CN110517747A - 病理数据处理方法、装置及电子设备 - Google Patents

病理数据处理方法、装置及电子设备 Download PDF

Info

Publication number
CN110517747A
CN110517747A CN201910822446.5A CN201910822446A CN110517747A CN 110517747 A CN110517747 A CN 110517747A CN 201910822446 A CN201910822446 A CN 201910822446A CN 110517747 A CN110517747 A CN 110517747A
Authority
CN
China
Prior art keywords
pathology
corpus data
vector
pathological
processed
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
Application number
CN201910822446.5A
Other languages
English (en)
Other versions
CN110517747B (zh
Inventor
马素芬
魏博
李力行
凌少平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Trino Invensys (beijing) Gene Technology Co Ltd
Original Assignee
Trino Invensys (beijing) Gene Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Trino Invensys (beijing) Gene Technology Co Ltd filed Critical Trino Invensys (beijing) Gene Technology Co Ltd
Priority to CN201910822446.5A priority Critical patent/CN110517747B/zh
Publication of CN110517747A publication Critical patent/CN110517747A/zh
Application granted granted Critical
Publication of CN110517747B publication Critical patent/CN110517747B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2237—Vectors, bitmaps or matrices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G06F16/313—Selection or weighting of terms for indexing
    • 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
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本申请提供了一种病理数据处理方法、装置及电子设备，其中，该病理数据处理方法包括：获取多份待处理病理报告；将多份待处理病理报告进行结构化处理，得到多条病理语料数据；将多条病理语料数据进行向量转换，得到多份待处理病理报告的病理矩阵；将病理矩阵进行降维处理，确定出多份待处理病理报告对应的病理表征矩阵，病理表征矩阵中的每一行向量表示一份待处理病理报告的表征向量。

Description

病理数据处理方法、装置及电子设备
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种病理数据处理方法、装置及电子设备。
背景技术
医生对病人进行诊断过程中往往需要参考相关疾病的临床路径和病人的实际诊断结果，还可能参考疾病指南、循证医学的进展调整医疗决策的实施细则，从而提供给患者最新的治疗手段与最优化的治疗方案。但是目前病理相关数据多是以文本数据的形式呈现，文本的信息相对零散，对医生的指导作用相对较小，对文本数据对病人的表示和刻画的效果也比较差。
发明内容
有鉴于此，本申请实施例的目的在于提供一种病理数据处理方法、装置及电子设备。能够实现文本报告数字化的效果，以改善病理数据的表示效果。
第一方面，本申请实施例提供了一种病理数据处理方法，包括：
获取多份待处理病理报告；
将所述多份待处理病理报告进行预处理，得到多条病理语料数据；
将所述多条病理语料数据进行向量转换，得到所述多份待处理病理报告的病理矩阵；
将所述病理矩阵进行降维处理，确定出所述多份待处理病理报告对应的病理表征矩阵，所述病理表征矩阵中的每一行向量表示一份所述待处理病理报告的表征向量。
本申请实施例提供的病理数据处理方法，采用将待处理病理报告结构化，然后再将结构化的数据进行向量转换，可以使用待处理病理报告数字化的呈现，再进一步地病理矩阵进行降维处理，低维度的矩阵，数字化的呈现可以更方便相关人员了解到各个的待处理病理报告的相似性，从而病理表征矩阵给予相关人员病理指示作用。
结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中：所述将所述多条病理语料数据进行向量转换，得到所述多份待处理病理报告的病理矩阵的步骤，包括：
针对所述多条病理语料数据中的每一条病理语料数据，将每一条病理语料数据中的每一个词使用词袋模型进行向量转化，得到该病理语料数据的每一个词的词向量；
将所有词向量进行加权求和，以得到该条病理语料数据中的病理向量；
