CN112075927B - 脑卒中的病因分类方法及装置 - Google Patents
脑卒中的病因分类方法及装置 Download PDFInfo
- Publication number
- CN112075927B CN112075927B CN202011103662.3A CN202011103662A CN112075927B CN 112075927 B CN112075927 B CN 112075927B CN 202011103662 A CN202011103662 A CN 202011103662A CN 112075927 B CN112075927 B CN 112075927B
- Authority
- CN
- China
- Prior art keywords
- brain
- image
- result
- etiology
- information
- 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
- 208000006011 Stroke Diseases 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 60
- 206010008190 Cerebrovascular accident Diseases 0.000 title abstract description 25
- 230000002490 cerebral effect Effects 0.000 title abstract description 24
- 210000004556 brain Anatomy 0.000 claims abstract description 173
- 230000011218 segmentation Effects 0.000 claims abstract description 95
- 238000012545 processing Methods 0.000 claims abstract description 80
- 238000005192 partition Methods 0.000 claims abstract description 71
- 238000004458 analytical method Methods 0.000 claims abstract description 65
- 238000010191 image analysis Methods 0.000 claims abstract description 64
- 238000002597 diffusion-weighted imaging Methods 0.000 claims abstract description 13
- 230000003902 lesion Effects 0.000 claims description 49
- 230000011157 brain segmentation Effects 0.000 claims description 48
- 206010061216 Infarction Diseases 0.000 claims description 36
- 230000007574 infarction Effects 0.000 claims description 36
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 201000001320 Atherosclerosis Diseases 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 29
- 238000003066 decision tree Methods 0.000 claims description 28
- 200000000007 Arterial disease Diseases 0.000 claims description 26
- 230000000747 cardiac effect Effects 0.000 claims description 25
- 238000002372 labelling Methods 0.000 claims description 24
- 201000010099 disease Diseases 0.000 claims description 22
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 22
- 208000028922 artery disease Diseases 0.000 claims description 21
- 206010057469 Vascular stenosis Diseases 0.000 claims description 15
- 230000036770 blood supply Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 208000010125 myocardial infarction Diseases 0.000 claims description 8
- 208000020446 Cardiac disease Diseases 0.000 claims description 5
- 208000019622 heart disease Diseases 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 28
- 238000003860 storage Methods 0.000 description 20
- 210000001367 artery Anatomy 0.000 description 15
- 238000004891 communication Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 11
- 208000031481 Pathologic Constriction Diseases 0.000 description 10
- 238000009792 diffusion process Methods 0.000 description 10
- 230000036262 stenosis Effects 0.000 description 10
- 208000037804 stenosis Diseases 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000007917 intracranial administration Methods 0.000 description 9
- 230000008506 pathogenesis Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 208000026106 cerebrovascular disease Diseases 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 210000000709 aorta Anatomy 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000002739 subcortical effect Effects 0.000 description 5
