CN112700859A - 一种基于医学影像的医疗诊断辅助方法及*** - Google Patents
一种基于医学影像的医疗诊断辅助方法及*** Download PDFInfo
- Publication number
- CN112700859A CN112700859A CN202011468832.8A CN202011468832A CN112700859A CN 112700859 A CN112700859 A CN 112700859A CN 202011468832 A CN202011468832 A CN 202011468832A CN 112700859 A CN112700859 A CN 112700859A
- Authority
- CN
- China
- Prior art keywords
- model
- medical
- classification
- medical image
- image
- 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
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
- G16H50/20—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种基于医学影像的医疗诊断辅助方法,属于计算机辅助技术领域,包括如下步骤:基于多种医疗数据采用多种分类模型进行分类,得到多个分类决策值;对多个分类决策值进行决策融合,得到一个分类决策值作为分类结果输出。本发明还提供一种医疗诊断辅助***。本发明通过采用三维卷积神经网络模型进行分类,能极大的避免三维重建步骤可能导致的数据误差,并以医学检查指标作为协同,从而有效提升准确率;采用多种模型,能分别适应多种需求,从而具备更好的泛化性。
Description
技术领域
本发明涉及一种基于医学影像的医疗诊断辅助方法及***,属于计算机辅助技术领域。
背景技术
随着人工智能相关技术的发展,现有技术中出现大量基于人工智能技术辅助医疗诊断的***,如申请号为CN201911176103.2的发明专利公开了一种基于AlexNet 网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质。
然而,医学影像的本质是三维实体在二维平面的映射,其表现是二维形式,但用实际上如果采用二维视角进行处理,则难免需要进行三维重建步骤,由此可能导 致较大的数据误差,从而严重准确性。
基于这一原则,本申请的发明人发现:目前现有技术对医学影像进行智能识别的技术,其思路主要还是如上述采用二维识别的方式,准确率严重受限,唯有在额 外加入三维重建步骤之后才能有效提升准确率,而三维重建步骤的数据误差难以 避免,由此导致准确率难以有效提升。
发明内容
为解决上述技术问题,本发明提供了一种基于医学影像的医疗诊断辅助***及方法,该基于医学影像的医疗诊断辅助***及方法通过采用三维卷积神经网络模型 进行分类,能极大的避免三维重建步骤可能导致的数据误差,并以医学检查指标 作为协同,从而有效提升准确率。
本发明通过以下技术方案得以实现。
本发明提供的一种基于医学影像的医疗诊断辅助方法,包括如下步骤:
图像分类:对原始医学影像数据进行预处理得到图像数据后,采用三维卷积神经网络模型,对图像数据进行疾病分类得到图像分类标识;
指标分类:采用Boosting算法对医学检查指标进行疾病分类得到指标分类标识;
分类融合:采用融合算法对图像分类标识和指标分类标识进行结果融合,得到最终分类结果。
所述三维卷积神经网络模型为采用三维卷积核的,AlexNet模型、ResNet18模型或ResNet50模型;AlexNet模型由5层卷积层、3层最大池化层和3层全连接层 组成;ResNet18模型和ResNet50模型均由1层卷积层、4个由多卷积层和残差 函数构成的残差块、1层全连接层组成。
除AlexNet模型的池化层外,AlexNet模型、ResNet18模型和ResNet50模型每 一层均使用ReLU激活函数。
所述ResNet18模型的每一残差块包含两层卷积核为3×3×3的卷积层;所述ResNet50模型的每一残差块包含三层卷积层,三层卷积层的卷积核分别为1×1 ×所述AlexNet模型中,最大池化层分别置于第一卷积层、第二卷积层、第五卷 积层之后。
