8A CN202110610876A CN113362958A CN 113362958 A CN113362958 A CN 113362958A CN 202110610876 A CN202110610876 A CN 202110610876A CN 113362958 A CN113362958 A CN 113362958A
- Authority
- CN
- China
- Prior art keywords
- biological tissue
- target biological
- target
- sample
- characteristic data
- 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.)
- Pending
Links
- 238000011282 treatment Methods 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000000694 effects Effects 0.000 title claims abstract description 32
- 230000035790 physiological processes and functions Effects 0.000 claims abstract description 117
- 238000010801 machine learning Methods 0.000 claims abstract description 116
- 238000012549 training Methods 0.000 claims abstract description 34
- 230000003902 lesion Effects 0.000 claims description 76
- 238000011269 treatment regimen Methods 0.000 claims description 45
- 210000004204 blood vessel Anatomy 0.000 claims description 44
- 230000000877 morphologic effect Effects 0.000 claims description 21
- 230000002792 vascular Effects 0.000 claims description 16
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 13
- 230000036262 stenosis Effects 0.000 claims description 13
- 208000037804 stenosis Diseases 0.000 claims description 13
- 230000001225 therapeutic effect Effects 0.000 claims description 11
- 230000017531 blood circulation Effects 0.000 claims description 10
- 230000036772 blood pressure Effects 0.000 claims description 8
- 230000002490 cerebral effect Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 230000002308 calcification Effects 0.000 claims description 4
- 210000005259 peripheral blood Anatomy 0.000 claims description 4
- 239000011886 peripheral blood Substances 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 210000001519 tissue Anatomy 0.000 description 384
- 210000004351 coronary vessel Anatomy 0.000 description 30
- 230000011218 segmentation Effects 0.000 description 24
- 238000012545 processing Methods 0.000 description 14
- 230000008901 benefit Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 229940079593 drug Drugs 0.000 description 9
- 239000003814 drug Substances 0.000 description 9
- 239000000203 mixture Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000013146 percutaneous coronary intervention Methods 0.000 description 7
- 238000001356 surgical procedure Methods 0.000 description 7
- 210000003205 muscle Anatomy 0.000 description 5
- 238000004393 prognosis Methods 0.000 description 5
- 238000011477 surgical intervention Methods 0.000 description 5
- 238000012800 visualization Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000036285 pathological change Effects 0.000 description 3
- 231100000915 pathological change Toxicity 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011285 therapeutic regimen Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000002399 angioplasty Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000007721 medicinal effect Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioethics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种治疗方案的应用后效果的预测方法及装置，所述方法包括：获取样本生物组织的原始医学影像，并以样本生物组织的原始医学影像为基准，得到预设数据组成的样本生物组织的特征数据；以样本生物组织的特征数据为输入，并以样本生物组织的生理状态为目标输出，训练得到机器学习模型；获取目标生物组织的原始医学影像，并得到数据组成的目标生物组织的特征数据；获取治疗方案，并基于治疗方案修改目标生物组织的特征数据，得到目标生物组织的修改后特征数据；将目标生物组织的修改后特征数据输入机器学习模型，得到目标生物组织在应用治疗方案后的生理状态。本申请实施例能够为医疗领域中治疗方案相关的实践活动提供有力的支持。
Description
技术领域
本申请涉及智慧医疗领域，具体涉及一种治疗方案的应用后效果的预测方法及装置。
背景技术
在医疗领域中，对患者提出相应的治疗方案并实施，以改善患者的健康状态是医疗活动的一个根本目的。
现有技术中，治疗方案在提出后，治疗方案在应用后实际能取得的治疗效果总是依赖于医护人员的个人水平以及个人经验进行预测。这种情况难以保证治疗效果总是能够被准确预测，从而导致难以在整个医疗领域中维持高医疗水平以及高医疗效率。
发明内容