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000003143 atherosclerotic effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 206010003658 Atrial Fibrillation Diseases 0.000 description 2
- 208000007536 Thrombosis Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 210000002376 aorta thoracic Anatomy 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 208000006887 mitral valve stenosis Diseases 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010069020 Basal ganglia infarction Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010014498 Embolic stroke Diseases 0.000 description 1
- 208000005189 Embolism Diseases 0.000 description 1
- 206010014513 Embolism arterial Diseases 0.000 description 1
- 208000035177 MELAS Diseases 0.000 description 1
- 208000009564 MELAS Syndrome Diseases 0.000 description 1
- 206010058799 Mitochondrial encephalomyopathy Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 201000005847 Sneddon syndrome Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 201000007293 brain stem infarction Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 208000006443 lactic acidosis Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000009863 secondary prevention Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Neurology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- General Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Radiology & Medical Imaging (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Software Systems (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种脑卒中的病因分类方法及装置,所述方法包括:对待处理图像分别进行病灶分割处理及脑部分区处理,得到所述待处理图像的病灶分割结果以及脑部分区结果,所述待处理图像包括以弥散加权成像方式得到的目标对象的脑部图像;根据所述病灶分割结果及所述脑部分区结果,确定所述待处理图像的图像分析结果,所述图像分析结果包括各个脑部分区中的病灶信息;对所述目标对象的对象临床信息进行分析,得到所述目标对象的临床分析结果;根据所述图像分析结果及所述临床分析结果,确定所述目标对象的病因类别。本公开的实施例可提高脑卒中病因分类的准确性。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种脑卒中的病因分类方法及装置。
背景技术
近些年,我国脑血管病的发病率及患病率均呈增长趋势,且随着危险因素的增多,脑血管病的复发风险也呈攀升趋势。目前,脑血管病的致残率及致死率已位居首位,严重影响国民健康水平。其中,缺血性脑卒中(又称中风、脑血管意外)约占脑血管病的70%-80%,是最主要的脑血管疾病类型。
然而,在临床实践中,脑卒中的病因诊断及分类,不仅受临床医生的主观因素及知识经验的影响,也未充分利用医学影像中的相关信息,导致脑卒中病因分类的一致性及准确性较差,存在较多分类错误。此外,目前也缺乏对与脑卒中相关的医学影像的标准化判读。
发明内容
有鉴于此,本公开提出了一种脑卒中的病因分类方法及装置。
根据本公开的一方面,提供了一种脑卒中的病因分类方法,所述方法包括:
对待处理图像分别进行病灶分割处理及脑部分区处理,得到所述待处理图像的病灶分割结果以及脑部分区结果,所述待处理图像包括以弥散加权成像方式得到的目标对象的脑部图像;
根据所述病灶分割结果及所述脑部分区结果,确定所述待处理图像的图像分析结果,所述图像分析结果包括各个脑部分区中的病灶信息;
对所述目标对象的对象临床信息进行分析,得到所述目标对象的临床分析结果;
根据所述图像分析结果及所述临床分析结果,确定所述目标对象的病因类别。
在一种可能的实现方式中,所述方法通过神经网络实现,所述神经网络包括病灶分割子网络及脑部分区子网络,
所述对待处理图像分别进行病灶分割处理及脑部分区处理,得到所述待处理图像的病灶分割结果以及脑部分区结果,包括:
通过所述病灶分割子网络,对所述待处理图像进行病灶分割处理,得到所述病灶分割结果;
通过所述脑部分区子网络,对所述待处理图像进行脑部分区处理,得到所述脑部分区结果。
在一种可能的实现方式中,所述根据所述病灶分割结果及所述脑部分区结果,确定所述待处理图像的图像分析结果,包括:
对所述病灶分割结果及所述脑部分区结果进行融合处理,得到融合后的特征图;
根据融合后的特征图,确定所述待处理图像的图像分析结果。
在一种可能的实现方式中,所述根据所述图像分析结果及所述临床分析结果,确定所述目标对象的病因类别,包括:
通过预设的分类决策树,对所述图像分析结果及所述临床分析结果进行分析,得到所述目标对象的病因类别。
在一种可能的实现方式中,所述图像分析结果包括梗死区域、梗死类型及血管狭窄信息,所述临床分析结果包括动脉斑块信息、心源性疾病信息及其他疾病信息,所述病因类别包括大动脉粥样硬化、心源性卒中、穿支动脉疾病、其他病因以及病因不确定,
所述通过预设的分类决策树,对所述图像分析结果及所述临床分析结果进行分析,得到所述目标对象的病因类别,包括:
根据所述梗死区域、所述梗死类型、所述动脉斑块信息及所述血管狭窄信息,确定穿支动脉疾病判定结果;
根据所述动脉斑块信息及所述血管狭窄信息,确定大动脉粥样硬化判定结果;
根据所述心源性分析结果,确定心源性卒中判定结果;
根据所述其他疾病信息,确定其他病因判定结果;
根据所述穿支动脉疾病判定结果、所述大动脉粥样硬化判定结果、所述心源性卒中判定结果及所述其他病因判定结果,确定所述目标对象的病因类别。
在一种可能的实现方式中,所述神经网络还包括分类子网络,
所述根据所述图像分析结果及所述临床分析结果,确定所述目标对象的病因类别,包括:
通过所述分类子网络,对所述图像分析结果及所述临床分析结果进行处理,得到所述目标对象的病因类别。
在一种可能的实现方式中,所述方法还包括:
根据预设的训练集,对所述神经网络进行训练,得到已训练的神经网络,所述训练集包括多个参考脑部图像、所述多个参考脑部图像的标注信息、与所述多个参考脑部图像对应的参考临床信息及参考病因类别。
在一种可能的实现方式中,其特征在于,所述病灶信息至少包括病灶的体积、直径、病灶数量中的至少一种;
