CN108447557A - 一种基于深度学习的医疗分析方法及装置 - Google Patents
一种基于深度学习的医疗分析方法及装置 Download PDFInfo
- Publication number
- CN108447557A CN108447557A CN201810130168.2A CN201810130168A CN108447557A CN 108447557 A CN108447557 A CN 108447557A CN 201810130168 A CN201810130168 A CN 201810130168A CN 108447557 A CN108447557 A CN 108447557A
- Authority
- CN
- China
- Prior art keywords
- medical imaging
- physical condition
- analysis model
- analysis
- module
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于深度学习的医疗分析方法及装置,属于医疗及大数据领域。所述方法包括:采集医疗设备上传的医疗影像及智能佩戴设备上传的身体状态数据并保存;每隔第一预设时间间隔结合保存的医疗影像及身体状态数据进行深度学习,得到医疗影像分析模型和身体状态分析模型,并更新已存储的医疗影像分析模型和身体状态分析模型;使用当前存储的分析模型对接收到的医疗影像和身体状态数据进行分析,得到第一分析结果和第二分析结果,根据得到的分析结果,判定医疗影像和身体状态数据的置信度。本发明中,基于学习得到的分析模型确定医疗影像及身体状态数据的置信度,从而确定更准确反应身体状况的数据,为后续的身体状况分析奠定基础。
Description
技术领域
本发明涉及医疗及大数据领域,尤其涉及一种基于深度学习的医疗分析方法及装置。
背景技术
随着人们生活质量的不断提高,人们越来越重视自身的健康状况,通常会以定期体检并结合佩戴智能设备的方式,来实时了解自身的身体状况;其中,定期体检能够通过专业的医疗设备得到的医疗影像得知自身的身体状态,虽然出现偏差的概率很小,但是依然存在;而佩戴智能设备,虽然能够实时获取佩戴人员的身体状态数据,从一定层面上反应佩戴人员身体状况的转变,但是其受佩戴人员情绪转变的影响较大,在佩戴人员情绪低落或者亢奋时,往往采集到身体状态数据不在正常范围内,然而佩戴人员的身体状况可能并未发生改变,只是身体状态数据的一时波动。因此,如何判定医疗影像及智能设备采集的身体状态数据的准确性及可靠性,进而为后续对应人员的身体状况分析提供可靠依据是有必要的。
发明内容
为解决现有技术的不足,本发明提供一种基于深度学习的医疗分析方法及装置。
第一方面,本发明提供一种基于深度学习的医疗分析方法,包括:
步骤S1:采集医疗设备上传的医疗影像及智能佩戴设备上传的佩戴人员的身体状态数据并保存;
步骤S2:每隔第一预设时间间隔结合保存的医疗影像及对应人员的身体状态数据进行深度学习,得到对应的医疗影像分析模型和身体状态分析模型,使用得到的医疗影像分析模型和身体状态分析模型更新已存储的医疗影像分析模型和身体状态分析模型;
步骤S3:使用当前存储的分析模型分别对接收到的医疗影像和身体状态数据进行分析,得到对应的第一分析结果和第二分析结果,根据所述第一分析结果和所述第二分析结果,判定对应的医疗影像和身体状态数据的置信度。
可选地,所述步骤S1具体为:采集医疗设备上传的医疗影像及智能佩戴设备上传的佩戴人员的身体状态数据,并将同一人员的医疗影像及身体状态数据按照对应人员所属的年龄区间分别对应保存。
可选地,所述步骤S2中,所述每隔第一预设时间间隔结合保存的医疗影像及对应人员的身体状态数据进行深度学习,得到对应的医疗影像分析模型和身体状态分析模型,具体包括:
每隔第一预设时间间隔对保存的各年龄区间中的各医疗影像进行预处理,提取预处理后各医疗影像的关键特征,并结合医护人员的医疗经验对所述各医疗影像标定标签,将所述各医疗影像及对应的关键特征和标签作为样本,得到所述各年龄区间的第一训练集;
分析所述各医疗影像对应人员在对应的第一预设时间间隔内的身体状态数据得到对应人员的情绪表征数据,将所述身体状态数据及对应的情绪表征数据作为样本,得到各年龄区间的第二训练集;
在神经网络中分别对各第一训练集和各第二训练集进行深度学习,得到对应的各年龄区间的医疗影像分析模型和身体状态分析模型。