所述预处理包含空间配准和偏置场校正;其中空间配准是采用医学图像配准技术将原始医学影像数据映射到标准空间。
经偏置场校正之后,还采用医学图像处理技术对人体组织进行提取。
所述原始医学影像数据经预处理后,还经过数据增广处理为图像数据集,作为三维卷积神经网络模型的训练数据集。
所述数据增广处理包括对图像的水平翻转、垂直翻转、旋转变换。
所述Boosting算法采用XGBoost算法;该XGBoost算法包含十个以上参数,采 用网络搜索算法进行参数选择和优化,并在构建模型时采用十折交叉验证;所述 医学检查指标包括对血压、血糖、血常规、血脂、肾功能、肝功能、尿常规的指 标。
本发明的有益效果在于:通过采用三维卷积神经网络模型进行分类,能极大的避免三维重建步骤可能导致的数据误差,并以医学检查指标作为协同,从而有效提 升准确率;采用多种模型,能分别适应多种需求,从而具备更好的泛化性。
附图说明
图1是本发明***流程示意图。
具体实施方式
下面结合实施例进一步描述本发明的技术方案,但要求保护的范围并不局限于所述。
如图1所示的一种基于医学影像的医疗诊断辅助方法,包括如下步骤:
图像分类:对原始医学影像数据进行预处理得到图像数据后,采用三维卷积神经网络模型,对图像数据进行疾病分类得到图像分类标识;
指标分类:采用Boosting算法对医学检查指标进行疾病分类得到指标分类标识;分类融合:采用融合算法对图像分类标识和指标分类标识进行结果融合,得到最 终分类结果。
三维卷积神经网络模型为采用三维卷积核的,AlexNet模型、ResNet18模型或ResNet50模型;AlexNet模型由5层卷积层、3层最大池化层和3层全连接层组 成;ResNet18模型和ResNet50模型均由1层卷积层、4个由多卷积层和残差函 数构成的残差块、1层全连接层组成。
除AlexNet模型的池化层外,AlexNet模型、ResNet18模型和ResNet50模型每 一层均使用ReLU激活函数。
ResNet18模型的每一残差块包含两层卷积核为3×3×3的卷积层;ResNet50模 型的每一残差块包含三层卷积层,三层卷积层的卷积核分别为1×1×AlexNet模 型中,最大池化层分别置于第一卷积层、第二卷积层、第五卷积层之后。
预处理包含空间配准和偏置场校正;其中空间配准是采用医学图像配准技术将原始医学影像数据映射到标准空间。
经偏置场校正之后,还采用医学图像处理技术对人体组织进行提取。
原始医学影像数据经预处理后,还经过数据增广处理为图像数据集,作为三维卷积神经网络模型的训练数据集。
数据增广处理包括对图像的水平翻转、垂直翻转、旋转变换。
实施例1
采用上述方案,如图1所示,图像分类具体操作包括:
(1)空间配准:将原始医疗图像映射到标准空间,实现空间配准;
(2)偏置场校正:使用FSL工具实现影像的偏置场校正;
(3)人体组织自动提取:基于现有的人体组织自动提取技术,对图像中的部分 组织进行提取;
(4)其它预处理:影像的裁剪、大小重整及体素归一化等通用预处理;
(5)数据增广处理:医学图像的水平翻转、垂直翻转、旋转变换等。
从原理而言,AlexNet、ResNet18及Resnet50三个分类模型,分别适用于不同数 据集规模下的医学影像分类任务。
经典卷积神经网络AlexNet在保证模型精度的同时可使得训练时间最少。除此之外,由于其简洁的网络结构,能减轻在小数据集上发生的过拟合情况,使得模型 获得更好的泛化效果。AlexNet模型包括5层卷积层,3层最大池化层和3层全 连接层。为了避免训练过程中可能出现的梯度消失情况,在部分卷积层和全连接 层使用了ReLU激活函数,减少了参数之间的相互依赖关系并减少了计算量。同 时,在每个全连接层之间均使用Dropout正则化函数,在训练中以一定概率隐藏 部分神经单元,从而达到减轻过拟合的效果。
虽然AlexNet的11层网络架构能以一个尚可的准确率完成大多数图像分类任务,但对于有充足的训练时间和计算资源的分类任务来说,AlexNet模型的深度限制 了其获得更高准确率的可能。因此为了获得更高的准确率,还设计实现了 ResNet18医学影像诊断模型和ResNet50医学影像诊断模型两种网络结构。 ResNet18和ResNet50的实现都遵循了基本的ResNet架构,由1个卷积层、4个 由多个卷积层和残差函数组成的残差块以及1个全连接层组成,同时每个卷积层 间都使了ReLU激活函数,在全连接层后也进行Dropout,而两者的不同仅存在 于每个残差块中包含的卷积层数量及参数设置上。