本申请的一个目的在于提出一种治疗方案的应用后效果的预测方法及装置，能够为医疗领域中治疗方案相关的实践活动提供有力的支持。
根据本申请实施例的一方面，公开了一种治疗方案的应用后效果的预测方法，所述方法包括：
获取样本生物组织的原始医学影像，并以所述样本生物组织的原始医学影像为基准，得到预设数据组成的所述样本生物组织的特征数据；
以所述样本生物组织的特征数据为输入，并以所述样本生物组织的生理状态为目标输出，训练得到用于预测生物组织的生理状态的机器学习模型；
获取目标生物组织的原始医学影像，并以所述目标生物组织的原始医学影像为基准，得到所述数据组成的所述目标生物组织的特征数据；
获取针对所述目标生物组织所设计的治疗方案，并基于所述治疗方案修改所述目标生物组织的特征数据，得到所述目标生物组织的修改后特征数据；
将所述目标生物组织的修改后特征数据输入所述机器学习模型，得到所述机器学习模型预测的所述目标生物组织在应用所述治疗方案后的生理状态。
根据本申请实施例的一方面，公开了一种治疗方案的应用后效果的预测装置，所述装置包括：
第一获取模块，配置为获取样本生物组织的原始医学影像，并以所述样本生物组织的原始医学影像为基准，得到预设数据组成的所述样本生物组织的特征数据；
训练模块，配置为以所述样本生物组织的特征数据为输入，并以所述样本生物组织的生理状态为目标输出，训练得到用于预测生物组织的生理状态的机器学习模型；
第二获取模块，配置为获取目标生物组织的原始医学影像，并以所述目标生物组织的原始医学影像为基准，得到所述数据组成的所述目标生物组织的特征数据；
第三获取模块，配置为获取针对所述目标生物组织所设计的治疗方案，并基于所述治疗方案修改所述目标生物组织的特征数据，得到所述目标生物组织的修改后特征数据；
预测模块，配置为将所述目标生物组织的修改后特征数据输入所述机器学习模型，得到所述机器学习模型预测的所述目标生物组织在应用所述治疗方案后的生理状态。
在本申请的一示例性实施例中，所述生物组织包括：心脏冠脉、脑血管以及外周血管。
在本申请的一示例性实施例中，所述装置配置为：
以所述样本生物组织的特征数据为输入，并以所述样本生物组织的生理状态为目标输出，训练所述机器学习模型通过执行分类任务，预测所述样本生物组织的生理状态所属优劣等级。
在本申请的一示例性实施例中，所述装置配置为：
以所述样本生物组织的特征数据为输入，并以所述样本生物组织的生理状态为目标输出，训练所述机器学习模型通过执行回归任务，对所述样本生物组织的生理状态进行预测并参数化。
在本申请的一示例性实施例中，所述生物组织的生理状态包括：所述生物组织在形态特征上的信息以及所述生物组织在功能特征上的信息。
在本申请的一示例性实施例中，所述生物组织为血管，所述生物组织在形态特征上的信息包括：血管狭窄率、血管最小管腔面积、血管外壁直径、血管内壁直径、血管直径与参考直径之间的比值；
所述生物组织在功能特征上的信息包括：血流储备分数FFR、血压、血流量、血管阻力值、血管壁面剪切力、血管轴向斑块应力APS。
在本申请的一示例性实施例中，所述装置配置为：
响应于终端界面触发的针对所述治疗方案的设计操作，获取所述治疗方案。
在本申请的一示例性实施例中，预设数据组成的所述样本生物组织的特征数据包括：所述样本生物组织的原始医学影像；
所述数据组成的所述目标生物组织的特征数据包括：所述目标生物组织的原始医学影像。
在本申请的一示例性实施例中，所述装置配置为：
基于所述治疗方案修改所述目标生物组织的原始医学影像，得到所述目标生物组织的修改后医学影像，并将所述目标生物组织的修改后医学影像作为所述目标生物组织的修改后特征数据。
在本申请的一示例性实施例中，所述装置配置为：
从所述样本生物组织的原始医学影像中提取出所述样本生物组织的几何信息，所得到的所述样本生物组织的特征数据包含有所述样本生物组织的几何信息；
从所述目标生物组织的原始医学影像中提取出所述目标生物组织的几何信息，所得到的所述目标生物组织的特征数据包含有所述目标生物组织的几何信息。
在本申请的一示例性实施例中，所述装置配置为：
基于所述治疗方案修改所述目标生物组织的几何信息，得到所述目标生物组织的修改后几何信息；
基于所述目标生物组织的修改后几何信息，得到所述目标生物组织的修改后特征数据，其中，所述目标生物组织的修改后特征数据包含有所述目标生物组织的修改后几何信息。
在本申请的一示例性实施例中，所述装置配置为：
从所述样本生物组织的原始医学影像中提取出所述样本生物组织的病变信息，所得到的所述样本生物组织的特征数据包含有所述样本生物组织的病变信息；
从所述目标生物组织的原始医学影像中提取出所述目标生物组织的病变信息，所得到的所述目标生物组织的特征数据包含有所述目标生物组织的病变信息。
在本申请的一示例性实施例中，所述装置配置为：
基于所述治疗方案修改所述目标生物组织的病变信息，得到所述目标生物组织的修改后病变信息；
基于所述目标生物组织的修改后病变信息，得到所述目标生物组织的修改后特征数据，其中，所述目标生物组织的修改后特征数据包含有所述目标生物组织的修改后病变信息。
在本申请的一示例性实施例中，所述病变信息包括：狭窄率信息、病变类型信息、病变区域信息、病变尺寸信息、病变纹理信息、钙化分数。
在本申请的一示例性实施例中，所述装置配置为：
计算所述治疗方案的成本；
基于所述目标生物组织在应用所述治疗方案后的生理状态，预估所述治疗方案的治疗成效；
基于所述治疗方案的成本以及所述治疗方案的治疗成效，对所述治疗方案进行评估。
在本申请的一示例性实施例中，所述装置配置为：
将所述治疗方案以及所述目标生物组织在应用所述治疗方案后的生理状态进行可视化展示。
根据本申请实施例的一方面，公开了一种电子设备，包括：存储器，存储有计算机可读指令；处理器，读取存储器存储的计算机可读指令，以执行以上权利要求中的任一个所述的方法。
根据本申请实施例的一方面，公开了一种计算机程序介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行以上权利要求中的任一个所述的方法。
根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的方法。
本申请实施例中，以样本生物组织的生理状态为目标输出对机器学习模型进行训练，使得该机器学习模型训练完成后，该机器学习模型针对目标生物组织预测的生理状态，在实践操作上具备高度的参考价值。具体的，医护人员在提出治疗方案后，通过本申请提供的方法，能够预测各个治疗方案的治疗效果，从而能够为医疗领域中治疗方案相关的实践活动提供有力的支持。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。
附图说明
通过参考附图详细描述其示例实施例，本申请的上述和其它目标、特征及优点将变得更加显而易见。
图1示出了根据本申请一个实施例的治疗方案的应用后效果的预测方法的流程图。
图2示出了根据本申请一个实施例的机器学习模型的训练示意图。
图3示出了根据本申请一个实施例的可视化处理结果的示意图。
图4示出了根据本申请一个实施例的治疗方案的应用后效果的预测在实践操作过程中的简要示意图。
图5示出了根据本申请一个实施例的治疗方案的应用后效果的预测在实践操作过程中的详细示意图。
图6示出了根据本申请一个实施例的治疗方案的应用后效果的预测装置的框图。
图7示出了根据本申请一个实施例的电子设备的硬件图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些示例实施方式使得本申请的描述将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本申请的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多示例实施方式中。在下面的描述中，提供许多具体细节从而给出对本申请的示例实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、步骤等。在其它情况下，不详细示出或描述公知结构、方法、实现或者操作以避免喧宾夺主而使得本申请的各方面变得模糊。
附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本申请提供了一种治疗方案的应用后效果的预测方法，主要应用于医疗领域中，预测治疗方案应用于生物组织后生物组织的生理状态。从而可以在此基础上为评估针对生物组织所设计的治疗方案提供参考。