可选地,所述步骤S2中,所述使用得到的医疗影像分析模型和身体状态分析模型更新已存储的医疗影像分析模型和身体状态分析模型之前,还包括:判断自身是否存有医疗影像分析模型和身体状态分析模型,是则使用得到的医疗影像分析模型和身体状态分析模型更新已存储的医疗影像分析模型和身体状态分析模型;否则保存得到的医疗影像分析模型和身体状态分析模型。
可选地,所述步骤S3中,所述根据所述第一分析结果和所述第二分析结果,判定对应的医疗影像和身体状态数据的置信度,具体包括:
将所述第一分析结果中含有的置信值和所述第二分析结果中含有的置信值分别与预设置信值进行比对,当其中一个置信值大于预设置信值时,判定其对应的医疗影像或者身体状态数据具有高置信度;当两个置信值均大于预设置信值时,判定对应的医疗影像和身体状态数据均具有高置信度;当两个置信值均不大于预设置信值时,判定对应的医疗影像和身体状态数据均具有低置信度。
第二方面,本发明公开一种基于深度学习的医疗分析装置,包括:
采集模块,用于采集医疗设备上传的医疗影像及智能佩戴设备上传的佩戴人员的身体状态数据;
第一保存模块,用于保存所述采集模块采集的医疗影像及身体状态数据;
学习模块,用于每隔第一预设时间间隔结合所述第一保存模块保存的医疗影像及对应人员的身体状态数据进行深度学习,得到对应的医疗影像分析模型和身体状态分析模型;
第二保存模块,用于保存所述学习模块得到的医疗影像分析模型和身体状态分析模型;
更新模块,用于使用学习模块得到的医疗影像分析模型和身体状态分析模型更新所述第二保存模块已存储的医疗影像分析模型和身体状态分析模型;
接收模块,用于接收医疗影像和身体状态数据;
分析模块,用于使用所述第二保存模块当前存储的分析模型分别对所述接收模块接收到的医疗影像和身体状态数据进行分析,得到对应的第一分析结果和第二分析结果;
第一判断模块,用于根据所述分析模块得到的第一分析结果和第二分析结果,判定对应的医疗影像和身体状态数据的置信度。
可选地,所述第一保存模块,具体用于:将同一人员的医疗影像及身体状态数据按照对应人员所属的年龄区间分别对应保存。
可选地,所述学习模块,具体包括:预处理子模块、提取子模块、标定子模块、第一作为子模块、分析子模块、第二作为子模块和学习子模块;
所述预处理子模块,用于每隔第一预设时间间隔对所述第一保存模块保存的各年龄区间中的各医疗影像进行预处理;
所述提取子模块,用于提取所述预处理子模块预处理后的各医疗影像的关键特征;
所述标定子模块,用于结合医护人员的医疗经验对所述各医疗影像标定标签;
所述第一作为子模块,用于将所述各医疗影像、所述提取子模块提取的对应的关键特征和所述标定子模块标定的对应的标签作为样本,得到所述各年龄区间的第一训练集;
所述分析子模块,用于分析所述各医疗影像对应人员在对应的第一预设时间间隔内的身体状态数据,得到对应人员的情绪表征数据;
所述第二作为子模块,用于将所述身体状态数据及所述分析子模块得到的对应的情绪表征数据作为样本,得到各年龄区间的第二训练集;
所述学习子模块,用于在神经网络中分别对所述第一作为子模块得到的各第一训练集和所述第二作为子模块得到的各第二训练集进行深度学习,得到对应的各年龄区间的医疗影像分析模型和身体状态分析模型。
可选地,该装置还包括:第二判断模块;
所述第二判断模块,用于判断所述第二保存模块中是否存有医疗影像分析模型和身体状态分析模型;
所述第二保存模块具体用于:当所述第二判断模块判断出所述第二保存模块中未存有医疗影像分析模型和身体状态分析模型时,保存所述学习模块得到的医疗影像分析模型和身体状态分析模型;
所述更新模块具体用于:当所述第二判断模块判断出所述第二保存模块中已存有医疗影像分析模型和身体状态分析模型时,使用所述学习模块得到的医疗影像分析模型和身体状态分析模型更新所述第一保存模块已存储的医疗影像分析模型和身体状态分析模型。
可选地,所述第一判断模块具体用于:
将所述第一分析结果中含有的置信值和所述第二分析结果中含有的置信值分别与预设置信值进行比对,当其中一个置信值大于预设置信值时,判定其对应的医疗影像或者身体状态数据具有高置信度;当两个置信值均大于预设置信值时,判定对应的医疗影像和身体状态数据均具有高置信度;当两个置信值均不大于预设置信值时,判定对应的医疗影像和身体状态数据均具有低置信度。
第三方面,本发明提供一种计算机存储介质,其上存储有计算机程序,当该计算机程序被处理器执行时实现如本发明的第一方面所述的方法。
本发明的优点在于:
本发明中,将医疗与大数据相结合,通过将不同年龄区间人员的医疗影像及对应的身体状态数据相结合,并训练出对应的不同年龄区间的医疗影像分析模型和身体状态分析模型,从而使用该模型对接收到的医疗影像和身体状态数据进行分析,并根据分析结果判定对应的医疗影像和身体状态数据的置信度,其至少具有以下优点:一方面,基于学习得到的分析模型确定医疗影像及身体状态数据的置信度,从而确定更准确反应身体状况的数据,为后续的身体状况分析奠定基础;另一方面,根据不同年龄区间学习对应的分析模型,使得其更具针对性,同时定期更新分析模型,保证了分析模型的时效性,从而保证了分析结果的准确性;再一方面,其适用于各医疗机构,可以更迅速、更准确的对各人员的医疗影像及身体状态数据进行正确性及可靠性检测,从而提高医疗效率。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
附图1为本发明提供的一种基于深度学习的医疗分析方法流程图;
附图2为本发明提供的一种基于深度学习的医疗分析装置模块组成框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
根据本发明的实施方式,提供一种基于深度学习的医疗分析方法,如图1所示,包括:
步骤101:采集医疗设备上传的人体医疗影像及智能佩戴设备上传的对应人体的身体状态数据并保存;
优选地,采集佩戴了智能佩戴设备(例如,智能手环)并且定期进行体检的人员的身体状态数据(例如,心跳、血压、血氧饱和度等)及医疗影像(例如,X光片、核磁共振图像、B超图像等)。
根据本发明的实施方式,步骤101具体为:采集医疗设备上传的医疗影像及智能佩戴设备上传的佩戴人员的身体状态数据,并将同一人员的医疗影像及身体状态数据按照对应人员所属的年龄区间分别对应保存;
本发明中,由于不同年龄段人员的身体结构及身体状态数据是不同的,故将同一人员的医疗影像及身体状态数据按照对应人员所属的年龄区间分别对应保存,使得后续经过深度学习得到的分析模型更具准确性,从而保证使用分析模型得到的分析结果具有高的准确性。
进一步地,在本实施例中,智能佩戴设备实时采集并统计佩戴人员的身体状态数据,且每隔第二预设时间间隔上传统计的数据;优选地,在本实施例中,第二预设时间间隔为24小时。
步骤102:每隔第一预设时间间隔结合保存的医疗影像及对应人员的身体状态数据进行深度学习,得到对应的医疗影像分析模型和身体状态分析模型,使用得到的医疗影像分析模型和身体状态分析模型更新已存储的医疗影像分析模型和身体状态分析模型;
其中,每隔第一预设时间间隔结合保存的医疗影像及对应人员的身体状态数据进行深度学习,得到对应的医疗影像分析模型和身体状态分析模型,具体包括:
步骤A1:每隔第一预设时间间隔对保存的各年龄区间中的各医疗影像进行预处理,提取预处理后各医疗影像的关键特征,并结合医护人员的医疗经验对各医疗影像标定标签,将各医疗影像及对应的关键特征和标签作为样本,得到各年龄区间的第一训练集;
优选地,在本实施例中,每隔第一预设时间间隔对对应第一预设时间间隔内保存的各年龄区间中的各医疗影像进行预处理;其中,第一预设时间间隔可以根据需求自行设定,例如,在本实施例中,第一预设时间间隔为6个月,即每隔6个月对该6个月内保存的各年龄区间中的各医疗影像进行预处理;
根据本发明的实施方式,对各医疗影像进行预处理,具体为:对各医疗影像进行去噪及对比度增强处理,以去除医疗影像中无关的信息,并增强与原影像之间各部分的反差。
根据本发明的实施方式,提取预处理后各医疗影像的关键特征,具体为:使用一组具有不同主频并由二维高斯函数调制的二维滤波器提取各医疗影像的关键特征;
其中,各二维滤波器的冲击响应为其中,δ为高斯函数中的标准差,hx和hy分别是在像素(x,y)处沿x和y坐标轴的相对频率,表示径向相对频率;
对于预设的H和δ以及预设的滤波器的方向θ,使用预设数量M个二维滤波器提取各医疗影像的关键特征,则得到的M维矢量f(i,j)构成像素(i,j)的特征矢量,将像素(i,j)的特征矢量记为f(i,j)(H,θ,δ),则有: 其中,g(x,y)为原始医疗影像,得到的高斯窗空间(i,j)处的关键特征为f(i,j)(H,θ,δ)。
根据本发明的实施方式,结合医护人员的医疗经验对各医疗影像标定标签,具体为,结合医护人员的医疗经验分析各医疗影像,并标定各医疗影像所反映的人体健康状态。
步骤A2:分析各医疗影像对应人员在对应的第一预设时间间隔内的身体状态数据得到对应人员的情绪特征数据,将身体状态数据及对应的情绪表征数据作为样本,得到各年龄区间的第二训练集;
本发明中将身体状态数据与对应的情绪表征数据作为训练样本,使得在后续训练过程中能够训练出人体的身体状态数据与情绪变化之间关联关系的分析模型。
步骤A3:在神经网络中分别对各第一训练集和各第二训练集进行深度学习,得到对应的各年龄区间的医疗影像分析模型和身体状态分析模型。