所述多条病理语料数据对应的多个病理向量组成病理矩阵。
结合第一方面的第一种可能的实施方式，本申请实施例提供了第一方面的第二种可能的实施方式，其中：所述将所有词向量进行加权求和，以得到该条病理语料数据中的病理向量之前，所述方法还包括：根据所述多份待处理病理报告确定每一个词向量对应的权重；
所述将所有词向量进行加权求和，以得到该条病理语料数据中的病理向量的步骤，包括：将所有词向量使用该词向量对应的权重进行加权求和，以得到该条病理语料数据的病理向量。
结合第一方面的第二种可能的实施方式，本申请实施例提供了第一方面的第三种可能的实施方式，其中，所述根据所述多份待处理病理报告确定每一个词向量对应的权重的步骤，包括：
根据所述多份待处理病理报告的文件总数量、所述多份待处理病理报告中包括目标词向量对应的目标词的文件数量计算得到目标逆向频率；
根据所述目标词在每一份待处理病理报告出现次数计算得到目标词频；
根据所述目标逆向频率及所述目标词频计算得到所述目标词向量的权重。
本申请实施例提供的病理数据处理方法，还可以基于多份待处理病理报告的数据情况计算出每条病例的所有词向量进行加权平均时的权重，可以使确定出的一个词的值能够更好地表示出该词在矩阵的重要性。
结合第一方面，本申请实施例提供了第一方面的第四种可能的实施方式，其中，
所述将所述多条病理语料数据进行向量转换，得到所述多份待处理病理报告的病理矩阵的步骤，包括：
针对所述多条病理语料数据中的每一条病理语料数据，将每一条病理语料数据使用词袋模型进行向量转化，得到该病理语料数据的句向量；
所述多条病理语料数据对应的多个句向量组成病理矩阵。
本申请实施例提供的病理数据处理方法，针对病理语料数据中对应的每个句子确定出一向量，也可以使用最后形成的病理矩阵可以是二维矩阵，降低待处理病理报告的复杂度。
结合第一方面，本申请实施例提供了第一方面的第五种可能的实施方式，其中，所述将所述多条病理语料数据进行向量转换，得到所述多份待处理病理报告的病理矩阵的步骤，包括：
针对所述多条病理语料数据中的每一条病理语料数据，将每一条病理语料数据中的每一个词使用词袋模型进行向量转化，得到该病理语料数据的每一个词的词向量；将该条病理语料数据中的所有词向量计算平均值，得到该条病理语料数据中的病理向量；所述多条病理语料数据对应的多个病理向量组成第一病理矩阵；
针对所述多条病理语料数据中的每一条病理语料数据，将每一条病理语料数据中的每一个词使用词袋模型进行向量转化，得到该病理语料数据的每一个词的词向量；根据所述多份待处理病理报告确定每一个词向量对应的权重；将该条病理语料数据中的所有词向量进行加权求和，得到该条病理语料数据中的病理向量；所述多条病理语料数据对应的多个病理向量组成第二病理矩阵；
针对所述多条病理语料数据中的每一条病理语料数据，将每一条病理语料数据使用词袋模型进行向量转化，得到该病理语料数据的句向量；所述多条病理语料数据对应的多个句向量组成第三病理矩阵；
对所述第一病理矩阵、所述第二病理矩阵及所述第三病理矩阵进行加权求和，得到病理矩阵。
进一步，本申请实施例提供的病理数据处理方法，还可以根据多种计算方式分别确定出的第一病理矩阵、第二病理矩阵及第三病理矩阵，再结果第一病理矩阵、第二病理矩阵及第三病理矩阵确定出病理矩阵，可使病理矩阵结合多类情况，可以使确定出的病理矩阵能够更好地表示各份待处理病理报告的信息。
结合第一方面或第一方面的任意一种可能的实施方式中，本申请实施例提供了第一方面的第六种可能的实施方式，其中，还包括：
计算所述病理表征矩阵的各行向量的余弦值；
根据所述余弦值确定出各份所述待处理病理报告之间的相似度。
本申请实施例提供的病理数据处理方法，还可以通过余弦值能够得到各份所述待处理病理报告之间的相似度，从而方便相关人员了解到各份所述待处理病理报告的信息。
结合第一方面或第一方面的任意一种可能的实施方式中，本申请实施例提供了第一方面的第七种可能的实施方式，其中，还包括：
将所述病理表征矩阵的各行向量映射至与所述行向量的维度相同的坐标系上，得到病理分布结果；
输出显示所述病理分布结果。
本申请实施例提供的病理数据处理方法，还可以输出显示病理分布结果，从而使相关人员更直观地了解到各份所述待处理病理报告的分布情况。
第二方面，本申请实施例还提供一种病理数据处理装置，包括：
获取模块，用于获取多份待处理病理报告；
处理模块，用于将所述多份待处理病理报告进行预处理，得到多条病理语料数据；
转换模块，用于将所述多条病理语料数据进行向量转换，得到所述多份待处理病理报告的病理矩阵；
降维模块，用于将所述病理矩阵进行降维处理，确定出所述多份待处理病理报告对应的病理表征矩阵，所述病理表征矩阵中的每一行向量表示一份所述待处理病理报告的表征向量。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面的任一种可能的实施方式中的方法的步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面的任一种可能的实施方式中的方法的步骤。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电子设备的方框示意图。
图2为本申请实施例提供的病理数据处理方法的流程图。
图3为本申请实施例提供的病理数据处理方法的步骤203的详细流程图。
图4为本申请实施例提供的病理数据处理方法的中的一数值的确定过程的详细流程图。
图5为本申请另一实施例提供的病理数据处理方法的流程图。
图6为本申请实施例提供的病理数据处理装置的功能模块示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例一
为便于对本实施例进行理解，首先对执行本申请实施例所公开的病理数据处理方法的电子设备进行详细介绍。