AlexNet模型、ResNet18模型和ResNet50模型的网络结构参数如表1所示:
表1 3D AlexNet及3D ResNet模型架构
本发明由于使用三维卷积核进行特征的捕捉和计算,避免了三维重建步骤可能导致的数据误差。不同于一般卷积核是h×w的平面,三维卷积核是一个h×w×d 的立方体,根据设定的不同大小,将三维卷积核投影到特征图的下一层。
其网络特征图的计算公式如下:
N(h,w,d)=W(h,w,d)/S(h,w,d∈R+)
其中,N表示新生成的特征图大小,h,w,d分别表示特征图的长度、宽度及深度, W表示上一层输出的图像大小,S为卷积步幅。
实施例2
采用上述方案,指标分类中,Boosting算法为XGBoost算法,包含了十五个参数,涵盖 算法的基分类器、学习目标、学习步长、子分类器节点深度和权重等。由于参数众多, 因此使用网格搜索算法进行参数选择和优化,以获得更优的参数组合并达到更好的训练 效果,为了防止模型在训练过程中出现的过拟合现象,同时使得模型能够在数据量级不 大的情况下尽可能多的使用数据进行训练,在模型训练时使用十折交叉验证,以保证模 型准确率的可靠性。
医学检查指标中,血压类指标包含收缩压、舒张压、血糖,血常规类指标包含白 细胞(WBC)、中性粒细胞百分比(Neu%)、单核细胞百分比(MON%)、嗜酸性粒细 胞百分比(Eos%)、中性粒细胞数目(Neu#)、嗜酸性粒细胞数目(Eos#)、红细胞压 积(HCT)、红细胞分布宽度标准差(RDW-SD)、血小板(PLT)、血小板平均体积 (MPV)、血小板分布宽度(PDW)、淋巴细胞百分比(Lym%)、嗜碱性粒细胞百分比 (Bas%)、淋巴细胞数目(Lym#)、单核细胞数目(Mon#)、嗜碱性粒细胞数目(Bas#)、 红细胞(RBC)、血红蛋白浓度(HGB)、平均红细胞体积(MCV)、平均红细胞血红蛋 白含量(MCH)、平均红细胞血红蛋白浓度(MCHC)、红细胞分布宽度变异系数 (RDW-CV)、血小板压积(PCT),血脂类指标包含高密度脂蛋白胆固醇(HDL)、低密度脂蛋白胆固醇(LDL)、总胆固醇(CHOL)、甘油三酯(TG),肾功能类指标包 含尿素氮、肌酐、尿酸,肝功能类指标包含间接胆红素、总胆红素、直接胆红素、 丙氨酸氨基转移酶(ALT)、AST/ALT、天门冬氨酸氨基转移酶,尿常规类指标包 含小圆上皮细胞、粘液丝、鳞状上皮细胞、真菌、镜检上皮细胞、尿液透明度、 尿白细胞、尿红细胞、尿微量白蛋白、胆红素(BIL)、尿胆原(UBG)、酮体 (KET)、尿亚硝酸盐(NIT)、比重(SG)、尿潜血试验(BLD)、维生素C、颜色、 正常红细胞、尿葡萄糖、pH值(pH)、异常红细胞、尿蛋白质、中性粒细胞酯酶、 结晶、细菌、尿管型计数。
分类融合步骤中,融合算法采用权重法,将图像分类标识和指标分类标识按照类别对齐后转换并拼接为决策矩阵,使用该决策矩阵与权重数组的对应元素相乘, 并按列对加权后的各类别概率进行求和;最后将概率最大的类别作为最终结论输 出。
实施例3
融合上述方案的另一种实现,通过融合诊断过程中产生的多种临床数据进行分析, 得出更精准的辅助诊断结论。具体采用如下三阶段:
第一阶段:数据预处理
第一步:电子病历文本数据预处理
基于停用词语料库,将电子病历文本中高频出现但与内容表达无关的词汇去除;应用Word2Vec模型技术,将电子病历文本词汇映射为向量为后续分类任务提供 基础语义模型;
基于上述基础语义模型,应用Skip-Gram算法生成词向量;
对电子病历文本数据进行数据增广处理:
针对电子病历文本数据通常因存在数据规模较小、类别不均衡等特性,从而容易影响到模型精度和鲁棒性的问题,采用了EDA(Easy Data Augmentation)这种文 本数据增广技术增加可用于模型训练的数据。具体处理方法:通过同义词替换、 随机***、随机交换、随机删除四种手段生成新数据以达到增广效果。其中,同 义词替换即从原句中随机选择单词,并用同义词语料库中的词语对这些单词进行 替换。随机***则是将替换的同义词***原句子中的随机位置。随机交换指在句 子中随机选择两个单词并交换它们的位置。随机删除则将以一定概率对原句中的 单词进行随机删除。
第二步:医学图像数据预处理
空间配准:将原始医疗图像映射到标准空间,实现空间配准;