所述脑部分区结果包括脑部血供分区结果、脑部分水岭分区结果、脑部结构分区结果及脑部皮层分区结果中的至少一种;
所述对象临床信息包括所述目标对象的病历信息。
根据本公开的另一方面,提供了一种脑卒中的病因分类装置,所述装置包括:
图像处理模块,用于对待处理图像分别进行病灶分割处理及脑部分区处理,得到所述待处理图像的病灶分割结果以及脑部分区结果,所述待处理图像包括以弥散加权成像方式得到的目标对象的脑部图像;
图像分析模块,用于根据所述病灶分割结果及所述脑部分区结果,确定所述待处理图像的图像分析结果,所述图像分析结果包括各个脑部分区中的病灶信息;
临床信息分析模块,用于对所述目标对象的对象临床信息进行分析,得到所述目标对象的临床分析结果;
病因类别确定模块,用于根据所述图像分析结果及所述临床分析结果,确定所述目标对象的病因类别。
根据本公开的另一方面,提供了一种脑卒中的病因分类装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行上述方法。
根据本公开的另一方面,提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述方法。
根据本公开的实施例,通过对待处理图像(例如以弥散加权成像方式得到的目标对象的脑部图像)进行病灶分割处理及脑部分区处理,得到其病灶分割结果以及脑部分区结果,并根据病灶分割结果及脑部分区结果,确定待处理图像的图像分析结果,同时对目标对象的对象临床信息进行分析,得到目标对象的临床分析结果,然后根据图像分析结果和临床分析结果,确定目标对象的病因类别,从而可在确定目标对象(包括脑卒中患者)的病因类别时,充分利用医学图像,并将医学图像的图像分析结果及临床分析结果相结合,提高了脑卒中病因分类的一致性及准确性,同时也可减少脑卒中病因分类对临床医生或评估者的主观因素及知识水平的依赖。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的脑卒中的病因分类方法的流程图。
图2示出根据本公开的实施例的病灶分割子网络的示意图。
图3示出根据本公开的实施例的脑部分区子网络的示意图。
图4示出根据本公开的实施例的分类决策树的示意图。
图5示出图4中分类决策树的分支A的示意图。
图6a、图6b、图6c、图6d及图6e示出根据本公开的实施例的参考脑部图像的标注信息的示意图。
图7示出根据本公开的实施例的脑卒中的病因分类方法的应用场景的示意图。
图8示出根据本公开的实施例的脑卒中的病因分类装置的框图。
图9示出根据本公开的实施例的脑卒中的病因分类装置的框图。
图10示出根据本公开的实施例的脑卒中的病因分类装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
为建设“健康中国”,减轻脑血管病尤其是脑卒中的疾病负担,可通过规范化、标准化的脑卒中病因分类,为脑卒中的二级预防决策及治疗提供有效参考信息,从而有助于改善患者预后,减低脑卒中复发;也可基于脑卒中患者的病因类别,为临床医生提供治疗参考意见。
本公开的实施例所述的脑卒中的病因分类方法,可以由终端设备或服务器等电子设备执行,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可通过服务器执行所述方法。
图1示出根据本公开的实施例的脑卒中的病因分类方法的流程图。如图1所示,所述方法包括:
步骤S11,对待处理图像分别进行病灶分割处理及脑部分区处理,得到所述待处理图像的病灶分割结果以及脑部分区结果,所述待处理图像包括以弥散加权成像方式得到的目标对象的脑部图像;
步骤S12,根据所述病灶分割结果及所述脑部分区结果,确定所述待处理图像的图像分析结果,所述图像分析结果包括各个脑部分区中的病灶信息;
步骤S13,对所述目标对象的对象临床信息进行分析,得到所述目标对象的临床分析结果;
步骤S14,根据所述图像分析结果及所述临床分析结果,确定所述目标对象的病因类别。
根据本公开的实施例,通过对待处理图像(例如以弥散加权成像方式得到的目标对象的脑部图像)进行病灶分割处理及脑部分区处理,得到其病灶分割结果以及脑部分区结果,并根据病灶分割结果及脑部分区结果,确定待处理图像的图像分析结果,同时对目标对象的对象临床信息进行分析,得到目标对象的临床分析结果,然后根据图像分析结果和临床分析结果,确定目标对象的病因类别,从而可在确定目标对象(包括脑卒中患者)的病因类别时,充分利用医学图像,并将医学图像的图像分析结果及临床分析结果相结合,提高了脑卒中病因分类的一致性及准确性,同时也可减少脑卒中病因分类对临床医生或评估者的主观因素及知识水平的依赖。
在一种可能的实现方式中,所述目标对象可包括脑卒中患者,所述待处理图像可包括以弥散加权成像(Diffusion Weighted Imaging,简称DWI)方式得到的目标对象的脑部图像,即所述待处理图像可包括目标对象的脑部弥散加权图像和/或表观弥散系数(Apparent Diffusion Coefficient,简称ADC)图像。所述待处理图像还可包括目标对象的其他脑部图像,本公开对此不作限制。
在一种可能的实现方式中,可在步骤S11中,对待处理图像分别进行病灶分割处理及脑部分区处理,得到待处理图像的病灶分割结果以及脑部分区结果。
其中,病灶分割处理可用于确定病灶在待处理图像中的位置信息,并根据位置信息,将病灶从待处理图像中分割出来,得到待处理图像的病灶分割结果。
在一种可能的实现方式中,脑部分区处理可用于对待处理图像中的脑部进行分区,得到脑部分区结果。脑部分区结果可包括脑部血供分区结果、脑部分水岭分区结果、脑部结构分区结果及脑部皮层分区结果中的至少一种。
例如,可根据脑部的血液供给/供应(简称血供),对待处理图像进行分区,得到脑部血供分区结果;可根据脑部的结构,对待处理图像进行分区,得到脑部结构分区结果;可根据脑部分水岭,对待处理图像进行分区,得到脑部分水岭分区结果;可根据脑部的皮层,对待处理图像进行分区,得到脑部皮层分区结果。
脑部分区还可以是其他方式,本领域技术人员可根据实际情况设置合适的脑部分区方式,本公开对此不作限制。
在一种可能的实现方式中,可在步骤S12中,根据病灶分割结果及脑部分区结果,通过合并、叠加、融合等处理,确定待处理图像的图像分析结果,所述图像分析结果包括各个脑部分区中的病灶信息。
举例来说,在脑部分区结果为脑部结构分区结果时,可将病灶分割结果与脑部结构分区结果进行叠加,得到病灶在各个脑部结构分区中的位置信息,并根据该位置信息,确定各个脑部结构分区中的病灶信息。
在脑部分区结果包括脑部结构分区结果、脑部血供分析结果时,可将病灶分割结果分别与脑部结构分区结果、脑部血供分析结果进行叠加,得到病灶在各个脑部结构分区、各个脑部血供分区中的位置,进而确定各个脑部分区中的病灶信息。
在一种可能的实现方式中,病灶信息可至少包括病灶的体积、直径、病灶数量中的至少一种。病灶数量可表示为病灶的具体数量,例如,病灶数量为1、病灶数量为3等,也可表示为单发(病灶数量为1)或多发(病灶数量大于等于2)。
在一种可能的实现方式中,病灶信息还可包括病灶的性质。病灶的性质可包括阴性及阳性。病灶信息还可包括病灶的其他属性,本公开对此不作限制。
在一种可能的实现方式中,可在步骤S13中,对目标对象的对象临床信息进行分析,得到所述目标对象的临床分析结果。其中,对象临床信息可包括目标对象的病历信息。
可通过自然语言处理技术(Natural Language Processing,简称NLP)对目标对象的对象临床信息(例如病历信息等)进行分析,提取关键信息,例如目标对象的年龄、血压值、心率等,得到目标对象的临床分析结果。
在一种可能的实现方式中,可在步骤S14中,根据所述图像分析结果及所述临床分析结果,通过神经网络(用于分类)、分类决策树等方式,确定目标对象的病因类别。其中,病因类别可以包括一个或多个。