进一步地,根据本发明的实施方式,步骤102中,使用得到的医疗影像分析模型和身体状态分析模型更新已存储的医疗影像分析模型和身体状态分析模型之前,还包括:判断自身是否存有医疗影像分析模型和身体状态分析模型,是则使用得到的医疗影像分析模型和身体状态分析模型更新已存储的医疗影像分析模型和身体状态分析模型;否则保存得到的医疗影像分析模型和身体状态分析模型。
本发明中,每隔第一预设时间间隔更新保存的医疗影像分析模型和身体状态分析模型,以保证分析模型的时效性,进而保证得到的分析结果的准确性。
步骤103:使用当前存储的分析模型分别对接收到的医疗影像和身体状态数据进行分析,得到对应的第一分析结果和第二分析结果,根据得到的第一分析结果和第二分析结果,判定对应的医疗影像和身体状态数据的置信度。
其中,第一分析结果和第二分析结果中均含有置信值,
其中,身体状态数据,可以为各人员提供的通过智能佩戴设备采集的自身的身体状态数据;还可以为智能佩戴设备每隔第二预设时间间隔上传的对应佩戴人员的身体状态数据。
根据本发明的实施方式,步骤103中,根据第一分析结果和第二分析结果,判定对应的医疗影像和身体状态数据的置信度,具体包括:
将第一分析结果中含有的置信值和第二分析结果中含有的置信值分别与预设置信值进行比对,当其中一个置信值大于预设置信值时,判定其对应的医疗影像或者身体状态数据具有高置信度;当两个置信值均大于预设置信值时,判定对应的医疗影像和身体状态数据均具有高置信度;当两个置信值均不大于预设置信值时,判定对应的医疗影像和身体状态数据均具有低置信度。
其中,预设置信度可以根据需求自行设定,例如,在本实施例中,预设置信度为0.7。
本发明中,将医疗与大数据相结合,通过将不同年龄区间人员的医疗影像及对应的身体状态数据相结合,并训练出对应的不同年龄区间的医疗影像分析模型和身体状态分析模型,从而使用该模型对接收到的医疗影像和身体状态数据进行分析,并根据分析结果判定对应的医疗影像和身体状态数据的置信度,从而确定更准确反应身体状况的数据,为后续的身体状况分析奠定基础;需要指出地,后续的身体状况分析不在本发明的保护范围内,在此不再赘述。
实施例二
根据本发明的实施方式,提供一种基于深度学习的医疗分析装置,如图2所示,包括:
采集模块201,用于采集医疗设备上传的医疗影像及智能佩戴设备上传的佩戴人员的身体状态数据;
第一保存模块202,用于保存采集模块201采集的医疗影像及身体状态数据;
学习模块203,用于每隔第一预设时间间隔结合第一保存模块202保存的医疗影像及对应人员的身体状态数据进行深度学习,得到对应的医疗影像分析模型和身体状态分析模型;
第二保存模块204,用于保存学习模块203得到的医疗影像分析模型和身体状态分析模型;
更新模块205,用于使用学习模块203得到的医疗影像分析模型和身体状态分析模型更新第二保存模块204已存储的医疗影像分析模型和身体状态分析模型;
接收模块206,用于接收医疗影像和/或身体状态数据;
分析模块207,用于使用第二保存模块204当前存储的分析模型分别对接收模块206接收到的医疗影像和身体状态数据进行分析,得到对应的第一分析结果和第二分析结果;
第一判断模块208,用于根据分析模块207得到的第一分析结果和第二分析结果,判定对应的医疗影像和身体状态数据的置信度。
根据本发明的实施方式,第一保存模块202,具体用于:将同一人员的医疗影像及身体状态数据按照对应人员所属的年龄区间分别对应保存。
根据本发明的实施方式,学习模块203,具体包括:预处理子模块、提取子模块、标定子模块、第一作为子模块、分析子模块、第二作为子模块和学习子模块,其中:
预处理子模块,用于每隔第一预设时间间隔对第一保存模块202保存的各年龄区间中的各医疗影像进行预处理;
提取子模块,用于提取预处理子模块预处理后的各医疗影像的关键特征;
标定子模块,用于结合医护人员的医疗经验对各医疗影像标定标签;
第一作为子模块,用于将各医疗影像、提取子模块提取的对应的关键特征和标定子模块标定的对应的标签作为样本,得到各年龄区间的第一训练集;
分析子模块,用于分析各医疗影像对应人员在对应的第一预设时间间隔内的身体状态数据,得到对应人员的情绪表征数据;
第二作为子模块,用于将身体状态数据及分析子模块得到的对应的情绪表征数据作为样本,得到各年龄区间的第二训练集;
对应地,学习子模块203,用于在神经网络中分别对第一作为子模块得到的各第一训练集和第二作为子模块得到的各第二训练集进行深度学习,得到对应的各年龄区间的医疗影像分析模型和身体状态分析模型。
其中,第一预设时间间隔可以根据需求自行设定,例如,在本实施例中,第一预设时间间隔为6个月。
根据本发明的实施方式,提取子模块具体用于:使用一组具有不同主频并由二维高斯函数调制的二维滤波器提取各医疗影像的关键特征;