如图1所示，是电子设备的方框示意图。电子设备100可以包括存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115、显示单元116。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对电子设备100的结构造成限定。例如，电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
上述的存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115及显示单元116各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。上述的处理器113用于执行存储器中存储的可执行模块。
其中，存储器111可以是，但不限于，随机存取存储器(Random Access Memory，简称RAM)，只读存储器(Read Only Memory，简称ROM)，可编程只读存储器(ProgrammableRead-Only Memory，简称PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，简称EEPROM)等。其中，存储器111用于存储程序，所述处理器113在接收到执行指令后，执行所述程序，本申请实施例任一实施例揭示的过程定义的电子设备100所执行的方法可以应用于处理器113中，或者由处理器113实现。
上述的处理器113可能是一种集成电路芯片，具有信号的处理能力。上述的处理器113可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(digital signalprocessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述的外设接口114将各种输入/输出装置耦合至处理器113以及存储器111。在一些实施例中，外设接口114，处理器113以及存储控制器112可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
上述的输入输出单元115用于提供给用户输入数据。所述输入输出单元115可以是，但不限于，鼠标和键盘等。
上述的显示单元在电子设备100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器进行计算和处理。
本实施例中的电子设备100可以用于执行本申请实施例提供的各个方法中的各个步骤。下面通过几个实施例详细描述病理数据处理方法的实现过程。
实施例二
请参阅图2，是本申请实施例提供的病理数据处理方法的流程图。下面将对图2所示的具体流程进行详细阐述。
步骤201，获取多份待处理病理报告。
上述的多份待处理病理报告可以是多位病人的病理报告。多份待处理病理报告的来源可以是已存在于用于执行本实施例中的病理数据处理方法的电子设备，也可以是与该电子设备通信连接的服务器中。
步骤202，将所述多份待处理病理报告进行预处理，得到多条病理语料数据。
其中，上述的多条病理语料数据可以形成病人病历语料库。上述的多条病理语料数据也可以是多条结构化的病理数据。
在一种实施方式中，上述的预处理可以包括对多份待处理病理报告进行清洗和分词处理。其中，将多份待处理病理报告进行清洗和分词处理可得到当前病人病历语料库。示例性地，数据清洗可以包括：去除待处理病理报告中的空格、换行符和特殊字符等。示例性地，分词处理可以通过自定义字典对待处理病理报告进行分词处理。
在另一种实施方式，上述的预处理可以包括对多份待处理病理报告进行结构化处理。其中，将多份待处理病理报告进行结构化处理可以得到多条结构化的病理数据。示例性地，结构化处理可以包括：将待处理病理报告先进行切词处理，以得到病理词组；对该病理词组中的各个病理词进行识别，确定出标志词；根据该标志词对所述病理词组进行分组，得到至少一组信息词组；对该至少一组信息词组进行关键信息提取，并以提取的关键信息词组合成结构化的病理数据。
步骤203，将所述多条病理语料数据进行向量转换，得到所述多份待处理病理报告的病理矩阵。
在一种实施方式中，如图3所示，步骤203可以包括步骤2031-2033。
步骤2031，针对所述多条病理语料数据中的每一条病理语料数据，将每一条病理语料数据中的每一个词使用词袋模型进行向量转化，得到该病理语料数据的每一个词的词向量。
示例性地，上述的词袋模型可以是Word2Vec模型。其中，Word2Vec模型是简单化的神经网络。Word2Vec模型可以包括CBOW(Continuous Bag-of-Words)模型、Skip-Gram模型。其中，CBOW模型相对更适用于小型数据库，而Skip-Gram模型在大型语料中也能够实现很好的词向量地转换。因此，可以基于词汇的转换量的大小选择合适的词袋模型。在一个可选的实施方式中，可以使用Skip-Gram模型。进一步地，Skip-Gram模型的基础上，还可以使用Hierarchical Softmax优化。
步骤2032，将所有词向量进行加权求和，以得到该条病理语料数据中的病理向量。
示例性地，一条病理语料数据中包括n个词，经过词袋模型的转换每个词可以表示为长度为q的向量，n个词向量可以分别表示为：V1,V2,V3,...,Vn。其中，一病理语料数据的表示向量可以表示：(a1,a2,a3,...,an)。
则n个词的表示数的计算公式可以表示为：a1＝1/q(v11+v21+v31+..+vn1)；…；an＝1/q(v1n+v2n+v3n+..+vqn)。
在另一种实施方式中，可以先计算得到每一个词向量对应的权重，再根据权重计算得到每一个词的表示数。
在步骤2032之前，还可以包括：根据所述多份待处理病理报告确定每一个词向量对应的权重。
如图4所示，根据所述多份待处理病理报告确定每一个词向量对应的权重可以包括以下步骤。