在一种可能的实现方式中,脑卒中的病因类别可包括大动脉粥样硬化(Largeartery atherosclerotic,简称LAA)、心源性卒中(Cardioembolic Stroke,简称CS)、穿支动脉疾病(Penetrating Artery Disease,简称PAD)、其他病因(Other Etiology,简称OE)以及病因不确定(Undetermined Etiology,简称UE)等类别。应当理解,脑卒中的病因类别可根据实际情况进行设置,本公开对此不作限制。
在一种可能的实现方式中,所述方法可通过神经网络实现,所述神经网络可包括病灶分割子网络及脑部分区子网络,
步骤S11可包括:
通过所述病灶分割子网络,对所述待处理图像进行病灶分割处理,得到所述病灶分割结果;
通过所述脑部分区子网络,对所述待处理图像进行脑部分区处理,得到所述脑部分区结果。
在一种可能的实现方式中,所述病灶分割子网络、脑部分区子网络可以为U型卷积神经网络。
在一种可能的实现方式中,可将待处理图像输入病灶分割子网络进行处理,病灶分割子网络可通过卷积、池化、反卷积等操作,提取待处理图像中与对比度、位置、大小、形态、纹理等相关的特征信息,并根据该特征信息,对待处理图像进行病灶分割处理,得到病灶分割结果。
图2示出根据本公开的实施例的病灶分割子网络的示意图。如图2所示,待处理图像21为DWI图像,其尺寸为224*224*C(即宽*高*通道数),其中C=1,病灶分割子网络22为U型卷积神经网络,可将待处理图像21输入病灶分割子网络22中进行处理,病灶分割子网络22可对输入的待处理图像21进行多次卷积及池化处理,得到尺寸为14*14*1024的特征图,然后对尺寸为14*14*1024的特征图进行多次反卷积及反池化处理,得到病灶分割结果23。
在一种可能的实现方式中,在待处理图像21为DWI图像和ADC图像时,C的取值为2。
在一种可能的实现方式中,可将待处理图像输入脑部分区子网络进行处理,脑部分区子网络可通过卷积、池化、反卷积、反池化等操作,提取待处理图像中的浅层特征及深层特征,其中,深层特征可用于表示各个子区域,浅层特征可用于表示子区域的边缘特征,然后根据提取的浅层特征及深层特征,对待处理图像进行脑部分区处理,得到脑部分区结果。
图3示出根据本公开的实施例的脑部分区子网络的示意图。如图3所示,脑部分区子网络32为U型卷积神经网络,可用于对待处理图像进行脑部结构分区。
可将尺寸为224*224*1(即宽*高*通道数)的待处理图像31,例如DWI图像,输入脑部分区子网络32中进行处理,脑部分区子网络32可对输入的待处理图像31进行多次卷积及池化处理,得到尺寸为14*14*1024的特征图,然后对尺寸为14*14*1024的特征图进行多次反卷积及反池化处理,得到脑部结构分区结果33。其中,脑部分区子网络32中的N的取值为30。
在一种可能的实现方式中,可以为各个脑部分区方式,建立对应的脑部分区子网络。各个脑部分区子网络的结构相同,但其中N的取值不同。例如,脑部分区子网络用于对待处理图像进行脑部血供分区时,N的取值为26;脑部分区子网用于对待处理图像进行脑部分水岭分区时,N的取值为9;脑部分区子网络用于对待处理图像进行脑部结构分区时,N的取值为30;脑部分区子网络用于对待处理图像进行脑部皮层分区时,N的取值为5。
在本实施例中,通过神经网络(包括病灶分割子网络及脑部分区子网络)对待处理图像进行病灶分割处理及脑部分区处理,不仅可提高处理效率,还可提高病灶分割及脑部分区的精准性。
在一种可能的实现方式中,步骤S12可包括:对所述病灶分割结果及所述脑部分区结果进行融合处理,得到融合后的特征图;根据融合后的特征图,确定所述待处理图像的图像分析结果。
在一种可能的实现方式中,在得到病灶分割结果及脑部分区结果后,可对病灶分割结果及脑部分区结果进行融合处理,得到融合后的特征图。例如,病灶分割结果为尺寸为224*224*1的第一特征图,脑部分区结果为尺寸为224*224*1的第二特征图,可对第一特征图及第二特征图进行融合处理,得到尺寸为224*224*1的融合后的特征图。
在一种可能的实现方式中,可对融合后的特征图进行病灶信息提取,确定出待处理图像的图像分析结果,该图像分析结果包括各个脑部分区中的病灶信息。
在本实施例中,通过对病灶分割结果及脑部分区结果进行融合处理,得到融合后的特征图,并根据融合后的特征图,确定待处理图像的图像分析结果,从而可在确定图像分析结果时,将病灶及脑部分区有效结合,得到与脑部分区相关的、更为详细的病灶信息,可提高图像分析结果的准确性。
在一种可能的实现方式中,步骤S14可包括:通过预设的分类决策树,对所述图像分析结果及所述临床分析结果进行分析,得到所述目标对象的病因类别。
其中,分类决策树在使用前,需进行机器学习或人工验证(例如通过临床医生验证),得到已验证的分类决策树。
可通过已验证的分类决策树,对图像分析结果及临床分析结果进行分析,得到目标对象的病因类别。
在本实施例中,通过已验证的分类决策树来确定目标对象的病因类别,简单快速且分类准确性高。
在一种可能的实现方式中,所述图像分析结果包括梗死区域、梗死类型及血管狭窄信息,所述临床分析结果包括动脉斑块信息、心源性疾病信息及其他疾病信息,所述病因类别包括大动脉粥样硬化、心源性卒中、穿支动脉疾病、其他病因以及病因不确定,
所述通过预设的分类决策树,对所述图像分析结果及所述临床分析结果进行分析,得到所述目标对象的病因类别,可包括:
根据所述梗死区域、所述梗死类型、所述动脉斑块信息及所述血管狭窄信息,确定穿支动脉疾病判定结果;
根据所述动脉斑块信息及所述血管狭窄信息,确定大动脉粥样硬化判定结果;
根据所述心源性分析结果,确定心源性卒中判定结果;
根据所述其他疾病信息,确定其他病因判定结果;
根据所述穿支动脉疾病判定结果、所述大动脉粥样硬化判定结果、所述心源性卒中判定结果及所述其他病因判定结果,确定所述目标对象的病因类别。
在一种可能的实现方式中,梗死区域可包括皮层、皮层下、皮层+皮层下等;梗死类型可包括单发梗死、多发梗死、分水岭梗死、流域性梗死及穿支动脉区孤立梗死等。本领域技术人员可根据实际情况划分梗死区域及设置梗死类型,本公开对此不作限制。
在一种可能的实现方式中,动脉斑块信息可包括载体动脉、主动脉弓、责任颅内或颅外大动脉等动脉中的斑块信息,例如,载体动脉是否有粥样硬化斑块、责任颅内或颅外大动脉是否有易损斑块等。血管狭窄信息可包括血管的狭窄程度,例如,血管的狭窄程度>70%等。心源性疾病信息可包括心房颤动(简称房颤)、二尖瓣膜狭窄等与心脏相关的疾病信息;其他疾病信息可包括与心脏相关的疾病信息以外的疾病信息,例如Sneddon综合征、线粒体脑肌病伴乳酸酸中毒和脑卒中样发作(mitochondrial encephalomyopathy withlactic acidosis and stroke-like episodes,MELAS)等。
在一种可能的实现方式中,在通过分类决策树,确定目标对象的病因类别时,可首先根据梗死区域、梗死类型、载体动脉斑块信息及血管狭窄信息,确定穿支动脉疾病判定结果。
例如,在梗死区域为皮层下、梗死类型为单发梗死及穿支动脉区孤立梗死,且不具备载体动脉有硬化斑块时,穿支动脉疾病判定结果为:目标对象的病因类别包括穿支动脉疾病,否则,穿支动脉疾病判定结果为:目标对象的病因类别不包括穿支动脉疾病。
在一种可能的实现方式中,可根据动脉斑块信息及血管狭窄信息,确定大动脉粥样硬化判定结果。例如,可在载体动脉有粥样硬化斑块或有任何程度的粥样硬化性狭窄时,或在责任颅内或颅外大动脉有易损斑块或狭窄程度≥50%时,或在责任颅内或颅外血管狭窄程度>70%时,大动脉粥样硬化判定结果为:目标对象的病因类别包括大动脉粥样硬化,否则,大动脉粥样硬化判定结构为:目标对象的病因类别不包括大动脉粥样硬化。
在一种可能的实现方式中,可根据所述心源性分析结果,确定心源性卒中判定结果。也就是说,在心源性分析结果中包括与心源性卒中相关的疾病信息(例如二尖瓣膜狭窄等)时,心源性卒中判定结果为:目标对象的病因类别包括心源性卒中,否则,心源性卒中判定结果为目标对象的病因类别不包括心源性卒中。