其中,各二维滤波器的冲击响应为其中,δ为高斯函数中的标准差,hx和hy分别是像素(x,y)沿x和y坐标轴的相对频率,表示径向相对频率;
对于预设的H和δ以及预设的滤波器的方向θ,使用预设数量M个二维滤波器提取各医疗影像的关键特征,则得到的M维矢量f(i,j)构成像素(i,j)的特征矢量,将像素(i,j)的特征矢量记为f(i,j)(H,θ,δ),则有: 其中,g(x,y)为原始医疗影像,得到的高斯窗空间(i,j)处的特征为f(i,j)(α,H,θ,δ)。
根据本发明的实施方式,该装置还包括:第二判断模块;
第二判断模块,用于判断第二保存模块204中是否存有医疗影像分析模型和身体状态分析模型;
对应地,第二保存模块204具体用于:当第二判断模块判断出第二保存模块204中未存有医疗影像分析模型和身体状态分析模型时,保存学习模块203得到的医疗影像分析模型和身体状态分析模型;
更新模块205具体用于:当第二判断模块判断出第二保存模块204中已存有医疗影像分析模型和身体状态分析模型时,使用学习模块203得到的医疗影像分析模型和身体状态分析模型更新第一保存模块202已存储的医疗影像分析模型和身体状态分析模型。
根据本发明的实施方式,第一判断模块208具体用于:
将第一分析结果中含有的置信值和第二分析结果中含有的置信值分别与预设置信值进行比对,当其中一个置信值大于预设置信值时,判定其对应的医疗影像或者身体状态数据具有高置信度;当两个置信值均大于预设置信值时,判定对应的医疗影像和身体状态数据均具有高置信度;当两个置信值均不大于预设置信值时,判定对应的医疗影像和身体状态数据均具有低置信度。
其中,预设置信值可以根据需求自行设定,例如在本实施例中,预设置信值为0.7。
实施例三
根据本发明的实施方式,还一种计算机存储介质,其上存储有计算机程序,当该计算机程序被处理器执行时实现如上所述的基于深度学习的医疗分析方法的步骤。
本发明中,将医疗与大数据相结合,通过将不同年龄区间人员的医疗影像及对应的身体状态数据相结合,并训练出对应的不同年龄区间的医疗影像分析模型和身体状态分析模型,从而使用该模型对接收到的医疗影像和身体状态数据进行分析,并根据分析结果判定对应的医疗影像和身体状态数据的置信度,其至少具有以下优点:一方面,基于学习得到的分析模型确定医疗影像及身体状态数据的置信度,从而确定更准确反应身体状况的数据,为后续的身体状况分析奠定基础;另一方面,根据不同年龄区间学习对应的分析模型,使得其更具针对性,同时定期更新分析模型,保证了分析模型的时效性,从而保证了分析结果的准确性;再一方面,其适用于各医疗机构,可以更迅速、更准确的对各人员的医疗影像及身体状态数据进行正确性及可靠性检测,从而提高医疗效率。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习的医疗分析方法,其特征在于,包括:
步骤S1:采集医疗设备上传的医疗影像及智能佩戴设备上传的佩戴人员的身体状态数据并保存;
步骤S2:每隔第一预设时间间隔结合保存的医疗影像及对应人员的身体状态数据进行深度学习,得到对应的医疗影像分析模型和身体状态分析模型,使用得到的医疗影像分析模型和身体状态分析模型更新已存储的医疗影像分析模型和身体状态分析模型;
步骤S3:使用当前存储的分析模型分别对接收到的医疗影像和身体状态数据进行分析,得到对应的第一分析结果和第二分析结果,根据所述第一分析结果和所述第二分析结果,判定对应的医疗影像和身体状态数据的置信度。
2.根据权利要求1所述的方法,其特征在于,所述步骤S1具体为:采集医疗设备上传的医疗影像及智能佩戴设备上传的佩戴人员的身体状态数据,并将同一人员的医疗影像及身体状态数据按照对应人员所属的年龄区间分别对应保存。
3.根据权利要求2所述的方法,其特征在于,所述步骤S2中,所述每隔第一预设时间间隔结合保存的医疗影像及对应人员的身体状态数据进行深度学习,得到对应的医疗影像分析模型和身体状态分析模型,具体包括:
每隔第一预设时间间隔对保存的各年龄区间中的各医疗影像进行预处理,提取预处理后各医疗影像的关键特征,并结合医护人员的医疗经验对所述各医疗影像标定标签,将所述各医疗影像及对应的关键特征和标签作为样本,得到所述各年龄区间的第一训练集;
分析所述各医疗影像对应人员在对应的第一预设时间间隔内的身体状态数据得到对应人员的情绪表征数据,将所述身体状态数据及对应的情绪表征数据作为样本,得到各年龄区间的第二训练集;
在神经网络中分别对各第一训练集和各第二训练集进行深度学习,得到对应的各年龄区间的医疗影像分析模型和身体状态分析模型。