步骤301，根据所述多份待处理病理报告的文件总数量、所述多份待处理病理报告中包括目标词向量对应的目标词的文件数量计算得到目标逆向频率。
示例性地，计算目标词对应的权重所需要的目标逆向频率可以表示为：IDFi,j。
示例性地，目标逆向频率IDFi,j的计算公式可表示为：
其中，|D|表示根据多份待处理病理报告得到的当前病人病历语料库，|{j:tj∈dj}|表示在多份待处理病理报告中包含词tj的报告数量，tj表示在当前处理的目标词为当前处理的病理语料数据中的第j个词。其中，IDFi,j可以表征目标词在当前病人病历语料数据库中的逆向文件频率，也就是目标词的普遍重要性的度量。
步骤302，根据所述目标词在每一份待处理病理报告出现次数计算得到目标词频。
示例性地，计算目标词对应的权重所需要的目标词频可以表示为：TFi,j。
示例性地，目标词频TFi,j的计算公式可以表示为：
其中，ni,j表示当前处理的目标词在当前处理的病理语料数据(也就是在当前病人病历语料库中第i条病理语料数据)中出现的次数；nk,j表示当前处理的目标词在当前病人病历语料库中的第k条病理语料数据中出现的次数。其中，TFi,j可以表征目标词在当前病人病历语料库中的词频，指目标词在一条病例中出现的频率。
步骤303，根据所述目标逆向频率及所述目标词频计算得到所述目标词向量的权重。
示例性地，目标词向量的权重可以表示为：TFIDFi,j。
示例性地，目标词向量的权重TFIDFi,j的计算公式可以表示为：
TFIDFi,j＝TFi,j×IDFi,j。
示例性地，将目标词的表示向量乘以上述计算得到的TFIDFi,j，得到该目标词的表示向量。
示例性地，第i条病理语料数据的n个词向量可以分别表示为：V1,V2,V3,...,Vn。
第i条病理语料数据对应的n个词向量的权重可表示为：TFIDFi1、TFIDFi2、TFIDFin；
示例性地，第i条病理语料数据的病理向量表示为：
V1*TFIDFi1,V2*TFIDFi2,V3*TFIDFi3,...,Vn*TFIDFin。
通过上述的计算目标词的表示数的计算方式，将每一个词向量使用该词向量对应的权重进行加权求和，以得到该条病理语料数据的病理向量。
步骤2033，多条病理语料数据对应的多个病理向量组成病理矩阵。
多个向量可以形成一矩阵。每一病理向量可以是病理矩阵的一行向量。
示例性地，通过将计算得到的目标词向量中的各个元素计算平均值作为目标词的表示数的方式，以确定出得到的病理矩阵可以分别表示为：Dm×n。
示例性地，通过将先计算得到每一个词向量对应的权重，再根据权重计算得到每一个词的表示数的方式，以确定出得到的病理矩阵可以分别表示为：Em×n。
在另一种实施方式中，步骤203可以包括：针对所述多条病理语料数据中的每一条病理语料数据，将每一条病理语料数据使用词袋模型进行向量转化，得到该病理语料数据的句向量；所述多条病理语料数据对应的多个句向量组成病理矩阵。
示例性地，可以使用Doc2Vec模型对病理语料数据进行处理，以得到一句向量。
每一条句向量可以作为病理矩阵的一行向量。
基于该多条病理语料数据对应的多个句向量组成病理矩阵的实施方式确定出的可以表示为：Fm×n。
其中，上述的Doc2Vec模型可以理解为Word2Vec方法的拓展。Doc2Vec模型的训练过程中新增了Paragraph id，即训练语料中每个句子都有一个唯一的id。Paragraph id和普通的word一样，先是映射成一个向量，即paragraph vector。paragraph vector与wordvector的维数虽一样，但是来自于两个不同的向量空间。在之后的计算里，paragraphvector与word vector累加或者连接起来，作为输出层Softmax的输入。在一个句子或者文档的训练过程中，Paragraph id保持不变，共享同一个paragraph vector，相当于每次在预测单词的概率时，都利用了整个句子的语义。
考虑不同的计算病理矩阵的计算方式可能的关注重点可以不一样。
在一实施方式中，本申请步骤203还可以包括使用上述的多种实施方式计算得到的Dm×n、Em×n、Fm×n进行加权求和，得到病理矩阵。
示例性地，步骤203可以包括：
针对所述多条病理语料数据中的每一条病理语料数据，将每一条病理语料数据中的每一个词使用词袋模型进行向量转化，得到该病理语料数据的每一个词的词向量；将该条病理语料数据中的所有词向量计算平均值，得到该条病理语料数据中的病理向量；所述多条病理语料数据对应的多个病理向量组成第一病理矩阵；
其中，本实施方式中计算第一病理矩阵的过程可以参考上述的计算矩阵Dm×n的描述，在此不再赘述。
针对所述多条病理语料数据中的每一条病理语料数据，将每一条病理语料数据中的每一个词使用词袋模型进行向量转化，得到该病理语料数据的每一个词的词向量；根据所述多份待处理病理报告确定每一个词向量对应的权重；将该条病理语料数据中的所有词向量进行加权求和，得到该条病理语料数据中的病理向量；所述多条病理语料数据对应的多个病理向量组成第二病理矩阵；
其中，本实施方式中计算第二病理矩阵的过程可以参考上述的计算矩阵Em×n的描述，在此不再赘述。
针对所述多条病理语料数据中的每一条病理语料数据，将每一条病理语料数据使用词袋模型进行向量转化，得到该病理语料数据的句向量；所述多条病理语料数据对应的多个句向量组成第三病理矩阵；
其中，本实施方式中计算第三病理矩阵的过程可以参考上述的计算矩阵Fm×n的描述，在此不再赘述。
对所述第一病理矩阵、所述第二病理矩阵及所述第三病理矩阵进行加权求和，得到病理矩阵。
示例性地，本实施方式中的第一病理矩阵、第二病理矩阵及第三病理矩阵分别使用Am×n、Bm×n、Cm×n表示。
在本实施方式中，病理矩阵可表示为Dm×n。
示例性地，病理矩阵Dm×n的计算公式可以表示为：
Dm×n＝a*Am×n+b*Bm×n+c*Cm×n；
其中，a表示第一病理矩阵的权重，b表示第二病理矩阵的权重，c表示第三病理矩阵的权重。