在一种可能的实现方式中,可根据所述其他疾病信息,确定其他病因判定结果。可判断其他疾病信息中是否存在除了与穿支动脉疾病、大动脉粥样硬化及心源性卒中相关的疾病信息之外的、与脑卒中相关的疾病信息,如果存在,则其他病因判定结果为:目标对象的病因类别包括其他病因,否则,其他病因判定结果为:目标对象的病因类别不包括其他病因。
在一种可能的实现方式中,可根据穿支动脉疾病判定结果、大动脉粥样硬化判定结果、心源性卒中判定结果及其他病因判定结果,确定目标对象的病因类别。例如,穿支动脉疾病判定结果为:目标对象的病因类别不包括穿支动脉疾病,大动脉粥样硬化判定结果为:目标对象的病因类别包括大动脉粥样硬化,心源性卒中判定结果为:目标对象的病因类别不包括心源性卒中,其他病因判定结果为:目标对象的病因类别不包括其他病因,可根据上述判定结果,得到目标对象的病因类别包括大动脉粥样硬化LAA,即目标对象的病因类别为“LAA”。
在一种可能的实现方式中,可在目标对象的病因类别不包括穿支动脉疾病、大动脉粥样硬化、心源性卒中及其他病因时,即穿支动脉疾病判定结果、大动脉粥样硬化判定结果、心源性卒中判定结果及其他病因判定结果均为不包括时,将目标对象的病因类别确定为病因不明确UE。
需要说明的是,本领域技术人员可根据实际情况设置穿支动脉疾病、大动脉粥样硬化、心源性卒中及其他病因的判定顺序,本公开对此不作限制。
在本实施例中,在通过分类决策树确定目标对象的病因类别时,可将图像分析结果及临床分析结果,按步骤分批次地输入分类决策树进行处理,得到目标对象的一个或多个病因类别,从而可提高准确性及处理效率。
在一种可能的实现方式中,在目标对象的病因类别包括大动脉粥样硬化LAA时,可通过分类决策树,确定目标对象的发病机制。例如,在目标对象为穿支动脉分布区的急性孤立梗死灶,载体动脉有粥样硬化斑块或有任何程度的粥样硬化性狭窄时,可确定目标对象的发病机制为载体动脉(斑块或血栓)阻塞穿支动脉发病机制;在目标对象的责任颅内或颅外大动脉有易损斑块或狭窄程度≥50%,可确定目标对象的发病机制为动脉-动脉栓塞发病机制;在目标对象梗死病灶位于分水岭区,责任颅内或颅外血管狭窄程度>70%时,可确定目标对象的发病机制为低灌注/栓子清除下降发病机制。
在本实施例中,在目标对象的病因类别包括大动脉粥样硬化LAA时,通过分类决策树,确定目标对象的发病机制,可为临床医生的病因诊断提供参考信息。
图4示出根据本公开的实施例的分类决策树的示意图,图5示出图4中分类决策树的分支A的示意图。如图4所示,可首先将梗死类型及梗死区域输入分类决策树进行分类,然后可根据梗死区域、梗死类型、动脉斑块信息及血管狭窄信息,进行病因类别为穿支动脉疾病、大动脉粥样硬化的判断;根据临床分析结果中与心源性卒中相关的疾病信息,进行病因类别为心源性卒中的判断;根据临床分析结果中与其他病因相关的疾病信息,进行病因类别为其他病因的判断,最后可根据上述判断结果,输出目标对象的一个或多个病因类别。
例如,在梗死类型为流域性梗死,且梗死区域为皮层+皮层下时,可首先判断责任颅内或颅外大动脉是否有易损斑块或狭窄程度是否≥50%,如果判断结果为是,则认为病因类别包括大动脉粥样硬化LAA;然后判断临床分析结果中是否存在与心源性卒中相关的疾病信息,如果判断结果为是,则认为病因类别包括心源性卒中CS;之后判断临床分析结果中是否存在与其他病因相关的疾病信息,如果判断结果为否,则认为病因类别不包括其他病因OE,根据上述判断结果,分类决策树输出的目标对象的病因类别为:大动脉粥样硬化LAA及心源性卒中CS,即LAA+CS,属于多病因。
再例如,在梗死类型为单发、梗死区域为皮层下时,可首先判断是否存在穿支动脉区孤立梗死,如果判断结果为否,则继续判断责任颅内或颅外大动脉是否有易损斑块或狭窄程度是否≥50%,如果判断结果为是,则执行分支A,如图5所示,可判断载体动脉是否有粥样硬化斑块或任何程度的粥样硬化性狭窄,如果判断结果为否,则认为病因类别包括穿支动脉疾病PAD;并进一步判断临床分析结果中是否存在与心源性卒中相关的疾病信息,如果判断结果为否,则认为病因类别不包括心源性卒中CS;之后判断临床分析结果中是否存在与其他病因相关的疾病信息,如果判断结果为否,则认为病因类别不包括其他病因OE;之后对责任颅内或颅外大动脉是否有易损斑块或狭窄程度是否≥50%,以及主动脉弓斑块是否≥4mm和/或表面是否有血栓进行判断,如果判断结果均为否,则认为病因类别不包括大动脉粥样硬化LAA,根据上述判断结果,分类决策树输出的目标对象的病因类别为:穿支动脉疾病PAD。
需要说明的是,以上仅以2个分支作为示例,对图4及图5所示的分类决策树的处理过程进行了说明。分类决策树中的其他分支的处理过程与上述过程类似,此处不再赘述。
在一种可能的实现方式中,所述神经网络还包括分类子网络,步骤S14可包括:通过所述分类子网络,对所述图像分析结果及所述临床分析结果进行处理,得到所述目标对象的病因类别。
也就是说,可将图像分析结果及临床分析结果输入神经网络中的分类子网络进行处理,分类子网络可通过特征提取、聚类等操作,确定目标对象的病因类别。
在本实施例中,通过分类子网络来确定目标对象的病因类别,可提高处理效率及分类准确性。
在一种可能的实现方式中,所述方法还可包括:根据预设的训练集,对所述神经网络进行训练,得到已训练的神经网络,所述训练集包括多个参考脑部图像、所述多个参考脑部图像的标注信息、与所述多个参考脑部图像对应的参考临床信息及参考病因类别。
在一种可能的实现方式中,在对神经网络进行训练时,可首先建立训练集。该训练集可包括多个参考脑部图像、所述多个参考脑部图像的标注信息、与所述多个参考脑部图像对应的参考临床信息及参考病因类别。
建立训练集时,可首先根据预设的选取条件,从预设的医学图像集中,选取多个参考脑部图像。选取条件可包括完整性条件及有效性条件。
其中,完整性条件可用于描述选取图像时的完整性要求。例如,参考脑部图像需包括脑部弥散加权图像及其表观弥散系数图像(Apparent Diffusion Coefficient,简称ADC)、参考诊断报告。
有效性条件可对图像是否有效进行定义。例如,有效性条件可包括以下条件中的至少一种:
剔除带有其他病灶(例如肿瘤)的图像;
剔除过度倾斜的数据,选取倾斜角度在-20°至20°之间的图像;
剔除过度模糊的数据,选取磁场强度为1.5T(即1.5特斯拉)和3.0T(即3.0特斯拉)的图像;
剔除难以达成共识的图像,例如,难度超过预设的难度阈值的图像;
剔除扫描异常的图像,例如,上下层的对比度差值超过预设的对比度差值阈值的图像;
剔除其他异常图像,例如,不完整的图像。
应当理解,上述选取条件可结合实际情况进行设置,本公开对此不作限制。
在一种可能的实现方式中,选取出多个参考脑部图像后,可根据预设的标注要求及各个参考脑部图像的参考诊断报告,确定各个参考脑部图像的标注信息。所述标注信息包括病灶标注信息及脑部分区标注信息。
其中,标注要求可包括病灶标注要求及脑部分区标注要求。
病灶标注要求可包括:亚急性期脑卒中病灶是否标注;病灶的连续性和分离性标准,例如超近距离多发病灶与单发病灶的区分标准;及病灶边缘的确定标准等。
脑部分区标注要求可包括:脑部血供分区、脑部分水岭分区、脑部结构分区及脑部皮层分区的分区标准;及各个分区边缘的确定标准等。
图6a、图6b、图6c、图6d、图6e示出根据本公开的实施例的参考脑部图像的标注信息的示意图。其中,图6a示出参考脑部图像的病灶标注信息的示意图,其中,高亮显示的区域41为标注的病灶区域,图6b示出参考脑部图像的脑部血供分区的标注信息的示意图,图6c示出参考脑部图像的脑部分水岭分区的标注信息的示意图,图6d示出参考脑部图像的脑部结构分区的标注信息的示意图,图6e示出参考脑部图像的脑部皮层分区的标注信息的示意图。