在详细描述本申请实施例的具体实施过程之前，首先对本申请涉及的部分概念进行简要解释。
生物组织，指的是生物的功能组织。一般的，生物组织指的是人体的功能组织。例如：人体的血管组织、人体的肌肉组织、人体的脑组织等。
样本生物组织，指的是用于训练机器学习模型的生物组织。目标生物组织，指的是作为所设计治疗方案的目标的生物组织。
医学影像，指的是在医疗领域中所取得的生物组织的影像。医学影像通常以DICOM(Digital Imaging and Communications in Medicine，医学数字成像和通信)文件的形式存在。常见的医学影像包括但不限于：CT(Computed Tomography，电子计算机断层扫描)影像，NMRI(Nuclear Magnetic Resonance Imaging，核磁共振成像)影像。
生物组织的生理状态，指的是生物组织在生理层面所处的状态。例如：当生物组织指的是血管时，生物组织的生理状态可以为血管狭窄率的状态，也可以为血流量的状态，也可以为血压的状态等。
治疗方案，指的是目的在于改善生物组织的生理状态的方案。例如：在冠脉的左前降支LAD出现血流量异常偏低的情况。针对该LAD的治疗方案，其目的可以在于提高该LAD的血流量。
图1示出了本申请一实施例的治疗方案的应用后效果的预测方法的流程图。该方法包括：
步骤S110、获取样本生物组织的原始医学影像，并以样本生物组织的原始医学影像为基准，得到预设数据组成的样本生物组织的特征数据；
步骤S120、以样本生物组织的特征数据为输入，并以样本生物组织的生理状态为目标输出，训练得到用于预测生物组织的生理状态的机器学习模型；
步骤S130、获取目标生物组织的原始医学影像，并以目标生物组织的原始医学影像为基准，得到该数据组成的目标生物组织的特征数据；
步骤S140、获取针对该目标生物组织所设计的治疗方案，并基于该治疗方案修改该目标生物组织的特征数据，得到该目标生物组织的修改后特征数据；
步骤S150、将该目标生物组织的特征数据输入机器学习模型，得到机器学习模型预测的该目标生物组织在应用该治疗方案后的生理状态。
本申请实施例中，针对已确定生理状态的样本生物组织，获取到该样本生物组织的原始医学影像后，以该样本生物组织的原始医学影像为基准，得到预设数据组成的样本生物组织的特征数据。
进而以该样本生物组织的特征数据为机器学习模型的输入，并以该样本生物组织的生理状态为该机器学习的目标输出，对该机器学习模型进行训练。训练得到的机器学习模型，能够根据所输入的该数据组成的生物组织的特征数据，预测出对应生物组织的生理状态。
进而针对待预测所设计治疗方案应用于其上后的生理状态的目标生物组织，获取到该目标生物组织的原始医学影像后，以该目标生物组织的原始医学影像为基准，得到该数据组成的目标生物组织的特征数据。其中，样本生物组织的原始医学影像与目标生物组织的原始医学影像均既可以是二维的，也可以是三维的。
获取针对该目标生物组织所设计的治疗方案，并基于该治疗方案修改该目标生物组织的特征数据，得到该目标生物组织的修改后特征数据。其中，该治疗方案可以为人工针对该目标生物组织所设计的，也可以为基于人工智能针对该目标生物组织所设计的。
进而将该目标生物组织的修改后特征数据输入该机器学习模型，从而得到该机器学习模型预测的该目标生物组织在应用该治疗方案后的生理状态。
由此可见，本申请实施例中，以样本生物组织的生理状态为目标输出对机器学习模型进行训练，使得该机器学习模型训练完成后，该机器学习模型针对目标生物组织预测的生理状态，在实践操作上具备高度的参考价值。具体的，医护人员在提出治疗方案后，通过本申请提供的方法，能够预测各个治疗方案的治疗效果，从而能够为医疗领域中治疗方案相关的实践活动提供有力的支持。
本申请实施例所提供的治疗方案的应用后效果的预测方法，可用于针对血管，预测治疗方案应用后的血管的生理状态；也可用于针对肌肉，预测治疗方案应用后的肌肉的生理状态；也可以用于针对组织功能上相互关联的血管与肌肉，预测治疗方案应用后的血管的生理状态以及肌肉的生理状态。
在一实施例中，生物组织包括：心脏冠脉、脑血管以及外周血管。
该实施例中，通过训练完成的机器学习模型，可以针对心脏冠脉，预测得到治疗方案应用后的心脏冠脉的生理状态；也可以针对脑血管，预测得到治疗方案应用后的脑血管的生理状态；也可以针对外周血管，预测得到治疗方案应用后的外周血管的生理状态。
需要说明的是，出于简要说明的目的，后续对本申请实施例所作描述中，会将“生物组织的生理状态”简称为“生理状态”。
图2示出了本申请一实施例的机器学习模型的训练示意图。
该实施例中，用于生理状态的机器学习模型为深度神经网络结构。训练所用原始医学影像为样本冠脉的原始医学影像。
训练过程中：预先标注样本冠脉的生理状态，得到如图所示的人工标注。以样本冠脉的原始医学影像为基准，得到样本冠脉的原始医学影像的特征数据，进而将该特征数据输入该深度神经网络。该深度神经网络预测该样本冠脉的生理状态，得到如图所示的预测结果。进而将预测结果与人工标注之间的误差反馈至该神经网络，对该神经网络进行更新，使得该神经网络朝着误差减小的方向演进。
通过这种训练方式，得到能够精准预测治疗方案以及对应的生理状态的机器学习模型。
在一实施例中，预设数据组成包括：生物组织的原始医学影像。即，机器学习模型的输入可以仅为生物组织的原始医学影像。
该实施例中，预设数据组成的样本生物组织的特征数据包括：样本生物组织的原始医学影像。该数据组成的目标生物组织的特征数据包括：目标生物组织的原始医学影像。
具体的，可以仅以样本生物组织的原始医学影像为输入，并以该样本生物组织的生理状态为目标输出，训练得到机器学习模型。训练后的该机器学习模型可以仅以生物组织的原始医学影像为输入，进而预测对应生物组织的生理状态。
在一实施例中，机器学习模型的输入可以仅为生物组织的原始医学影像。基于治疗方案修改目标生物组织的特征数据，得到该目标生物组织的修改后特征数据，包括：基于治疗方案修改目标生物组织的原始医学影像，得到该目标生物组织的修改后医学影像，并将该目标生物组织的修改后医学影像作为该目标生物组织的修改后特征数据。
具体的，基于所设计的治疗方案可以仅修改目标生物组织的原始医学影像，进而将所得到的目标生物组织的修改后原始医学影像作为机器学习模型的输入，得到该机器学习模型预测的该目标生物组织在应用该治疗方案后的生理状态。
在一实施例中，基于治疗方案修改目标生物组织的原始医学影像的亮度值，得到该目标生物组织的修改后医学影像。
在一实施例中，基于治疗方案修改目标生物组织的原始医学影像的纹理，得到该目标生物组织的修改后医学影像。
在一实施例中，预设数据组成包括：生物组织的几何信息。即，机器学习模型的输入可以仅为生物组织的几何信息。
该实施例中，从样本生物组织的原始医学影像中提取出样本生物组织的几何信息，所得到的样本生物组织的特征数据包含有样本生物组织的几何信息。从目标生物组织的原始医学影像中提取出目标生物组织的几何信息，所得到的目标生物组织的特征数据包含有目标生物组织的几何信息。
具体的，可以仅以样本生物组织的几何信息为输入，并以该样本生物组织的生理状态为目标输出，训练得到机器学习模型。训练后的该机器学习模型可以仅以生物组织的几何信息为输入，进而预测对应生物组织的生理状态。为使得该机器学习模型可以预测目标生物组织在应用治疗方案后的生理状态，从目标生物组织的原始医学影像中提取出目标生物组织的几何信息。
该实施例的优点在于，通过将几何信息输入机器学习模型，提高了所输入信息对生物组织的特征表达能力，从而提高了机器学习模型的预测准确度。
在一实施例中，对原始医学影像进行区域分割，得到感兴趣区域的影像。进而从感兴趣区域的影像中提取出对应的几何信息。
具体的，由于作为治疗方案对象的生物组织的原始医学影像除了包含有该生物组织外，通常还包含有该生物组织周围的其他组织。因此，通过区域分割，可定位生物组织所在的更为精准的感兴趣区域。例如：作为治疗方案对象的生物组织为冠脉。通过显影剂造影所得到的冠脉的原始医学影像，除了包含有冠脉，还包含有冠脉周围的心肌、心室、心房。通过区域分割，精准定位冠脉所在的感兴趣区域。进而从该感兴趣区域中提取出冠脉的几何信息。
在一实施例中，采用基于阈值的分割算法，对原始医学影像进行区域分割。
具体的，根据原始医学影像的图像强度，选取出与作为治疗方案对象的生物组织相匹配的图像强度阈值区间。进而根据所选取的图像强度阈值区间，将原始医学影像分割为前景和背景。所分割出的前景即为感兴趣区域。
在一实施例中，采用基于滤波的分割算法，对原始医学影像进行区域分割。