示例性地，上述的第一病理矩阵的权重、第二病理矩阵的权重、以及第三病理矩阵的权重可以选择正整数。
步骤204，将所述病理矩阵进行降维处理，确定出所述多份待处理病理报告对应的病理表征矩阵，所述病理表征矩阵中的每一行向量表示一份所述待处理病理报告的表征向量。
可选地，可以使用PCA(principal components analysis，中文称：主成分分析)降维方式对病理矩阵进行降维处理。
可选地，还可以使用t-SNE(t-distributed stochastic neighbor embedding，中文称：t-分布随机邻域嵌入)降维方式对病理矩阵进行降维处理。
可选地，还可以先使用PCA降维方式对病理矩阵进行降维处理，得到初步降维矩阵，再在PCA降维的基础上，再使用t-SNE降维方式对初步降维矩阵进行降维处理。通过双重降维处理方式可以减小计算复杂度和减低***资源要求。
示例性地，可以将病理矩阵可以降低成m*2或m*3维的矩阵。其中，每一待处理病理报告对应的向量为一二维向量或三维向量。
在上述的本实施例中的上述步骤中，采用将待处理病理报告结构化，然后再将结构化的数据进行向量转换，可以使用待处理病理报告数字化的呈现，再进一步地病理矩阵进行降维处理，低维度的矩阵可以更方便相关人员了解到各个的待处理病理报告的相似性，从而病理表征矩阵给予相关人员病理指示作用。
在其它实施例中，如图5所示，在图2所示的基础上，病理数据处理方法还可以包括：
步骤205，计算所述病理表征矩阵的各行向量的余弦值；
步骤206，根据所述余弦值确定出各份所述待处理病理报告之间的相似度。
示例性地，各行向量的余弦值表示为：
其中，xi表示其中一行向量的第i个元素值，yi表示另一行向量的第i个元素值，p表示病理表征矩阵的列数，也就是病理表征矩阵的行向量的维度。
示例性地，两行向量的余弦值越接近一，表示两行向量的表示的线形成的夹角越小，也就表示两行向量所代表的两份待处理病理报告越相似。
在其它实施例中，如图5所示，在图2所示的基础上，病理数据处理方法还可以包括：
步骤207，将所述病理表征矩阵的各行向量映射至与所述行向量的维度相同的坐标系上，得到病理分布结果。
示例性地，若病理表征矩阵的行向量的维度是三维，则可以将每一行向量在一三维坐标系中标记。
示例性地，若病理表征矩阵的行向量的维度是二维，则可以将每一行向量在一二维坐标系中标记。
步骤208，输出显示所述病理分布结果。
可选地，若病理表征矩阵的各行向量是三维向量，则可以以三维图显示病理分布结果。若病理表征矩阵的各行向量是二维向量，则可以以二维图显示病理分布结果。
通过对病理分布结果的显示，从而使相关人员更直观地了解到各份所述待处理病理报告的分布情况。
实施例三
基于同一申请构思，本申请实施例中还提供了与病理数据处理方法对应的病理数据处理装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述病理数据处理方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
请参阅图6，是本申请实施例提供的病理数据处理装置的功能模块示意图。本实施例中的病理数据处理装置中的各个模块用于执行上述方法实施例中的各个步骤。病理数据处理装置包括：获取模块401、处理模块402、转换模块403及降维模块404；其中，
获取模块401，用于获取多份待处理病理报告；
处理模块402，用于将所述多份待处理病理报告进行预处理，得到多条病理语料数据；
转换模块403，用于将所述多条病理语料数据进行向量转换，得到所述多份待处理病理报告的病理矩阵；
降维模块404，用于将所述病理矩阵进行降维处理，确定出所述多份待处理病理报告对应的病理表征矩阵，所述病理表征矩阵中的每一行向量表示一份所述待处理病理报告的表征向量。
一种可能的实施方式中，本实施例中的转换模块403，包括：
第一得到单元，用于针对所述多条病理语料数据中的每一条病理语料数据，将每一条病理语料数据中的每一个词使用词袋模型进行向量转化，得到该病理语料数据的每一个词的词向量；
第二得到单元，用于将所有词向量进行加权求和，以得到该条病理语料数据中的病理向量；
组成模块，用于所述多条病理语料数据对应的多个病理向量组成病理矩阵。
一种可能的实施方式中，本实施例中的转换模块403，还包括：
权重计算单元，用于根据所述多份待处理病理报告确定每一个词向量对应的权重；
第二得到单元，还用于将所有词向量使用该词向量对应的权重进行加权求和，以得到该条病理语料数据的病理向量；
所述多条病理语料数据对应的多个病理向量组成病理矩阵。
一种可能的实施方式中，权重计算单元，还用于：
根据所述多份待处理病理报告的文件总数量、所述多份待处理病理报告中包括目标词向量对应的目标词的文件数量计算得到目标逆向频率；
根据所述目标词在每一份待处理病理报告出现次数计算得到目标词频；
根据所述目标逆向频率及所述目标词频计算得到所述目标词向量的权重。
一种可能的实施方式中，本实施例中的转换模块403，还用于：
针对所述多条病理语料数据中的每一条病理语料数据，将每一条病理语料数据使用词袋模型进行向量转化，得到该病理语料数据的句向量；
所述多条病理语料数据对应的多个句向量组成病理矩阵。
一种可能的实施方式中，本实施例中的转换模块403，还用于：
针对所述多条病理语料数据中的每一条病理语料数据，将每一条病理语料数据中的每一个词使用词袋模型进行向量转化，得到该病理语料数据的每一个词的词向量；将该条病理语料数据中的所有词向量计算平均值，得到该条病理语料数据中的病理向量；所述多条病理语料数据对应的多个病理向量组成第一病理矩阵；
针对所述多条病理语料数据中的每一条病理语料数据，将每一条病理语料数据中的每一个词使用词袋模型进行向量转化，得到该病理语料数据的每一个词的词向量；根据所述多份待处理病理报告确定每一个词向量对应的权重；将该条病理语料数据中的所有词向量进行加权求和，得到该条病理语料数据中的病理向量；所述多条病理语料数据对应的多个病理向量组成第二病理矩阵；