其中,图6b、图6c、图6d及图6e,均通过线条勾画的方式,示例性地标注了参考脑部图像中的各个脑部分区。本领域技术人员还可通过不同颜色、不同对比度、不同线条填充等多种方式,对参考脑部图像中的各个脑部分区进行标注,本公开对此不作限制。
在一种可能的实现方式中,选取出多个参考脑部图像后,可确定与多个参考脑部图像对应的参考临床信息及参考病因类别。然后可根据多个参考脑部图像、所述多个参考脑部图像的标注信息、与所述多个参考脑部图像对应的参考临床信息及参考病因类别,建立训练集。
在一种可能的实现方式中,建立训练集后,可使用该训练集,对神经网络进行训练,得到已训练的神经网络。
对于训练集中的任一参考脑部图像,可将所述参考脑部图像、与所述参考脑部图像对应的参考临床信息输入神经网络进行处理,得到所述参考脑部图像的病灶分割结果、脑部分区结果及病因类别。
根据各个参考脑部图像的病灶分割结果与其病灶标注信息之间的差异、各个参考脑部图像的脑部分区结果与其脑部分区标注信息之间的差异、各个参考脑部图像的病因类别与其参考病因类别之间的差异,确定神经网络的网络损失;根据该网络损失,对神经网络的网络参数进行调整。
在神经网络满足预设的训练结束条件时,可结束训练,得到已训练的神经网络。其中,预设的训练结束条件可根据实际情况进行设置,例如,训练结束条件可以是神经网络的网络损失降低到一定程度或收敛于一定阈值内,训练结束条件也可以是神经网络的训练轮次达到预设轮次,训练结束条件还可以是其他条件。本公开对训练结束条件的具体内容不作限制。
在一种可能的实现方式中,确定出多个参考脑部图像、所述多个参考脑部图像的标注信息、与所述多个参考脑部图像对应的参考临床信息及参考病因类别后,还可将多个参考脑部图像分为训练集及验证集。可使用训练集,通过上述方法对神经网络进行训练;训练完成后,可使用验证集对神经网络进行验证。
若验证未通过,则根据验证结果,对神经网络进行调整并重新进行训练;若验证通过,可使用预设的测试数据(包括内部测试数据和/或外部测试数据),对神经网络进行测试,并根据预设的评估标准,对测试结果进行评估。
若评估未通过,则根据评估结果,对神经网络进行调整并重新进行训练;若评估通过,则可得到已评估通过的、训练好的神经网络。
其中,评估标准可包括病灶信息(例如病灶的阴性/阳性、单发/多发、病灶体积或直径等)的查准率及查全率、病灶分割及脑部分区的评价指标(例如戴斯系数,Dicecoefficient)等。本领域技术人员可根据实际情况对评估标准进行设置,本公开对此不作限制。
图7示出根据本公开的实施例的脑卒中的病因分类方法的应用场景的示意图。如图7所示,可根据脑卒中的病因分类方法构建脑卒中病因分类***,该***包括客户端51、反向代理52、图像服务器53、分类服务器54、数据库55。
其中,数据库55用于存储各个医院推送或从各个医院获取的数据,可包括第一数据库551和第二数据库552,第一数据库551为非关系型数据库,第二数据库552为关系型数据库。
由于各个医院的数据包括多种,例如来自医院信息***(Hospital InformationSystem,简称HIS)、实验室信息管理***(Laboratory Information System,简称LIS)、医学影像存档与通信***(Laboratory Information System,简称PACS)中的数据以及电子病历(Electronic Medical Record,简称EMR)等,各个数据的数据结构可能不同,可通过数据仓库技术ETL(Extract-Transform-Load,抽取-转换-加载),例如弗林克(Flink)分布式流数据流引擎,将获得的各个医院的数据,存储在数据库55中。其中,可将患者的HIS/EMR/LIS信息以宽列存储的方式,存储在第一数据库551中,并根据查询、排序等需要,选取关键字,在第二数据库552中建立对应的表,以便于建立索引并支持全列索引排序。还可通过数据库55,将患者的PACS信息存储在图像服务器53上。
在得到患者的信息(包括脑部弥散加权图像及电子病历)后,可通过分类服务器54对该患者进行脑卒中病因分类,得到患者的病因类别。其中,分类服务器54可包括病灶分割子网络541、脑部分区子网络542、临床信息分析单元543及分类决策树544。
可通过病灶分割子网络541,对患者的脑部弥散加权图像进行病灶分割处理,得到病灶分割结果;通过脑部分区子网络542,对患者的脑部弥散加权图像进行脑部分区处理,得到脑部分区结果;根据病灶分割结果及脑部分区结果,确定脑部弥散加权图像的图像分析结果;通过临床信息分析单元543,对患者的电子病历进行分析,得到临床分析结果;通过分类决策树544,对图像分析结果及临床分析结果进行分析,得到患者的病因类别。
其中,可将上述分类过程中得到的病灶分割结果、脑部分区结果等相关图像,存储在图像服务器53中,将上述分类过程中得到的其他信息,包括临床分析结果、患者的病因类别等,存储在数据库55中。
所述脑卒中病因分类***可采用前端与后端分离的架构。用户(包括临床医生、患者等)可登录前端的客户端51,通过反向代理52,访问后端的图像服务器53、分类服务器54及数据库55,获取相关信息。其中,前端通过前端开发框架(例如瑞安科框架React)来实现,后端通过后端开发框架(例如斯普瑞布特框架Spring Boot、基于异步的超文本传输框架aiohttp)来实现。本公开对前端及后端的开发框架不作限制。
需要说明的是,尽管以上述实施例作为示例介绍了脑卒中的病因分类方法如上,但本领域技术人员能够理解,本公开应不限于此。事实上,用户完全可根据个人喜好和/或实际应用场景灵活设定各步骤,只要符合本公开的技术方案即可。
根据本公开的实施例,可将深度学习技术与临床信息相结合,通过深度学习技术提取医学图像中的图像信息,并将图像信息与从病历等临床数据中提取出的临床信息相结合,确定脑卒中患者的病因类别,可提高脑卒中病因分类的一致性及准确性。
根据本公开的实施例,将病灶分割结果与脑部分区结果进行融合处理,可得到其他有价值的医学信息,例如,脑干孤立梗死、基底节区孤立梗死、分水岭区孤立梗死等信息,该医学信息可为临床医生的病因诊断提供参考。
根据本公开的实施例,确定目标对象(包括患者)的脑卒中病因类别后,可根据该病因类别及目标对象的临床分析结果,通过预设的已验证的治疗意见决策树,得到推荐的治疗意见。
图8示出根据本公开的实施例的脑卒中的病因分类装置的框图。如图8所述,所述脑卒中的病因分类装置包括:
图像处理模块61,用于对待处理图像分别进行病灶分割处理及脑部分区处理,得到所述待处理图像的病灶分割结果以及脑部分区结果,所述待处理图像包括以弥散加权成像方式得到的目标对象的脑部图像;
图像分析模块62,用于根据所述病灶分割结果及所述脑部分区结果,确定所述待处理图像的图像分析结果,所述图像分析结果包括各个脑部分区中的病灶信息;
临床信息分析模块63,用于对所述目标对象的对象临床信息进行分析,得到所述目标对象的临床分析结果;
病因类别确定模块64,用于根据所述图像分析结果及所述临床分析结果,确定所述目标对象的病因类别。
在一种可能的实现方式中,本公开还提供了一种脑卒中的病因分类装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行上述方法。
在一种可能的实现方式中,本公开还提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述方法。
图9示出根据本公开的实施例的脑卒中的病因分类装置800的框图。例如,装置800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图9,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由装置800的处理器820执行以完成上述方法。