偏置场校正:使用FSL工具实现影像的偏置场校正;
人体组织自动提取:基于现有的人体组织自动提取技术,对图像中的部分组织进行自动化提取;
其它预处理:影像的裁剪、大小重整及体素归一化等通用预处理;
数据增广处理:医学图像的水平翻转、垂直翻转你、旋转变换等。
第三步:检查检验指标数据预处理
在预处理阶段并未对输入的数据进行降维等特征选择,仅设计缺失值补全等常见数据清理步骤;
在传入待分析数据之前,采取独特编码的方式对患者的个人基本信息、检查检验指标等数据中的离散变量和类别标签进行了编码,使得特征之间的距离计算更加 合理。
第二阶段:针对各类数据分别构建诊断模型
第一步:基于电子病历文本数据的诊断模型
电子病历中主要包括患者对病情症状的主诉、患者本人现病史、既往病史及家族病史等描述性词语或短句,通常以自然语言的形式产生在问诊阶段。由于记录人 员和疾病的差异,电子病历的内容也有很大的不同。单次问诊得到的病历文本用 语简短精炼,相比普通文本更偏向于短句,重要信息在句中均匀分布,句间依赖 较弱。而对患者进行长期观察所得到的病历文本的描述大多更加详细,且包含了 对疾病诊断至关重要的时间信息,因此在电子病历文本数据诊断模型的设计上分 别采用TextCNN和TextRNN两种模型,以分别处理不同类型的电子病历文本数 据。
TextCNN是一种用于文本分类任务的卷积神经网络,其优势在于可以捕捉文本 中的局部相关性,其简洁的网络框架使得模型对文本浅层特征的抽取能力很强, 对短文本分类任务友好。且由于CNN的高速并行性,可大大减少训练时长。针 对短句类型的电子病历,采用TextCNN电子病历诊断模型在原始TextCNN模型 的基础上对嵌入层(EmbeddingLayer)及部分参数做修改和调整。
模型的嵌入层采用预训练生成的词向量,并在模型训练过程中对预训练的词向量采用了静态模式,即对于出现过的词语使用预训练的词向量进行初始化,而对于 那些在预训练中没有出现的单词则随机初始化,在之后的网络权重更新过程中不 再对词向量参数进行调整。由于经过词向量表达的文本为一维数据,因此模型的 卷积层采用一维卷积并通过设计不同尺寸的卷积核以提取不同视野尺寸的特征。 由于卷积核的特性,TextCNN虽能捕捉关键词是否在文本中出现及相似度强度 分布,但会错失关键词出现的次数及顺序,这导致CNN无法建模更长的序列信 息。因此,针对电子病历长文本数据设置了TextRNN电子病历诊断模型,包括1 层嵌入层,2层隐藏层及2层全连接层。网络保持TextCNN的嵌入层设置不变, 采用2层128个LSTM或GRU单元进行隐藏层的构造,并对LSTM或GRU单 元的输出根据句子维度取平均值,平均后的向量视作包含整个句子信息的向量, 输入全连接层以完成疾病类别诊断。
第二步:基于医学图像数据的诊断模型
采用上述实施例1的方案。
第三步:基于者基本信息和检查检验指标数据的诊断模型
采用上述实施例2的方案。
第三阶段:对前述多种模态数据的辅助诊断模型进行融合以最终进行辅助诊断为了便于***后续扩展,在对电子病历文本数据、医学图像数据、检查检验指标 数据等异构多模态临床数据的融合分析方法进行选择时,采用了一种较灵活的, 适用范围较广的多模态数据融合策略,即决策级融合策略。这一策略允许不同模 态数据训练各自的模型,在决策级层面对所有子模型的结果进行融合分析,最终 得到全局最优决策。这就意味着可以通过加入新的诊断模型扩展***适用场景, 同时不会影响原有的模型和融合方法。根据适用场景的不同,决策级融合策略所 采用的具体融合方法也有所不同。本阶段实现了投票法和权重法两种常见的决策 级融合方法,以适用于大多数场景下的异构临床数据的融合分析。
Claims (10)
1.一种基于医学影像的医疗诊断辅助方法,其特征在于:包括如下步骤:
图像分类:对原始医学影像数据进行预处理得到图像数据后,采用三维卷积神经网络模型,对图像数据进行疾病分类得到图像分类标识;
指标分类:采用Boosting算法对医学检查指标进行疾病分类得到指标分类标识;
分类融合:采用融合算法对图像分类标识和指标分类标识进行结果融合,得到最终分类结果。
2.如权利要求1所述的基于医学影像的医疗诊断辅助方法,其特征在于:所述三维卷积神经网络模型为采用三维卷积核的,AlexNet模型、ResNet18模型或ResNet50模型;AlexNet模型由5层卷积层、3层最大池化层和3层全连接层组成;ResNet18模型和ResNet50模型均由1层卷积层、4个由多卷积层和残差函数构成的残差块、1层全连接层组成。