针对所述多条病理语料数据中的每一条病理语料数据，将每一条病理语料数据使用词袋模型进行向量转化，得到该病理语料数据的句向量；所述多条病理语料数据对应的多个句向量组成第三病理矩阵；
对所述第一病理矩阵、所述第二病理矩阵及所述第三病理矩阵进行加权求和，得到病理矩阵。
一种可能的实施方式中，本实施例中的病理数据处理装置，还包括：相似度计算模块405，用于：
计算所述病理表征矩阵的各行向量的余弦值；
根据所述余弦值确定出各份所述待处理病理报告之间的相似度。
一种可能的实施方式中，本实施例中的病理数据处理装置，还包括：显示模块406，还用于：
将所述病理表征矩阵的各行向量映射至与所述行向量的维度相同的坐标系上，得到病理分布结果；
输出显示所述病理分布结果。
此外，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的病理数据处理方法的步骤。
本申请实施例所提供的病理数据处理方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中所述的病理数据处理方法的步骤，具体可参见上述方法实施例，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种病理数据处理方法，其特征在于，包括：
获取多份待处理病理报告；
将所述多份待处理病理报告进行预处理，得到多条病理语料数据；
将所述多条病理语料数据进行向量转换，得到所述多份待处理病理报告的病理矩阵；
将所述病理矩阵进行降维处理，确定出所述多份待处理病理报告对应的病理表征矩阵，所述病理表征矩阵中的每一行向量表示一份所述待处理病理报告的表征向量。
2.根据权利要求1所述的方法，其特征在于，所述将所述多条病理语料数据进行向量转换，得到所述多份待处理病理报告的病理矩阵的步骤，包括：
针对所述多条病理语料数据中的每一条病理语料数据，将每一条病理语料数据中的每一个词使用词袋模型进行向量转化，得到该病理语料数据的每一个词的词向量；
将所有词向量进行加权求和，以得到该条病理语料数据中的病理向量；
所述多条病理语料数据对应的多个病理向量组成病理矩阵。
3.根据权利要求2所述的方法，其特征在于，所述将所有词向量进行加权求和，以得到该条病理语料数据中的病理向量之前，所述方法还包括：根据所述多份待处理病理报告确定每一个词向量对应的权重；
所述将所有词向量进行加权求和，以得到该条病理语料数据中的病理向量的步骤，包括：将所有词向量使用该词向量对应的权重进行加权求和，以得到该条病理语料数据的病理向量。
4.根据权利要求3所述的方法，其特征在于，所述根据所述多份待处理病理报告确定每一个词向量对应的权重的步骤，包括：
根据所述多份待处理病理报告的文件总数量、所述多份待处理病理报告中包括目标词向量对应的目标词的文件数量计算得到目标逆向频率；
根据所述目标词在每一份待处理病理报告出现次数计算得到目标词频；
根据所述目标逆向频率及所述目标词频计算得到所述目标词向量的权重。
5.根据权利要求1所述的方法，其特征在于，所述将所述多条病理语料数据进行向量转换，得到所述多份待处理病理报告的病理矩阵的步骤，包括：
针对所述多条病理语料数据中的每一条病理语料数据，将每一条病理语料数据使用词袋模型进行向量转化，得到该病理语料数据的句向量；
所述多条病理语料数据对应的多个句向量组成病理矩阵。
6.根据权利要求1所述的方法，其特征在于，所述将所述多条病理语料数据进行向量转换，得到所述多份待处理病理报告的病理矩阵的步骤，包括：
针对所述多条病理语料数据中的每一条病理语料数据，将每一条病理语料数据中的每一个词使用词袋模型进行向量转化，得到该病理语料数据的每一个词的词向量；将该条病理语料数据中的所有词向量计算平均值，得到该条病理语料数据中的病理向量；所述多条病理语料数据对应的多个病理向量组成第一病理矩阵；
针对所述多条病理语料数据中的每一条病理语料数据，将每一条病理语料数据中的每一个词使用词袋模型进行向量转化，得到该病理语料数据的每一个词的词向量；根据所述多份待处理病理报告确定每一个词向量对应的权重；将该条病理语料数据中的所有词向量进行加权求和，得到该条病理语料数据中的病理向量；所述多条病理语料数据对应的多个病理向量组成第二病理矩阵；
针对所述多条病理语料数据中的每一条病理语料数据，将每一条病理语料数据使用词袋模型进行向量转化，得到该病理语料数据的句向量；所述多条病理语料数据对应的多个句向量组成第三病理矩阵；
对所述第一病理矩阵、所述第二病理矩阵及所述第三病理矩阵进行加权求和，得到病理矩阵。
7.根据权利要求1-6任意一项所述的方法，其特征在于，还包括：
计算所述病理表征矩阵的各行向量的余弦值；
根据所述余弦值确定出各份所述待处理病理报告之间的相似度。
8.根据权利要求1-6任意一项所述的方法，其特征在于，还包括：
将所述病理表征矩阵的各行向量映射至与所述行向量的维度相同的坐标系上，得到病理分布结果；
输出显示所述病理分布结果。
9.一种病理数据处理装置，其特征在于，包括：
获取模块，用于获取多份待处理病理报告；
处理模块，用于将所述多份待处理病理报告进行预处理，得到多条病理语料数据；
转换模块，用于将所述多条病理语料数据进行向量转换，得到所述多份待处理病理报告的病理矩阵；
降维模块，用于将所述病理矩阵进行降维处理，确定出所述多份待处理病理报告对应的病理表征矩阵，所述病理表征矩阵中的每一行向量表示一份所述待处理病理报告的表征向量。
10.一种电子设备，其特征在于，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述机器可读指令被所述处理器执行时执行如权利要求1至8任一所述的方法的步骤。