具体的，使用预设的滤波器对原始医学影像进行滤波处理，进而在经过滤波处理过的图像上通过曲线拟合定位感兴趣区域的边界。进而基于感兴趣区域的边界，将原始医学影像分割为前景和背景。所分割出的前景即为感兴趣区域。其中，所使用的滤波器包括但不限于：中值滤波器、均值滤波器、双边滤波器、Frangi滤波器、高斯滤波器、拉普拉斯滤波器、Sobel滤波器等。
在一实施例中，采用基于机器学习方法的分割算法，对原始医学影像进行区域分割。
具体的，该实施例中的机器学习方法主要分为两类：一类是诸如随机森林法、贝叶斯法、多层感知机、支持向量机等传统的机器学习方法，另一类是诸如CNN、RNN、Transformer等深度学习方法。
对采用机器学习方法以执行区域分割任务的分割模型进行训练，得到训练完成的分割模型后，采用该分割模型对原始医学影像进行区域分割。
在一实施例中，对训练分割模型所使用的原始医学影像或中间网络影像进行数据批标准化(Batch Normalization)。
具体的，对训练所使用的原始医学影像或中间网络影像进行数据处理，使其灰度值符合均值为0、方差为1的正态分布，进而对处理后的影像进行缩放和平移。
该实施例的优点在于，通过数据批标准化处理，去除了原始医学影像中的冗余信息，从而提高了机器学习模型的预测准确度以及鲁棒性。
在一实施例中，对训练分割模型所使用的原始医学影像进行数据扩增(dataaugmentation)。
具体的，对训练所使用的原始医学影像，进行诸如平移、旋转、镜像、亮度变化、增加噪声以及缩放等处理，从而实现对原始医学影像的扩增。
该实施例的优点在于，通过数据扩增处理，增加了机器学习模型训练的样本量，从而提高了机器学习模型训练的预测准确度以及鲁棒性。
在一实施例中，该分割模型为采用深度学习方法的深度神经网络。
该实施例中，预先在用于训练该分割模型的原始医学影像中标注出感兴趣区域。进而将这些原始医学影像输入该分割模型，由该分割模型在这些原始医学影像中预测出感兴趣区域。进而将所预测感兴趣区域与所标注感兴趣区域之间的误差反馈至该分割模型，更新该分割模型的神经网络参数，使得该分割模型朝着误差减小的方向演进。从而得到训练完成的能够精准分割出感兴趣区域的分割模型。
在一实施例中，将分割出的感兴趣区域直接作为生物组织的几何信息。
在一实施例中，对分割出的感兴趣区域中的连通域进行平滑处理，进而在所得到平滑连通域的基础上提取出生物组织的几何信息。
在一实施例中，在分割出的感兴趣区域中，生成生物组织的中心线以及轮廓。进而基于所生成的中心线以及轮廓，对该感兴趣区域进行插值处理，技术得到诸如体积、直径、长度、分叉位置、分叉角度等生物组织的几何信息。
具体的，生成中心线所采用方法包括但不限于：最小代价路径(minimal costpath)方法、区域增长(region growth)方法、骨架化(skeleton)方法、基于人工智能的方法等。
生成轮廓所采用方法包括但不限于：滤波法、梯度法、基于人工智能的方法等。
该实施例的优点在于，通过生成中心线以及轮廓，使得在此基础上所提取得到的几何信息更为丰富精细，从而提高了机器学习模型的预测准确度。
在一实施例中，机器学习模型的输入可以仅为生物组织的几何信息。输入机器学习模型的目标生物组织的修改后特征数据可以仅为目标生物组织的修改后几何信息。
该实施例中，基于治疗方案修改目标生物组织的几何信息，得到目标生物组织的修改后几何信息。基于目标生物组织的修改后几何信息，得到目标生物组织的修改后特征数据，其中，目标生物组织的修改后特征数据包含有目标生物组织的修改后几何信息。
具体的，基于所设计的治疗方案可以仅修改目标生物组织的几何信息，进而将所得到的目标生物组织的修改后几何信息作为机器学习模型的输入，得到该机器学习模型预测的该目标生物组织在应用该治疗方案后的生理状态。
在一实施例中，基于治疗方案修改目标生物组织的面积信息，得到该目标生物组织的修改后几何信息。
在一实施例中，基于治疗方案修改目标生物组织的直径信息，得到该目标生物组织的修改后几何信息。
在一实施例中，预设数据组成包括：生物组织的病变信息。即，机器学习模型的输入可以仅为生物组织的病变信息。
该实施例中，从样本生物组织的原始医学影像中提取出样本生物组织的病变信息，所得到的样本生物组织的特征数据包含有样本生物组织的病变信息。从目标生物组织的原始医学影像中提取出目标生物组织的病变信息，所得到的目标生物组织的特征数据包含有目标生物组织的病变信息。
具体的，可以仅以样本生物组织的病变信息为输入，并以该样本生物组织的生理状态为目标输出，训练得到机器学习模型。训练后的该机器学习模型可以仅以生物组织的病变信息为输入，进而预测对应生物组织的生理状态。为使得该机器学习模型可以预测目标生物组织在应用治疗方案后的生理状态，从目标生物组织的原始医学影像中提取出目标生物组织的病变信息。
该实施例的优点在于，通过将病变信息输入机器学习模型，提高了所输入信息对生物组织的特征表达能力，从而提高了机器学习模型的预测准确度。并且，由于病变信息是更高维的特征，通过病变信息预测出的结果，具有更好的可解释性，拓宽了预测结果的应用范围。
在一实施例中，机器学习模型的输入可以仅为生物组织的病变信息。输入机器学习模型的目标生物组织的修改后特征数据可以仅为目标生物组织的修改后病变信息。
该实施例中，基于治疗方案修改目标生物组织的病变信息，得到目标生物组织的修改后病变信息。基于目标生物组织的修改后病变信息，得到目标生物组织的修改后特征数据，其中，目标生物组织的修改后特征数据包含有目标生物组织的修改后病变信息。
具体的，基于所设计的治疗方案可以仅修改目标生物组织的病变信息，进而将所得到的目标生物组织的修改后病变信息作为机器学习模型的输入，得到该机器学习模型预测的该目标生物组织在应用该治疗方案后的生理状态。
在一实施例中，病变信息包括：狭窄率信息、病变类型信息、病变区域信息、病变尺寸信息、病变纹理信息、钙化分数。
需要说明的是，该实施例所展示的病变信息只是示例性的，并不代表本申请只适用于该实施例所展示的病变信息。该实施例不应对本申请的功能和使用范围造成限制。
在一实施例中，基于治疗方案修改目标生物组织的狭窄率信息，得到该目标生物组织的修改后病变信息。
在一实施例中，基于治疗方案修改目标生物组织的病变尺寸信息，得到该目标生物组织的修改后病变信息。
在一实施例中，预设数据组成包括：生物组织的原始医学影像以及从该生物组织的几何信息。即，机器学习模型的输入可以仅为生物组织的原始医学影像以及对应的几何信息。
在一实施例中，预设数据组成包括：生物组织的原始医学影像以及该生物组织的病变信息。即，机器学习模型的输入可以仅为生物组织的原始医学影像以及对应的病变信息。
在一实施例中，预设数据组成包括：生物组织的几何信息以及该生物组织的病变信息。即，机器学习模型的输入可以仅为生物组织的几何信息以及对应的病变信息。
在一实施例中，预设数据组成包括：生物组织的原始医学影像、该生物组织的几何信息以及该生物组织的病变信息。即，机器学习模型的输入可以为生物组织的原始医学影像、对应的几何信息以及对应的病变信息。
由此可见，本申请实施例中的数据组成十分灵活。医疗实践的过程中，以修改后原始医学影像、对应的修改后几何信息以及对应的修改后病变信息中的至少一者为输入，即可预测生物组织在应用治疗方案后的生理状态。
在一实施例中，机器学习模型通过执行分类任务预测生理状态。
该实施例中，得到预设数据组成的样本生物组织的特征数据后，以样本生物组织的特征数据为输入，并以样本生物组织的生理状态为目标输出，训练机器学习模型通过执行分类任务，预测样本生物组织的生理状态所属优劣等级。
具体的，获取到样本生物组织的生理状态后，对样本生物组织的生理状态进行分类，得到样本生物组织的生理状态所属优劣等级。进而在此基础上训练机器学习模型通过执行分类任务，使得机器学习模型能够精准预测目标生物组织在应用治疗方案后的生理状态所属优劣等级。
在一实施例中，机器学习模型通过执行回归任务预测治疗方案以及生理状态。
该实施例中，得到预设数据组成的样本生物组织的特征数据后，以样本生物组织的特征数据为输入，并以样本生物组织的生理状态为目标输出，训练机器学习模型通过执行回归任务，对样本生物组织的生理状态的特征进行预测并参数化。
具体的，获取到样本生物组织的生理状态后，将生理状态的特征进行参数化(例如：将生理状态的特征表示为另一个向量)，得到以具体参数表示的生理状态。进而在此基础上训练机器学习模型通过执行回归任务，使得机器学习模型能够精准预测参数化的生物组织的生理状态。