图10示出根据本公开的实施例的脑卒中的病因分类装置1900的框图。例如,装置1900可以被提供为一服务器。参照图10,装置1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理,一个有线或无线网络接口1950被配置为将装置1900连接到网络,和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作***,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、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、程序段或指令的一部分,所述模块、程序段或指令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。在有些作为替换的实现中,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。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种脑卒中的病因分类方法,其特征在于,所述方法包括:
对待处理图像分别进行病灶分割处理及脑部分区处理,得到所述待处理图像的病灶分割结果以及脑部分区结果,所述待处理图像包括以弥散加权成像方式得到的目标对象的脑部图像;
根据所述病灶分割结果及所述脑部分区结果,确定所述待处理图像的图像分析结果,所述图像分析结果包括各个脑部分区中的病灶信息;
对所述目标对象的对象临床信息进行分析,得到所述目标对象的临床分析结果;所述对象临床信息包括所述目标对象的病历信息;所述临床分析结果包括动脉斑块信息、心源性疾病信息及其他疾病信息;
根据所述图像分析结果及所述临床分析结果,确定所述目标对象的病因类别;
所述方法通过神经网络实现,所述神经网络包括病灶分割子网络及脑部分区子网络,
所述对待处理图像分别进行病灶分割处理及脑部分区处理,得到所述待处理图像的病灶分割结果以及脑部分区结果,包括:
通过所述病灶分割子网络,对所述待处理图像进行病灶分割处理,得到所述病灶分割结果;
通过所述脑部分区子网络,对所述待处理图像进行脑部分区处理,得到所述脑部分区结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述病灶分割结果及所述脑部分区结果,确定所述待处理图像的图像分析结果,包括:
对所述病灶分割结果及所述脑部分区结果进行融合处理,得到融合后的特征图;
根据融合后的特征图,确定所述待处理图像的图像分析结果。
3.根据权利要求1所述的方法,其特征在于,所述根据所述图像分析结果及所述临床分析结果,确定所述目标对象的病因类别,包括:
通过预设的分类决策树,对所述图像分析结果及所述临床分析结果进行分析,得到所述目标对象的病因类别。
4.根据权利要求3所述的方法,其特征在于,所述图像分析结果包括梗死区域、梗死类型及血管狭窄信息,所述病因类别包括大动脉粥样硬化、心源性卒中、穿支动脉疾病、其他病因以及病因不确定,
所述通过预设的分类决策树,对所述图像分析结果及所述临床分析结果进行分析,得到所述目标对象的病因类别,包括:
根据所述梗死区域、所述梗死类型、所述动脉斑块信息及所述血管狭窄信息,确定穿支动脉疾病判定结果;
根据所述动脉斑块信息及所述血管狭窄信息,确定大动脉粥样硬化判定结果;
根据所述心源性分析结果,确定心源性卒中判定结果;
根据所述其他疾病信息,确定其他病因判定结果;
根据所述穿支动脉疾病判定结果、所述大动脉粥样硬化判定结果、所述心源性卒中判定结果及所述其他病因判定结果,确定所述目标对象的病因类别。
5.根据权利要求1所述的方法,其特征在于,所述神经网络还包括分类子网络,
所述根据所述图像分析结果及所述临床分析结果,确定所述目标对象的病因类别,包括:
通过所述分类子网络,对所述图像分析结果及所述临床分析结果进行处理,得到所述目标对象的病因类别。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
根据预设的训练集,对所述神经网络进行训练,得到已训练的神经网络,所述训练集包括多个参考脑部图像、所述多个参考脑部图像的标注信息、与所述多个参考脑部图像对应的参考临床信息及参考病因类别。
7.根据权利要求1所述的方法,其特征在于,所述病灶信息至少包括病灶的体积、直径、病灶数量中的至少一种;
所述脑部分区结果包括脑部血供分区结果、脑部分水岭分区结果、脑部结构分区结果及脑部皮层分区结果中的至少一种。
8.一种脑卒中的病因分类装置,其特征在于,所述装置包括:
图像处理模块,用于对待处理图像分别进行病灶分割处理及脑部分区处理,得到所述待处理图像的病灶分割结果以及脑部分区结果,所述待处理图像包括以弥散加权成像方式得到的目标对象的脑部图像;
图像分析模块,用于根据所述病灶分割结果及所述脑部分区结果,确定所述待处理图像的图像分析结果,所述图像分析结果包括各个脑部分区中的病灶信息;
临床信息分析模块,用于对所述目标对象的对象临床信息进行分析,得到所述目标对象的临床分析结果;所述对象临床信息包括所述目标对象的病历信息;所述临床分析结果包括动脉斑块信息、心源性疾病信息及其他疾病信息;
病因类别确定模块,用于根据所述图像分析结果及所述临床分析结果,确定所述目标对象的病因类别;
所述装置的功能通过神经网络实现,所述神经网络包括病灶分割子网络及脑部分区子网络,
所述图像处理模块,还用于:
通过所述病灶分割子网络,对所述待处理图像进行病灶分割处理,得到所述病灶分割结果;
通过所述脑部分区子网络,对所述待处理图像进行脑部分区处理,得到所述脑部分区结果。
9.一种脑卒中的病因分类装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011103662.3A CN112075927B (zh) | 2020-10-15 | 2020-10-15 | 脑卒中的病因分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011103662.3A CN112075927B (zh) | 2020-10-15 | 2020-10-15 | 脑卒中的病因分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112075927A CN112075927A (zh) | 2020-12-15 |
CN112075927B true CN112075927B (zh) | 2024-05-14 |
Family
ID=73730456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011103662.3A Active CN112075927B (zh) | 2020-10-15 | 2020-10-15 | 脑卒中的病因分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112075927B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950651B (zh) * | 2021-02-02 | 2022-02-01 | 广州柏视医疗科技有限公司 | 基于深度学习网络的纵隔淋巴引流区的自动勾画方法 |
CN113052831B (zh) * | 2021-04-14 | 2024-04-23 | 清华大学 | 脑部医学影像异常检测方法、装置、设备及存储介质 |
CN113270196B (zh) * | 2021-05-25 | 2023-07-14 | 郑州大学 | 一种脑卒中复发风险感知与行为决策模型构建***及方法 |
CN113538464A (zh) * | 2021-07-22 | 2021-10-22 | 脑玺(苏州)智能科技有限公司 | 脑部影像分割模型训练方法、分割方法及装置 |