CN201910822446.5A 2019-08-30 2019-08-30 病理数据处理方法、装置及电子设备 Active CN110517747B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910822446.5A CN110517747B (zh) 2019-08-30 2019-08-30 病理数据处理方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910822446.5A CN110517747B (zh) 2019-08-30 2019-08-30 病理数据处理方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN110517747A true CN110517747A (zh) 2019-11-29
CN110517747B CN110517747B (zh) 2022-06-03

Family

ID=68630232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910822446.5A Active CN110517747B (zh) 2019-08-30 2019-08-30 病理数据处理方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN110517747B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111681749A (zh) * 2020-06-22 2020-09-18 韦志永 一种病理科规范化工作管理和诊断咨询***及方法
CN112185572A (zh) * 2020-09-25 2021-01-05 志诺维思（北京）基因科技有限公司 一种肿瘤专病数据库构建***、方法、电子设备和介质
CN113626460A (zh) * 2021-07-12 2021-11-09 武汉千屏影像技术有限责任公司 不同病理***的数据交互方法、装置和存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682132A (zh) * 2012-05-18 2012-09-19 合一网络技术(北京)有限公司 一种基于词频、播放量和创建时间检索信息的方法及***
CN106446526A (zh) * 2016-08-31 2017-02-22 北京千安哲信息技术有限公司 电子病历实体关系抽取方法及装置
CN107169259A (zh) * 2016-12-12 2017-09-15 为朔生物医学有限公司 基于协同过滤和建议的个性化医学决定支持***
CN107656952A (zh) * 2016-12-30 2018-02-02 青岛中科慧康科技有限公司 平行智能病例推荐模型的建模方法
CN107767946A (zh) * 2017-09-26 2018-03-06 浙江工业大学 基于pca和pso‑kelm模型的乳腺癌诊断***
CN108763487A (zh) * 2018-05-30 2018-11-06 华南理工大学 一种基于Mean Shift的融合词性和句子信息的词表示方法
CN108804423A (zh) * 2018-05-30 2018-11-13 平安医疗健康管理股份有限公司 医疗文本特征提取与自动匹配方法和***
CN109086265A (zh) * 2018-06-29 2018-12-25 厦门快商通信息技术有限公司 一种语义训练方法、短文本中多语义词消歧方法
CN109409416A (zh) * 2018-09-29 2019-03-01 上海联影智能医疗科技有限公司 特征向量降维方法和医学图像识别方法、装置及存储介质
CN109740652A (zh) * 2018-12-24 2019-05-10 深圳大学 一种病理图像分类方法和计算机设备
US20190197105A1 (en) * 2017-12-21 2019-06-27 International Business Machines Corporation Unsupervised neural based hybrid model for sentiment analysis of web/mobile application using public data sources

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682132A (zh) * 2012-05-18 2012-09-19 合一网络技术(北京)有限公司 一种基于词频、播放量和创建时间检索信息的方法及***
CN106446526A (zh) * 2016-08-31 2017-02-22 北京千安哲信息技术有限公司 电子病历实体关系抽取方法及装置
CN107169259A (zh) * 2016-12-12 2017-09-15 为朔生物医学有限公司 基于协同过滤和建议的个性化医学决定支持***
CN107656952A (zh) * 2016-12-30 2018-02-02 青岛中科慧康科技有限公司 平行智能病例推荐模型的建模方法
CN107767946A (zh) * 2017-09-26 2018-03-06 浙江工业大学 基于pca和pso‑kelm模型的乳腺癌诊断***
US20190197105A1 (en) * 2017-12-21 2019-06-27 International Business Machines Corporation Unsupervised neural based hybrid model for sentiment analysis of web/mobile application using public data sources