4.根据权利要求1所述的方法,其特征在于,所述步骤S2中,所述使用得到的医疗影像分析模型和身体状态分析模型更新已存储的医疗影像分析模型和身体状态分析模型之前,还包括:判断自身是否存有医疗影像分析模型和身体状态分析模型,是则使用得到的医疗影像分析模型和身体状态分析模型更新已存储的医疗影像分析模型和身体状态分析模型;否则保存得到的医疗影像分析模型和身体状态分析模型。
5.根据权利要求3所述的方法,其特征在于,所述步骤S3中,所述根据所述第一分析结果和所述第二分析结果,判定对应的医疗影像和身体状态数据的置信度,具体包括:
将所述第一分析结果中含有的置信值和所述第二分析结果中含有的置信值分别与预设置信值进行比对,当其中一个置信值大于预设置信值时,判定其对应的医疗影像或者身体状态数据具有高置信度;当两个置信值均大于预设置信值时,判定对应的医疗影像和身体状态数据均具有高置信度;当两个置信值均不大于预设置信值时,判定对应的医疗影像和身体状态数据均具有低置信度。
6.一种基于深度学习的医疗分析装置,其特征在于,包括:
采集模块,用于采集医疗设备上传的医疗影像及智能佩戴设备上传的佩戴人员的身体状态数据;
第一保存模块,用于保存所述采集模块采集的医疗影像及身体状态数据;
学习模块,用于每隔第一预设时间间隔结合所述第一保存模块保存的医疗影像及对应人员的身体状态数据进行深度学习,得到对应的医疗影像分析模型和身体状态分析模型;
第二保存模块,用于保存所述学习模块得到的医疗影像分析模型和身体状态分析模型;
更新模块,用于使用学习模块得到的医疗影像分析模型和身体状态分析模型更新所述第二保存模块已存储的医疗影像分析模型和身体状态分析模型;
接收模块,用于接收医疗影像和身体状态数据;
分析模块,用于使用所述第二保存模块当前存储的分析模型分别对所述接收模块接收到的医疗影像和身体状态数据进行分析,得到对应的第一分析结果和第二分析结果;
第一判断模块,用于根据所述分析模块得到的第一分析结果和第二分析结果,判定对应的医疗影像和身体状态数据的置信度。
7.根据权利要求6所述的装置,其特征在于,所述第一保存模块,具体用于:将同一人员的医疗影像及身体状态数据按照对应人员所属的年龄区间分别对应保存。
8.根据权利要求7所述的装置,其特征在于,所述学习模块,具体包括:预处理子模块、提取子模块、标定子模块、第一作为子模块、分析子模块、第二作为子模块和学习子模块;
所述预处理子模块,用于每隔第一预设时间间隔对所述第一保存模块保存的各年龄区间中的各医疗影像进行预处理;
所述提取子模块,用于提取所述预处理子模块预处理后的各医疗影像的关键特征;
所述标定子模块,用于结合医护人员的医疗经验对所述各医疗影像标定标签;
所述第一作为子模块,用于将所述各医疗影像、所述提取子模块提取的对应的关键特征和所述标定子模块标定的对应的标签作为样本,得到所述各年龄区间的第一训练集;
所述分析子模块,用于分析所述各医疗影像对应人员在对应的第一预设时间间隔内的身体状态数据,得到对应人员的情绪表征数据;
所述第二作为子模块,用于将所述身体状态数据及所述分析子模块得到的对应的情绪表征数据作为样本,得到各年龄区间的第二训练集;
所述学习子模块,用于在神经网络中分别对所述第一作为子模块得到的各第一训练集和所述第二作为子模块得到的各第二训练集进行深度学习,得到对应的各年龄区间的医疗影像分析模型和身体状态分析模型。
9.根据权利要求6所述的装置,其特征在于,还包括:第二判断模块;
所述第二判断模块,用于判断所述第二保存模块中是否存有医疗影像分析模型和身体状态分析模型;
所述第二保存模块具体用于:当所述第二判断模块判断出所述第二保存模块中未存有医疗影像分析模型和身体状态分析模型时,保存所述学习模块得到的医疗影像分析模型和身体状态分析模型;
所述更新模块具体用于:当所述第二判断模块判断出所述第二保存模块中已存有医疗影像分析模型和身体状态分析模型时,使用所述学习模块得到的医疗影像分析模型和身体状态分析模型更新所述第一保存模块已存储的医疗影像分析模型和身体状态分析模型。
10.根据权利要求8所述的装置,其特征在于,所述第一判断模块具体用于:
将所述第一分析结果中含有的置信值和所述第二分析结果中含有的置信值分别与预设置信值进行比对,当其中一个置信值大于预设置信值时,判定其对应的医疗影像或者身体状态数据具有高置信度;当两个置信值均大于预设置信值时,判定对应的医疗影像和身体状态数据均具有高置信度;当两个置信值均不大于预设置信值时,判定对应的医疗影像和身体状态数据均具有低置信度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810130168.2A CN108447557A (zh) | 2018-02-08 | 2018-02-08 | 一种基于深度学习的医疗分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810130168.2A CN108447557A (zh) | 2018-02-08 | 2018-02-08 | 一种基于深度学习的医疗分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108447557A true CN108447557A (zh) | 2018-08-24 |