CN113674269B (zh) * | 2021-08-30 | 2022-03-25 | 北京安德医智科技有限公司 | 基于一致性损失的肿瘤脑区定位方法及装置 |
CN115953381B (zh) * | 2023-01-04 | 2023-10-27 | 上海市第六人民医院 | 一种脑卒中分析***、分析方法和计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145756A (zh) * | 2017-05-17 | 2017-09-08 | 上海辉明软件有限公司 | 一种脑卒中类型预测方法以及装置 |
CN109285152A (zh) * | 2018-09-26 | 2019-01-29 | 上海联影智能医疗科技有限公司 | 一种医学图像处理***、装置和计算机可读存储介质 |
CN109509177A (zh) * | 2018-10-22 | 2019-03-22 | 杭州依图医疗技术有限公司 | 一种脑部影像识别的方法及装置 |
CN110728660A (zh) * | 2019-09-18 | 2020-01-24 | 清华大学 | 基于缺血性脑卒中mri检测标记进行病灶分割的方法及装置 |
CN110956626A (zh) * | 2019-12-09 | 2020-04-03 | 北京推想科技有限公司 | 一种基于图像的预后评估方法及装置 |
CN111415324A (zh) * | 2019-08-09 | 2020-07-14 | 复旦大学附属华山医院 | 基于磁共振成像的脑病灶图像空间分布特征的分类鉴别方法 |
-
2020
- 2020-10-15 CN CN202011103662.3A patent/CN112075927B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145756A (zh) * | 2017-05-17 | 2017-09-08 | 上海辉明软件有限公司 | 一种脑卒中类型预测方法以及装置 |
CN109285152A (zh) * | 2018-09-26 | 2019-01-29 | 上海联影智能医疗科技有限公司 | 一种医学图像处理***、装置和计算机可读存储介质 |
CN109509177A (zh) * | 2018-10-22 | 2019-03-22 | 杭州依图医疗技术有限公司 | 一种脑部影像识别的方法及装置 |
CN111415324A (zh) * | 2019-08-09 | 2020-07-14 | 复旦大学附属华山医院 | 基于磁共振成像的脑病灶图像空间分布特征的分类鉴别方法 |
CN110728660A (zh) * | 2019-09-18 | 2020-01-24 | 清华大学 | 基于缺血性脑卒中mri检测标记进行病灶分割的方法及装置 |
CN110956626A (zh) * | 2019-12-09 | 2020-04-03 | 北京推想科技有限公司 | 一种基于图像的预后评估方法及装置 |
Non-Patent Citations (1)
Title |
---|
A Computerized Algorithm for Etiologic Classification of Ischemic Stroke:The Causative Classification of Stroke System;Hakan Ay等;《Stroke》;第38卷(第11期);第2979-2984页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112075927A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112075927B (zh) | 脑卒中的病因分类方法及装置 | |
CN111967538B (zh) | 应用于小目标检测的特征融合方法、装置、设备以及存储介质 | |
US20190114771A1 (en) | Method and apparatus for acquiring information | |
CN107729929B (zh) | 用于获取信息的方法及装置 | |
KR20200113195A (ko) | 이미지 클러스터링 방법 및 장치, 전자 기기 및 저장 매체 | |
US20210279473A1 (en) | Video processing method and apparatus, electronic device, and storage medium | |
CN113012816B (zh) | 脑分区风险预测方法及装置、电子设备和存储介质 | |
CN113012146B (zh) | 血管信息获取方法及装置、电子设备和存储介质 | |
CN111540466A (zh) | 基于大数据的智慧医疗信息推送方法及大数据医疗云平台 | |
Shorfuzzaman et al. | An explainable deep learning ensemble model for robust diagnosis of diabetic retinopathy grading | |
WO2020079704A1 (en) | Method and system for performing semantic segmentation of plurality of entities in an image | |
Yang et al. | Smartphone-supported malaria diagnosis based on deep learning | |
CN111833344A (zh) | 医学图像的处理方法及装置、电子设备和存储介质 | |
CN113902730A (zh) | 图像处理和神经网络训练方法及装置 | |
WO2019073312A1 (en) | METHOD AND DEVICE FOR INTEGRATING IMAGE CHANNELS IN A DEEP LEARNING MODEL FOR CLASSIFICATION | |
Connie et al. | Explainable health prediction from facial features with transfer learning | |
WO2019171398A1 (en) | A fundus image analysis system | |
CN115829980A (zh) | 一种眼底照片的图像识别方法、装置、设备及存储介质 | |
WO2022012038A1 (zh) | 图像处理方法及装置、电子设备、存储介质和程序产品 | |
Ghosal et al. | INAP: A hybrid approach for noninvasive anemia-polycythemia detection in the IoMT | |
CN111639599B (zh) | 物体图像挖掘方法、装置、设备以及存储介质 | |
CN113869198A (zh) | 虹膜图像处理方法、装置、电子设备和计算机可读介质 | |
US11269172B2 (en) | Method and system for reconstructing a field of view | |
US10699417B2 (en) | Method and system for acquisition of optimal images of object in multi-layer sample | |
CN117274218B (zh) | 基于脑灌注成像的血管关键点检测方法及装置、介质 |
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 |