3.如权利要求1所述的基于医学影像的医疗诊断辅助方法,其特征在于:除AlexNet模型的池化层外,AlexNet模型、ResNet18模型和ResNet50模型每一层均使用ReLU激活函数。
4.如权利要求2所述的基于医学影像的医疗诊断辅助方法,其特征在于:所述ResNet18模型的每一残差块包含两层卷积核为3×3×3的卷积层;所述ResNet50模型的每一残差块包含三层卷积层,三层卷积层的卷积核分别为1×1×1、3×3×3、1×1×1。
5.如权利要求2所述的基于医学影像的医疗诊断辅助方法,其特征在于:所述AlexNet模型中,最大池化层分别置于第一卷积层、第二卷积层、第五卷积层之后。
6.如权利要求1所述的基于医学影像的医疗诊断辅助方法,其特征在于:所述预处理包含空间配准和偏置场校正;其中空间配准是采用医学图像配准技术将原始医学影像数据映射到标准空间。
7.如权利要求6所述的基于医学影像的医疗诊断辅助方法,其特征在于:经偏置场校正之后,还采用医学图像处理技术对人体组织进行提取。
8.如权利要求1所述的基于医学影像的医疗诊断辅助方法,其特征在于:所述原始医学影像数据经预处理后,还经过数据增广处理为图像数据集,作为三维卷积神经网络模型的训练数据集。
9.如权利要求8所述的基于医学影像的医疗诊断辅助方法,其特征在于:所述数据增广处理包括对图像的水平翻转、垂直翻转、旋转变换。
10.如权利要求8所述的基于医学影像的医疗诊断辅助方法,其特征在于:所述Boosting算法采用XGBoost算法;该XGBoost算法包含十个以上参数,采用网络搜索算法进行参数选择和优化,并在构建模型时采用十折交叉验证;所述医学检查指标包括对血压、血糖、血常规、血脂、肾功能、肝功能、尿常规的指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011468832.8A CN112700859A (zh) | 2020-12-15 | 2020-12-15 | 一种基于医学影像的医疗诊断辅助方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011468832.8A CN112700859A (zh) | 2020-12-15 | 2020-12-15 | 一种基于医学影像的医疗诊断辅助方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112700859A true CN112700859A (zh) | 2021-04-23 |
Family
ID=75509100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011468832.8A Pending CN112700859A (zh) | 2020-12-15 | 2020-12-15 | 一种基于医学影像的医疗诊断辅助方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112700859A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096125A (zh) * | 2021-05-11 | 2021-07-09 | 上海宝藤生物医药科技股份有限公司 | 低密度脂蛋白试剂浓度的确定方法、装置及存储介质 |
TWI796684B (zh) * | 2021-05-03 | 2023-03-21 | 中國醫藥大學 | 非侵入性血紅素濃度評估方法及其評估系統 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108766555A (zh) * | 2018-04-08 | 2018-11-06 | 深圳大学 | 胰腺神经内分泌肿瘤恶性程度的计算机诊断方法及*** |
CN110236543A (zh) * | 2019-05-23 | 2019-09-17 | 东华大学 | 基于深度学习的阿尔茨海默病多分类诊断*** |
CN110503630A (zh) * | 2019-07-19 | 2019-11-26 | 江苏师范大学 | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 |