Family
ID=63192075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810130168.2A Withdrawn CN108447557A (zh) | 2018-02-08 | 2018-02-08 | 一种基于深度学习的医疗分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108447557A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110853737A (zh) * | 2019-10-15 | 2020-02-28 | 吉林大学 | 一种医疗影像识别模型的更新方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104490407A (zh) * | 2014-12-08 | 2015-04-08 | 清华大学 | 一种可穿戴式心理压力评测装置及方法 |
CN106295239A (zh) * | 2016-09-28 | 2017-01-04 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的脂肪肝预测方法和预测*** |
CN106777874A (zh) * | 2016-11-18 | 2017-05-31 | 中国科学院自动化研究所 | 基于循环神经网络构建预测模型的方法 |
CN107103182A (zh) * | 2017-03-28 | 2017-08-29 | 南京医科大学 | 一种基于深度学习算法的心脏性疾病风险预警***及方法 |
CN107203780A (zh) * | 2017-05-11 | 2017-09-26 | 南京瑞麒凰电子科技有限公司 | 基于深度学习的玻璃清洁度的检测方法及装置 |
CN107330522A (zh) * | 2017-07-04 | 2017-11-07 | 北京百度网讯科技有限公司 | 用于更新深度学习模型的方法、装置及*** |
CN107334466A (zh) * | 2017-08-08 | 2017-11-10 | 西安交通大学 | 一种可穿戴的慢性病智能监控及预警的装置与方法 |
CN107622485A (zh) * | 2017-08-15 | 2018-01-23 | 中国科学院深圳先进技术研究院 | 一种融合深度张量神经网络的医学影像数据分析方法和*** |
-
2018
- 2018-02-08 CN CN201810130168.2A patent/CN108447557A/zh not_active Withdrawn
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104490407A (zh) * | 2014-12-08 | 2015-04-08 | 清华大学 | 一种可穿戴式心理压力评测装置及方法 |
CN106295239A (zh) * | 2016-09-28 | 2017-01-04 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的脂肪肝预测方法和预测*** |
CN106777874A (zh) * | 2016-11-18 | 2017-05-31 | 中国科学院自动化研究所 | 基于循环神经网络构建预测模型的方法 |
CN107103182A (zh) * | 2017-03-28 | 2017-08-29 | 南京医科大学 | 一种基于深度学习算法的心脏性疾病风险预警***及方法 |
CN107203780A (zh) * | 2017-05-11 | 2017-09-26 | 南京瑞麒凰电子科技有限公司 | 基于深度学习的玻璃清洁度的检测方法及装置 |
CN107330522A (zh) * | 2017-07-04 | 2017-11-07 | 北京百度网讯科技有限公司 | 用于更新深度学习模型的方法、装置及*** |