在一实施例中，治疗方案为人工针对该目标生物组织所设计的。
该实施例中，响应于终端界面触发的针对治疗方案的设计操作，获取该治疗方案。
具体的，在终端界面向用户提供操作接口，使得用户可以通过该操作接口于终端界面对治疗方案进行设计操作。进而响应于该设计操作，获取用户所设计的治疗方案。
在一实施例中，所设计的治疗方案包括：药物治疗方案以及手术治疗方案。其中，药物治疗方案的类别包括：药物的类别。手术治疗方案的类别包括：手术介入方式的类别、手术耗材的类别以及手术所作用生物组织区域的类别。
该实施例中，对治疗方案所作分类主要分为两大类：通过药物手段进行治疗的药物治疗方案、通过手术手段进行治疗的手术治疗方案。
其中，药物治疗方案主要根据治疗所采用药物的类别进一步分类。
手术治疗方案可以根据手术介入方式的类别进一步分类，也可以根据手术耗材的类别进一步分类，也可以根据手术所作用生物组织区域的类别进一步分类。
在一实施例中，当生物组织为血管时，手术介入方式的类别主要包括：支架植入术、球囊扩张术(也称球囊成形术)、血管搭桥术(也称血管旁路移植术)、血管旋磨术等。
需要说明的是，该实施例所展示的手术介入方式的类别只是示例性的，并不代表本申请只适用于该实施例所展示的手术介入方式的类别。该实施例不应对本申请的功能和使用范围造成限制。
在一实施例中，手术耗材的类别主要包括：手术耗材的形态类别、手术耗材的规格类别等。
在一实施例中，当生物组织为血管时，手术耗材的类别主要包括：支架的规格、球囊的规格、旋磨头的规格等。
需要说明的是，该实施例所展示的手术耗材的类别只是示例性的，并不代表本申请只适用于该实施例所展示的手术耗材的类别。该实施例不应对本申请的功能和使用范围造成限制。
在一实施例中，当生物组织为血管时，手术所作用生物组织区域的类别主要包括：支架放置的区域、球囊扩张的区域、搭桥的区域、旋磨的区域等。
需要说明的是，该实施例所展示的手术所作用生物组织区域的类别只是示例性的，并不代表本申请只适用于该实施例所展示的手术所作用生物组织区域的类别。该实施例不应对本申请的功能和使用范围造成限制。
在一实施例中，生物组织的生理状态包括：生物组织在形态特征上的信息以及生物组织在功能特征上的信息。
该实施例中，获取到样本生物组织的生理状态后，将样本生物组织的生理状态按照形态特征以及功能特征进行划分，得到样本生物组织在形态特征上的信息以及在功能特征上的信息。进而以样本生物组织的特征数据为输入，以实际样本生物组织在形态特征上的信息以及在功能特征上的信息为目标输出对机器学习模型进行训练，使得机器学习模型能够精准预测生物组织在形态特征上的信息以及在功能特征上的信息。
进而将目标生物组织的修改后特征数据输入该机器学习模型，从而得到该机器学习模型预测的该目标生物组织在应用治疗方案后的在形态特征上的信息以及在功能特征上的信息。
该实施例的优点在于，将形态学与功能学结合在一起对机器学习模型进行训练，使得机器学习模型针对应用了治疗方案的目标生物组织的预测结果能够提供更为丰富的预后信息，具有更高的参考价值。
在一实施例中，样本生物组织以及目标生物组织均为血管。
生物组织在形态特征上的信息包括：血管狭窄率、血管最小管腔面积、血管外壁直径、血管内壁直径、血管直径与参考直径之间的比值。
生物组织在功能特征上的信息包括：血流储备分数FFR、血压、血流量、血管阻力值、血管壁面剪切力、血管轴向斑块应力APS。
该实施例中，用于训练机器学习模型的样本生物组织为血管。训练机器学习模型时，该机器学习模型的目标输出中，样本生物组织在形态特征上的信息包括：血管狭窄率、血管最小管腔面积、血管外壁直径、血管内壁直径、血管直径与参考直径之间的比值中的任意一项或任意多项，样本生物组织在功能特征上的信息包括：FFR、血压、血流量、血管阻力值、血管壁面剪切力、APS中的任意一项或任意多项。
进而将目标生物组织的修改后特征数据输入训练完成的机器学习模型后，该机器学习模型预测出该目标生物组织在应用治疗方案后的在形态特征上的预后信息以及在功能特征上的预后信息。
其中，目标生物组织在形态特征上的预后信息与样本生物组织在形态特征上的信息，信息项目保持一致。目标生物组织在功能特征上的预后信息与样本生物组织在功能特征上的信息，信息项目亦保持一致。即，若训练机器学习模型时样本生物组织在形态特征上的信息为血管狭窄率以及血管最小管腔面积，则机器学习模型预测出的目标样本生物组织在形态特征上的预后信息亦为血管狭窄率以及血管最小管腔面积。若训练机器学习模型时样本生物组织在功能特征上的信息为血压以及血流量，则机器学习模型预测出的目标样本生物组织在功能特征上的预后信息亦为血压以及血流量。
需要说明的是，该实施例所展示的形态特征以及功能特征只是示例性的，并不代表本申请只适用于该实施例所展示的形态特征以及功能特征。该实施例不应对本申请的功能和使用范围造成限制。
在一实施例中，基于应用于目标生物组织的治疗方案，以及在应用治疗方案后的目标生物组织的生理状态，对该治疗方案进行评估。
该实施例中，得到预测的目标生物组织在应用治疗方案后的生理状态后，对该治疗方案进行评估，以评估治疗方案在实践中的可操作性或者实施效果或者实施成本等。
该实施例的优点在于，当治疗方案有多个时，可以在得到的评估结果基础上对这些治疗方案进行优劣比较，并给出各治疗方案的推荐等级，从而进一步提高所得到预测结果的参考价值。
在一实施例中，计算治疗方案的成本。基于治疗方案应用后的生理状态，预估治疗方案的治疗成效。基于治疗方案的成本以及治疗方案的治疗成效，对治疗方案进行评估。
该实施例中，计算治疗方案的成本。其中，治疗方案的成本主要来源于两部分：药物成本以及手术成本。手术成本包括但不限于：手术耗材的成本、手术所需人力的成本。
基于目标生物组织在应用该治疗方案后的生理状态，预估该治疗方案的治疗成效。其中，治疗成效可采用分数进行描述，分数越高，说明治疗成效越好。并且，治疗成效可根据与治疗方案对应的生理状态与健康生理状态之间的差距进行衡量。治疗方案对应的生理状态与健康生理状态之间的差距越小，对应的治疗成效越好，对应的分数越高。
进而综合考虑成本以及治疗成效，对该治疗方案进行评估。
在一实施例中，将治疗方案以及目标生物组织在应用治疗方案后的生理状态进行可视化展示。
该实施例中，对治疗方案以及对应的生理状态进行可视化处理，并进行展示。
具体的，可视化处理结果可以直接于目标生物组织的原始医学影像中进行展示。
也可以基于目标生物组织的原始医学影像，对目标生物组织进行三维重建，得到目标生物组织的三维模型，进而将可视化处理结果与目标生物组织的三维模型中进行展示。
该实施例的优点在于，可以在医护人员提出了治疗方案的情况下，通过将治疗方案以及对应的生理状态进行可视化处理，更有效地展示出治疗方案以及对应的治疗效果，从而提高了医护人员对目标生物组织的治疗效率。
图3示出了本申请一实施例的可视化处理结果的示意图。
该实施例中，目标生物组织为冠脉。针对该冠脉设计有四个治疗方案，通过机器学习模型的预测，得到各治疗方案应用于该冠脉后对应的生理状态。该图主要展示各治疗方案在冠脉中放置支架的位置，以及在放置支架后冠脉各段的血流储备分数FFR。
该图中，冠脉中颜色深浅不同的两个区域，代表该两个区域的FFR不同。PCI A指的是以经皮冠状动脉介入术(percutaneous coronary intervention)在位置A放置一个支架，PCI B指的是以经皮冠状动脉介入术在位置B放置一个支架。
该图最左侧一列所展示内容：代号RX001的机器学习模型预测得到，若不对该冠脉进行介入治疗，则该冠脉中位置A至位置B之间区域的FFR将发展为0.65，该冠脉位置B至末梢之间区域的FFR将发展为0.4。
该图最右侧一列所展示内容：代号RX001的机器学习模型预测得到，若采用“以经皮冠状动脉介入术在位置A放置一个支架，以经皮冠状动脉介入术在位置B放置一个支架”的治疗方案，则该冠脉中位置A至位置B之间区域的FFR将发展为0.88，该冠脉位置B至末梢之间区域的FFR将发展为0.85。
同理，不再赘述该图其他部分所展示内容。
图4示出了本申请一实施例的治疗方案的应用后效果的预测在实践操作过程中的简要示意图。
该实施例中，在实践操作过程中，针对已设计治疗方案的冠脉，获取该冠脉的原始医学影像。可选的，从该原始医学影像中提取出该冠脉的几何信息。可选的，从该原始医学影像中提取出该冠脉的病变信息。