CN110580695A (zh) * | 2019-08-07 | 2019-12-17 | 深圳先进技术研究院 | 一种多模态三维医学影像融合方法、***及电子设备 |
CN110910371A (zh) * | 2019-11-22 | 2020-03-24 | 北京理工大学 | 基于生理指标和影像融合的肝肿瘤自动分类方法及装置 |
CN111080572A (zh) * | 2019-11-18 | 2020-04-28 | 深圳市铱硙医疗科技有限公司 | 白质高信号定位方法、装置、设备和存储介质 |
-
2020
- 2020-12-15 CN CN202011468832.8A patent/CN112700859A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108766555A (zh) * | 2018-04-08 | 2018-11-06 | 深圳大学 | 胰腺神经内分泌肿瘤恶性程度的计算机诊断方法及*** |
CN110236543A (zh) * | 2019-05-23 | 2019-09-17 | 东华大学 | 基于深度学习的阿尔茨海默病多分类诊断*** |
CN110503630A (zh) * | 2019-07-19 | 2019-11-26 | 江苏师范大学 | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 |
CN110580695A (zh) * | 2019-08-07 | 2019-12-17 | 深圳先进技术研究院 | 一种多模态三维医学影像融合方法、***及电子设备 |
CN111080572A (zh) * | 2019-11-18 | 2020-04-28 | 深圳市铱硙医疗科技有限公司 | 白质高信号定位方法、装置、设备和存储介质 |
CN110910371A (zh) * | 2019-11-22 | 2020-03-24 | 北京理工大学 | 基于生理指标和影像融合的肝肿瘤自动分类方法及装置 |
Non-Patent Citations (5)
Title |
---|
"Machine learning of clinical variables and coronary artery calcium scoring for the prediction of obstructive coronary artery disease on coronary computed tomography angiography: analysis from the CONFIRM registry", 《EUROPEAN HEART JOURNAL》, pages 2 - 5 * |
刘辰;肖志勇;吴鑫鑫;: "三维卷积网络在脑海马体分割中的应用", 计算机科学与探索, no. 03 * |
史亮亮: "基于卷积神经网络的医学图像分类方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, pages 17 - 52 * |
肖玉杰: "基于深度学习的医学影像分析与认知计算方法研究与应用", 《中国硕士学位论文全文数据库信息科技辑》, pages 17 - 69 * |
贾晨曦: "基于多分类器多因素融合的渐进式乳腺癌辅助诊断模型", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, pages 14 - 59 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI796684B (zh) * | 2021-05-03 | 2023-03-21 | 中國醫藥大學 | 非侵入性血紅素濃度評估方法及其評估系統 |
CN113096125A (zh) * | 2021-05-11 | 2021-07-09 | 上海宝藤生物医药科技股份有限公司 | 低密度脂蛋白试剂浓度的确定方法、装置及存储介质 |
CN113096125B (zh) * | 2021-05-11 | 2024-05-31 | 上海宝藤生物医药科技股份有限公司 | 低密度脂蛋白试剂浓度的确定方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ueda et al. | Technical and clinical overview of deep learning in radiology | |