CN107334466A (zh) * | 2017-08-08 | 2017-11-10 | 西安交通大学 | 一种可穿戴的慢性病智能监控及预警的装置与方法 |
CN107622485A (zh) * | 2017-08-15 | 2018-01-23 | 中国科学院深圳先进技术研究院 | 一种融合深度张量神经网络的医学影像数据分析方法和*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110853737A (zh) * | 2019-10-15 | 2020-02-28 | 吉林大学 | 一种医疗影像识别模型的更新方法及*** |
CN110853737B (zh) * | 2019-10-15 | 2023-05-23 | 吉林大学 | 一种医疗影像识别模型的更新方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909780A (zh) | 一种图像识别模型训练和图像识别方法、装置及*** | |
CN106682616A (zh) | 基于双通道特征深度学习的新生儿疼痛表情识别方法 | |
CN108596046A (zh) | 一种基于深度学习的细胞检测计数方法及*** | |
CN106599800A (zh) | 一种基于深度学习的人脸微表情识别方法 | |
CN106777953A (zh) | 医学影像数据的分析方法及*** | |
CN104143079A (zh) | 人脸属性识别的方法和*** | |
CN112200162B (zh) | 基于端到端网络的非接触式心率测量方法、***和装置 | |
CN112016527B (zh) | 基于深度学习的大熊猫行为识别方法、***、终端及介质 | |
CN109508755B (zh) | 一种基于图像认知的心理测评方法 | |
CN109544518A (zh) | 一种应用于骨骼成熟度评估的方法及其*** | |
CN104899564B (zh) | 一种人体行为实时识别方法 | |
CN111466878A (zh) | 基于表情识别的卧床病人疼痛症状实时监护方法及装置 | |
CN110456050B (zh) | 便携式智能数字化寄生虫体外诊断仪 | |
Petrellis | Mobile application for plant disease classification based on symptom signatures | |
CN109583331A (zh) | 基于深度学习的人手腕脉口位置精准定位方法 | |
CN109978873A (zh) | 一种基于中医影像大数据的智能体检***及其方法 | |
US11361441B2 (en) | Method for determining whether examinee is infected by microoganism and apparatus using the same | |
CN108447557A (zh) | 一种基于深度学习的医疗分析方法及装置 | |
CN111898533B (zh) | 一种基于时空特征融合的步态分类方法 | |
Maheshwari et al. | Performance analysis of mango leaf disease using machine learning technique | |
Leopold et al. | Segmentation and feature extraction of retinal vascular morphology | |
CN112881303A (zh) | 一种基于高光谱成像技术的血糖浓度检测方法 | |
CN115937129B (zh) | 基于多模态磁共振影像的左右半脑关系的处理方法及装置 | |
Koren et al. | Comparison of data-driven models for cleaning eHealth sensor data: Use case on ECG signal | |
CN110710956A (zh) | 一种昏迷患者的预后评估方法和评估*** |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180824 |
|
WW01 | Invention patent application withdrawn after publication |