将该原始医学影像、该几何信息以及该病变信息中的至少一个，根据治疗方案进行修改，得到修改后特征数据。进而将修改后特征数据输入已经训练完成的机器学习模型中，由该机器学习模型预测该冠脉在应用治疗方案后的生理状态。即，预测出在应用治疗方案后的治疗效果。进而，对治疗方案以及对应的治疗后效果进行可视化展示，从而为医护人员直观展示出治疗方案以及对应的治疗后效果，提高医护人员对该冠脉的治疗效率。
可选的，将该原始医学影像、该几何信息以及该病变信息中的至少一个作为特征数据输入已经训练完成的机器学习模型中，由该机器学习模型预测该冠脉在不应用治疗方案情况下的生理状态。即，预测出在应用治疗方案前的治疗前效果。进而，对治疗前效果进行可视化展示，从而进一步提高医护人员对该冠脉的治疗效率。
图5示出了本申请一实施例的治疗方案的应用后效果的预测在实践操作过程中的详细示意图。
该实施例中，在实践操作过程中，针对已设计治疗方案的冠脉，获取该冠脉的原始医学影像。将该原始医学影像输入训练完成的深度神经网络结构的机器学习模型中，得到该机器学习模型预测的在应用该治疗方案后冠脉的生理状态。并将治疗方案以及对应的生理状态进行可视化展示，从而提高医护人员对该冠脉的治疗效率。
图6出了根据本申请一实施例的治疗方案的应用后效果的预测装置，所述装置包括：
第一获取模块210，配置为获取样本生物组织的原始医学影像，并以所述样本生物组织的原始医学影像为基准，得到预设数据组成的所述样本生物组织的特征数据；
训练模块220，配置为以所述样本生物组织的特征数据为输入，并以所述样本生物组织的生理状态为目标输出，训练得到用于预测生物组织的生理状态的机器学习模型；
第二获取模块230，配置为获取目标生物组织的原始医学影像，并以所述目标生物组织的原始医学影像为基准，得到所述数据组成的所述目标生物组织的特征数据；
第三获取模块240，配置为获取针对所述目标生物组织所设计的治疗方案，并基于所述治疗方案修改所述目标生物组织的特征数据，得到所述目标生物组织的修改后特征数据；
预测模块250，配置为将所述目标生物组织的修改后特征数据输入所述机器学习模型，得到所述机器学习模型预测的所述目标生物组织在应用所述治疗方案后的生理状态。
在本申请的一示例性实施例中，所述生物组织包括：心脏冠脉、脑血管以及外周血管。
在本申请的一示例性实施例中，所述装置配置为：
以所述样本生物组织的特征数据为输入，并以所述样本生物组织的生理状态为目标输出，训练所述机器学习模型通过执行分类任务，预测所述样本生物组织的生理状态所属优劣等级。
在本申请的一示例性实施例中，所述装置配置为：
以所述样本生物组织的特征数据为输入，并以所述样本生物组织的生理状态为目标输出，训练所述机器学习模型通过执行回归任务，对所述样本生物组织的生理状态进行预测并参数化。
在本申请的一示例性实施例中，所述生物组织的生理状态包括：所述生物组织在形态特征上的信息以及所述生物组织在功能特征上的信息。
在本申请的一示例性实施例中，所述生物组织为血管，所述生物组织在形态特征上的信息包括：血管狭窄率、血管最小管腔面积、血管外壁直径、血管内壁直径、血管直径与参考直径之间的比值；
所述生物组织在功能特征上的信息包括：血流储备分数FFR、血压、血流量、血管阻力值、血管壁面剪切力、血管轴向斑块应力APS。
在本申请的一示例性实施例中，所述装置配置为：
响应于终端界面触发的针对所述治疗方案的设计操作，获取所述治疗方案。
在本申请的一示例性实施例中，预设数据组成的所述样本生物组织的特征数据包括：所述样本生物组织的原始医学影像；
所述数据组成的所述目标生物组织的特征数据包括：所述目标生物组织的原始医学影像。
在本申请的一示例性实施例中，所述装置配置为：
基于所述治疗方案修改所述目标生物组织的原始医学影像，得到所述目标生物组织的修改后医学影像，并将所述目标生物组织的修改后医学影像作为所述目标生物组织的修改后特征数据。
在本申请的一示例性实施例中，所述装置配置为：
从所述样本生物组织的原始医学影像中提取出所述样本生物组织的几何信息，所得到的所述样本生物组织的特征数据包含有所述样本生物组织的几何信息；
从所述目标生物组织的原始医学影像中提取出所述目标生物组织的几何信息，所得到的所述目标生物组织的特征数据包含有所述目标生物组织的几何信息。
在本申请的一示例性实施例中，所述装置配置为：
基于所述治疗方案修改所述目标生物组织的几何信息，得到所述目标生物组织的修改后几何信息；
基于所述目标生物组织的修改后几何信息，得到所述目标生物组织的修改后特征数据，其中，所述目标生物组织的修改后特征数据包含有所述目标生物组织的修改后几何信息。
在本申请的一示例性实施例中，所述装置配置为：
从所述样本生物组织的原始医学影像中提取出所述样本生物组织的病变信息，所得到的所述样本生物组织的特征数据包含有所述样本生物组织的病变信息；
从所述目标生物组织的原始医学影像中提取出所述目标生物组织的病变信息，所得到的所述目标生物组织的特征数据包含有所述目标生物组织的病变信息。
在本申请的一示例性实施例中，所述装置配置为：
基于所述治疗方案修改所述目标生物组织的病变信息，得到所述目标生物组织的修改后病变信息；
基于所述目标生物组织的修改后病变信息，得到所述目标生物组织的修改后特征数据，其中，所述目标生物组织的修改后特征数据包含有所述目标生物组织的修改后病变信息。
在本申请的一示例性实施例中，所述病变信息包括：狭窄率信息、病变类型信息、病变区域信息、病变尺寸信息、病变纹理信息、钙化分数。
在本申请的一示例性实施例中，所述装置配置为：
计算所述治疗方案的成本；
基于所述目标生物组织在应用所述治疗方案后的生理状态，预估所述治疗方案的治疗成效；
基于所述治疗方案的成本以及所述治疗方案的治疗成效，对所述治疗方案进行评估。
在本申请的一示例性实施例中，所述装置配置为：
将所述治疗方案以及所述目标生物组织在应用所述治疗方案后的生理状态进行可视化展示。
下面参考图7来描述根据本申请实施例的电子设备30。图7显示的电子设备30仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，电子设备30以通用计算设备的形式表现。电子设备30的组件可以包括但不限于：上述至少一个处理单元310、上述至少一个存储单元320、连接不同***组件(包括存储单元320和处理单元310)的总线330。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元310执行，使得所述处理单元310执行本说明书上述示例性方法的描述部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元310可以执行如图1中所示的各个步骤。
存储单元320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202，还可以进一步包括只读存储单元(ROM)3203。
存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204，这样的程序模块3205包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备30也可以与一个或多个外部设备400(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备30交互的设备通信，和/或与使得该电子设备30能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口350进行。输入/输出(I/O)接口350与显示单元340相连。并且，电子设备30还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器360通过总线330与电子设备30的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本申请实施方式的方法。
在本申请的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行上述方法实施例部分描述的方法。
根据本申请的一个实施例，还提供了一种用于实现上述方法实施例中的方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如JAVA、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由所附的权利要求指出。
Claims (17)
1.一种治疗方案的应用后效果的预测方法，其特征在于，所述方法包括：
