美国辛辛那提基督医院植入永仁心EVAHEART革命性人工心脏

84f6feac510af93f9ed0fcaa0d09dd62.jpeg

美国时间2022年8月15日,俄亥俄州辛辛那提基督医院(The Christ Hospital)完成首台永仁心EVAHEART植入,也是美国中部第一个植入永仁心EVAHEART的医院。永仁心EVAHEART2是一种治疗心力衰竭患者的创新人工心脏。该装置可支持心脏将血液输送到全身。

永仁心EVAHEART是用于终末期心力衰竭患者的尖端技术,采用第三代创新液力悬浮离心泵技术,和磁悬浮及磁液悬浮产品相比,液力悬浮技术具有脉动性,可以保留患者脉搏,该特性旨在降低接受左心室辅助装置(LVAD)手术的患者发生中风或消化道出血的风险。此外,其流体力学叶轮和宽流道设计可大幅降低血栓生成。研究人员认为,永仁心EVAHEART2可能是需要LVAD手术的患者的未来。

“基督医院是中西部第一个植入永仁心EVAHEART装置的医院,该装置提供类似于跳动心脏的脉动血流,”心脏与血管研究所所长Dean Kereiakes医学博士说。“这是一项非常重要的试验,有望显示比目前可用的心脏泵或LVAD更好的生活质量和更少的并发症。

基督医院心脏与血管研究所已被指定为LVAD卓越治疗中心,是俄亥俄州最大的LVAD中心之一。该医院已被《美国新闻与世界报道》评为辛辛那提地区排名第一的医院,并授予Healthgrades“美国50家最佳医院”,以表彰其在提供最高临床质量方面位居全美前1%。基督医院拥有一支多学科的LVAD团队,包括心脏病专家,重症监护专家和心脏外科医生,他们为晚期心力衰竭患者提供LVAD治疗。仅在美国,心力衰竭就影响了600多万人,预计十年内这一数字将不断增高。新型创新型LVAD泵将推动心力衰竭治疗领域的发展,并延长数千名患者的寿命。

“我们是该地区最有经验的LVAD中心,永仁心EVAHEART使我们处于创新程序的最前沿,”基督医院心胸外科主任Geoff Answini博士说。“我们努力为患者提供针对其心脏病的最佳和最具创新性的技术。参加像永仁心EVAHEART2这样的临床试验,可以确保基督医院健康网络的患者能够获得尖端的疗法。

“要成为第一个将这一手术带到俄亥俄州的医疗保健网络,需要我们经验丰富的多学科团队的共同努力,其中包括医学博士Eugene Chung,医学博士Thomas O'Brien,Timothy Raymond和心力衰竭医学博士Ankit Bhatia,医学博士,心脏外科Robert Dowling和心脏外科医学博士J. Michael Smith,以及我们庞大的专业执业护士团队,护士和心血管技术人员,“医学博士Gregory Egnaczyk说。“这再次表明,我们拥有照顾我们中心的心脏病患者所需的一切。

新闻来源:https://www.thechristhospital.com/news-release?releaseid=392(基督医院官网)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值