CN108763487A (zh) * 2018-05-30 2018-11-06 华南理工大学 一种基于Mean Shift的融合词性和句子信息的词表示方法
CN108804423A (zh) * 2018-05-30 2018-11-13 平安医疗健康管理股份有限公司 医疗文本特征提取与自动匹配方法和***
CN109086265A (zh) * 2018-06-29 2018-12-25 厦门快商通信息技术有限公司 一种语义训练方法、短文本中多语义词消歧方法
CN109409416A (zh) * 2018-09-29 2019-03-01 上海联影智能医疗科技有限公司 特征向量降维方法和医学图像识别方法、装置及存储介质
CN109740652A (zh) * 2018-12-24 2019-05-10 深圳大学 一种病理图像分类方法和计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
浦东旭: "基于病历文本语义分析的智能肝病辅助诊疗***研究", 《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111681749A (zh) * 2020-06-22 2020-09-18 韦志永 一种病理科规范化工作管理和诊断咨询***及方法
CN112185572A (zh) * 2020-09-25 2021-01-05 志诺维思（北京）基因科技有限公司 一种肿瘤专病数据库构建***、方法、电子设备和介质
CN112185572B (zh) * 2020-09-25 2024-03-01 志诺维思（北京）基因科技有限公司 一种肿瘤专病数据库构建***、方法、电子设备和介质
CN113626460A (zh) * 2021-07-12 2021-11-09 武汉千屏影像技术有限责任公司 不同病理***的数据交互方法、装置和存储介质
CN113626460B (zh) * 2021-07-12 2023-11-03 武汉千屏影像技术有限责任公司 不同病理***的数据交互方法、装置和存储介质

Also Published As

Publication number Publication date
CN110517747B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
Park et al. Atom: A grammar for unit visualizations
CN104662491B (zh) 用于传感器***的自动手势辨认
CN110517747A (zh) 病理数据处理方法、装置及电子设备
CN108415978A (zh) 用户标签存储方法、用户画像计算方法及计算设备
Shen et al. Discovering the potential opportunities of scientific advancement and technological innovation: A case study of smart health monitoring technology
Chang et al. Product concept evaluation and selection using data mining and domain ontology in a crowdsourcing environment
CN107644286A (zh) 工作流处理方法及装置
Adams et al. Thematic signatures for cleansing and enriching place-related linked data
Govindarajan et al. Intelligent collaborative patent mining using excessive topic generation
CN113449187A (zh) 基于双画像的产品推荐方法、装置、设备及存储介质
JP6247775B2 (ja) 時系列予測装置、及び時系列予測方法
CN107391545A (zh) 一种对用户进行分类的方法、输入方法及装置
CN110309316A (zh) 一种知识图谱向量的确定方法、装置、终端设备和介质
CN109376270A (zh) 一种数据检索方法和装置
CN108829804A (zh) 基于距离划分树的高维数据相似性连接查询方法及装置
CN110033382A (zh) 一种保险业务的处理方法、装置及设备
Holme et al. Role-similarity based functional prediction in networked systems: application to the yeast proteome
CN106991084B (zh) 一种文档评估方法及装置
CN110457430A (zh) 一种文本的溯源检测方法、装置及设备
CN110457707A (zh) 实词关键词的提取方法、装置、电子设备及可读存储介质
CN109543959A (zh) 审批链生成方法、装置、计算机设备及存储介质
CN109144980A (zh) 元数据管理方法、装置及电子设备
CN107085498A (zh) 输入数值的方法和装置
CN106953937A (zh) 一种统一资源定位符url转换方法及装置
Agranovsky et al. A multi-resolution interpolation scheme for pathline based Lagrangian flow representations

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