获取样本生物组织的原始医学影像，并以所述样本生物组织的原始医学影像为基准，得到预设数据组成的所述样本生物组织的特征数据；
以所述样本生物组织的特征数据为输入，并以所述样本生物组织的生理状态为目标输出，训练得到用于预测生物组织的生理状态的机器学习模型；
获取目标生物组织的原始医学影像，并以所述目标生物组织的原始医学影像为基准，得到所述数据组成的所述目标生物组织的特征数据；
获取针对所述目标生物组织所设计的治疗方案，并基于所述治疗方案修改所述目标生物组织的特征数据，得到所述目标生物组织的修改后特征数据；
将所述目标生物组织的修改后特征数据输入所述机器学习模型，得到所述机器学习模型预测的所述目标生物组织在应用所述治疗方案后的生理状态。
2.根据权利要求1所述的方法，其特征在于，所述生物组织包括：心脏冠脉、脑血管以及外周血管。
3.根据权利要求1所述的方法，其特征在于，以所述样本生物组织的特征数据为输入，并以所述样本生物组织的生理状态为目标输出，训练得到用于预测生物组织的生理状态的机器学习模型，包括：
以所述样本生物组织的特征数据为输入，并以所述样本生物组织的生理状态为目标输出，训练所述机器学习模型通过执行分类任务，预测所述样本生物组织的生理状态所属优劣等级。
4.根据权利要求1所述的方法，其特征在于，以所述样本生物组织的特征数据为输入，并以所述样本生物组织的生理状态为目标输出，训练得到用于预测生物组织的生理状态的机器学习模型，包括：
以所述样本生物组织的特征数据为输入，并以所述样本生物组织的生理状态为目标输出，训练所述机器学习模型通过执行回归任务，对所述样本生物组织的生理状态进行预测并参数化。
5.根据权利要求1所述的方法，其特征在于，所述生物组织的生理状态包括：所述生物组织在形态特征上的信息以及所述生物组织在功能特征上的信息。
6.根据权利要求5所述的方法，其特征在于，所述生物组织为血管，所述生物组织在形态特征上的信息包括：血管狭窄率、血管最小管腔面积、血管外壁直径、血管内壁直径、血管直径与参考直径之间的比值；
所述生物组织在功能特征上的信息包括：血流储备分数FFR、血压、血流量、血管阻力值、血管壁面剪切力、血管轴向斑块应力APS。
7.根据权利要求1所述的方法，其特征在于，获取针对所述目标生物组织所设计的治疗方案，包括：
响应于终端界面触发的针对所述治疗方案的设计操作，获取所述治疗方案。
8.根据权利要求1所述的方法，其特征在于，预设数据组成的所述样本生物组织的特征数据包括：所述样本生物组织的原始医学影像；
所述数据组成的所述目标生物组织的特征数据包括：所述目标生物组织的原始医学影像。
9.根据权利要求8所述的方法，其特征在于，基于所述治疗方案修改所述目标生物组织的特征数据，得到所述目标生物组织的修改后特征数据，包括：
基于所述治疗方案修改所述目标生物组织的原始医学影像，得到所述目标生物组织的修改后医学影像，并将所述目标生物组织的修改后医学影像作为所述目标生物组织的修改后特征数据。
10.根据权利要求1所述的方法，其特征在于，以所述样本生物组织的原始医学影像为基准，得到预设数据组成的所述样本生物组织的特征数据，包括：从所述样本生物组织的原始医学影像中提取出所述样本生物组织的几何信息，所得到的所述样本生物组织的特征数据包含有所述样本生物组织的几何信息；
以所述目标生物组织的原始医学影像为基准，得到所述数据组成的所述目标生物组织的特征数据，包括：从所述目标生物组织的原始医学影像中提取出所述目标生物组织的几何信息，所得到的所述目标生物组织的特征数据包含有所述目标生物组织的几何信息。
11.根据权利要求10所述的方法，其特征在于，基于所述治疗方案修改所述目标生物组织的特征数据，得到所述目标生物组织的修改后特征数据，包括：
基于所述治疗方案修改所述目标生物组织的几何信息，得到所述目标生物组织的修改后几何信息；
基于所述目标生物组织的修改后几何信息，得到所述目标生物组织的修改后特征数据，其中，所述目标生物组织的修改后特征数据包含有所述目标生物组织的修改后几何信息。
12.根据权利要求1所述的方法，其特征在于，以所述样本生物组织的原始医学影像为基准，得到预设数据组成的所述样本生物组织的特征数据，包括：从所述样本生物组织的原始医学影像中提取出所述样本生物组织的病变信息，所得到的所述样本生物组织的特征数据包含有所述样本生物组织的病变信息；
以所述目标生物组织的原始医学影像为基准，得到所述数据组成的所述目标生物组织的特征数据，包括：从所述目标生物组织的原始医学影像中提取出所述目标生物组织的病变信息，所得到的所述目标生物组织的特征数据包含有所述目标生物组织的病变信息。
13.根据权利要求12所述的方法，其特征在于，基于所述治疗方案修改所述目标生物组织的特征数据，得到所述目标生物组织的修改后特征数据，包括：
基于所述治疗方案修改所述目标生物组织的病变信息，得到所述目标生物组织的修改后病变信息；
基于所述目标生物组织的修改后病变信息，得到所述目标生物组织的修改后特征数据，其中，所述目标生物组织的修改后特征数据包含有所述目标生物组织的修改后病变信息。
14.根据权利要求12所述的方法，其特征在于，所述病变信息包括：狭窄率信息、病变类型信息、病变区域信息、病变尺寸信息、病变纹理信息、钙化分数。
15.根据权利要求1所述的方法，其特征在于，所述方法还包括：
计算所述治疗方案的成本；
基于所述目标生物组织在应用所述治疗方案后的生理状态，预估所述治疗方案的治疗成效；
基于所述治疗方案的成本以及所述治疗方案的治疗成效，对所述治疗方案进行评估。
16.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述治疗方案以及所述目标生物组织在应用所述治疗方案后的生理状态进行可视化展示。
17.一种治疗方案的应用后效果的预测装置，其特征在于，所述装置包括：
第一获取模块，配置为获取样本生物组织的原始医学影像，并以所述样本生物组织的原始医学影像为基准，得到预设数据组成的所述样本生物组织的特征数据；
训练模块，配置为以所述样本生物组织的特征数据为输入，并以所述样本生物组织的生理状态为目标输出，训练得到用于预测生物组织的生理状态的机器学习模型；
第二获取模块，配置为获取目标生物组织的原始医学影像，并以所述目标生物组织的原始医学影像为基准，得到所述数据组成的所述目标生物组织的特征数据；
第三获取模块，配置为获取针对所述目标生物组织所设计的治疗方案，并基于所述治疗方案修改所述目标生物组织的特征数据，得到所述目标生物组织的修改后特征数据；
预测模块，配置为将所述目标生物组织的修改后特征数据输入所述机器学习模型，得到所述机器学习模型预测的所述目标生物组织在应用所述治疗方案后的生理状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110610876.8A CN113362958A (zh) | 2021-06-01 | 2021-06-01 | 治疗方案的应用后效果的预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110610876.8A CN113362958A (zh) | 2021-06-01 | 2021-06-01 | 治疗方案的应用后效果的预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113362958A true CN113362958A (zh) | 2021-09-07 |
Family
ID=77531040
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110610876.8A Pending CN113362958A (zh) | 2021-06-01 | 2021-06-01 | 治疗方案的应用后效果的预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113362958A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113838572A (zh) * | 2021-09-10 | 2021-12-24 | 深圳睿心智能医疗科技有限公司 | 血管生理参数获取方法、装置、电子设备及存储介质 |