US20230028046A1 (en) | Clinical omics data processing method and apparatus based on graph neural network, device and medium | |
CN107403068A (zh) | 融合临床思维的智能辅助问诊方法及*** | |
CN116563707B (zh) | 一种基于图文多模态特征融合的枸杞虫害识别方法 | |
CN117077786A (zh) | 一种基于知识图谱的数据知识双驱动智能医疗对话***和方法 | |
CN112530584A (zh) | 一种医疗诊断辅助方法及*** | |
CN112700859A (zh) | 一种基于医学影像的医疗诊断辅助方法及*** | |
CN109767817A (zh) | 一种基于神经网络语言模型的药物潜在不良反应发现方法 | |
Tinti et al. | Cholemic nephropathy as cause of acute and chronic kidney disease. Update on an under-diagnosed disease | |
CN113838018B (zh) | 基于Cnn-former的肝纤维化病变检测模型训练方法与*** | |
Wu et al. | A preliminary study of sperm identification in microdissection testicular sperm extraction samples with deep convolutional neural networks | |
CN114820450A (zh) | 适宜李氏人工肝治疗的ct血管造影图像分类方法 | |
CN113254609B (zh) | 一种基于负样本多样性的问答模型集成方法 | |
Prasad et al. | Detection of ckd from ct scan images using knn algorithm and using edge detection | |
CN117316369B (zh) | 平衡跨模态信息的胸部影像诊断报告自动生成方法 | |
Das et al. | Attention-UNet architectures with pretrained backbones for multi-class cardiac MR image segmentation | |
CN113609360A (zh) | 一种基于场景化多源数据融合分析的方法和*** | |
CN117116407A (zh) | 基于电子病历的患者画像生成方法、装置及存储介质 | |
CN113096086B (zh) | 一种ki67指数确定方法及*** | |
Dong et al. | White blood cell classification based on a novel ensemble convolutional neural network framework | |
Mounika et al. | A Deep Hybrid Neural Network Model to Detect Diabetic Retinopathy from Eye Fundus Images | |
Ji et al. | The Risk Prediction of Type 2 Diabetes based on XGBoost | |
She et al. | Detection and counting of pigment glands in cotton leaves using improved U-Net | |
CN117726633B (zh) | 基于特征融合的双分支冠状动脉图像的分割方法、*** | |
CN112765353B (zh) | 一种基于科研文本的生物医学学科分类方法及装置 |
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 |