| CN115132354A (zh) * | 2022-07-06 | 2022-09-30 | 哈尔滨医科大学 | 一种患者类型识别方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170140109A1 (en) * | 2014-02-04 | 2017-05-18 | Optimata Ltd. | Method and system for prediction of medical treatment effect |
| CN107818821A (zh) * | 2016-09-09 | 2018-03-20 | 西门子保健有限责任公司 | 在医学成像中的基于机器学习的组织定征 |
| CN109378065A (zh) * | 2018-10-30 | 2019-02-22 | 医渡云（北京）技术有限公司 | 医疗数据处理方法及装置、存储介质、电子设备 |
| CN109448858A (zh) * | 2018-10-30 | 2019-03-08 | 中山大学肿瘤防治中心 | 结直肠癌医疗数据处理方法及装置、存储介质、电子设备 |
| CN110998744A (zh) * | 2017-08-01 | 2020-04-10 | 西门子医疗有限公司 | 针对弥漫性和串联性病变中冠状动脉疾病的非侵入性评估和治疗指导 |
-
2021
- 2021-06-01 CN CN202110610876.8A patent/CN113362958A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170140109A1 (en) * | 2014-02-04 | 2017-05-18 | Optimata Ltd. | Method and system for prediction of medical treatment effect |
| CN107818821A (zh) * | 2016-09-09 | 2018-03-20 | 西门子保健有限责任公司 | 在医学成像中的基于机器学习的组织定征 |
| CN110998744A (zh) * | 2017-08-01 | 2020-04-10 | 西门子医疗有限公司 | 针对弥漫性和串联性病变中冠状动脉疾病的非侵入性评估和治疗指导 |
| CN109378065A (zh) * | 2018-10-30 | 2019-02-22 | 医渡云（北京）技术有限公司 | 医疗数据处理方法及装置、存储介质、电子设备 |
| CN109448858A (zh) * | 2018-10-30 | 2019-03-08 | 中山大学肿瘤防治中心 | 结直肠癌医疗数据处理方法及装置、存储介质、电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 戴汝平: "心血管病CT诊断学", 人民卫生出版社, pages: 32 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113838572A (zh) * | 2021-09-10 | 2021-12-24 | 深圳睿心智能医疗科技有限公司 | 血管生理参数获取方法、装置、电子设备及存储介质 |
| CN113838572B (zh) * | 2021-09-10 | 2024-03-01 | 深圳睿心智能医疗科技有限公司 | 血管生理参数获取方法、装置、电子设备及存储介质 |
| CN115132354A (zh) * | 2022-07-06 | 2022-09-30 | 哈尔滨医科大学 | 一种患者类型识别方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7048561B2 (ja) | 血管形状及び生理学から血流特性を推定するシステム及び方法 | |
| CN113241183B (zh) | 治疗方案预测方法及装置 | |
| US10595790B2 (en) | Method and system for personalized non-invasive hemodynamic assessment of renal artery stenosis from medical images | |
| Shang et al. | Vascular active contour for vessel tree segmentation | |
| KR101910233B1 (ko) | 맥관구조를 수치 평가하는 시스템들 및 방법들 | |
| JP6484760B2 (ja) | 非侵襲的血流予備量比（ｆｆｒ）に対する側副血流モデル化 | |
| EP3654846B1 (en) | Inflammation estimation from x-ray image data | |
| Beichel et al. | Liver segment approximation in CT data for surgical resection planning | |
| CN113362958A (zh) | 治疗方案的应用后效果的预测方法及装置 | |
| US12026878B2 (en) | Learning method for generating multiphase collateral image and multiphase collateral image generating method using maching learning | |
| Glaßer et al. | Combined visualization of wall thickness and wall shear stress for the evaluation of aneurysms | |
| Revathi et al. | An intelligent model for coronary heart disease diagnosis | |
| WO2021117043A1 (en) | Automatic stenosis detection | |
| Ragab et al. | Early and accurate detection of melanoma skin cancer using hybrid level set approach | |
| CN113205488B (zh) | 血流特性预测方法、装置、电子设备及存储介质 | |
| EP3602485B1 (en) | Interaction monitoring of non-invasive imaging based ffr | |
| JP2023552645A (ja) | リードの癒着の推定 | |
| CN113539516B (zh) | 治疗方案的应用后效果的获取方法及装置 | |
| CN113706541A (zh) | 一种图像处理方法及装置 | |
| Chakshu et al. | Automating fractional flow reserve (FFR) calculation from CT scans: A rapid workflow using unsupervised learning and computational fluid dynamics | |
| CN114420286A (zh) | 血管生理参数获取方法、装置、电子设备及存储介质 | |
| Kandaya et al. | Analysis of Early Stroke Diagnosis Based on Brain Magnetic Resonance Imaging using Machine Learning | |
| CN113838007A (zh) | 生理参数获取方法、装置、电子设备及存储介质 | |
| Stegmaier et al. | A framework for feedback-based segmentation of 3D image stacks | |
| JP2022159054A (ja) | 透明媒体内の構造をイメージングするための装置および方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |
|
| RJ01 | Rejection of invention patent application after publication |