CN114974579A - 消化道粘膜下肿瘤内镜治疗预后的辅助判定***及设备 - Google Patents
消化道粘膜下肿瘤内镜治疗预后的辅助判定***及设备 Download PDFInfo
- Publication number
- CN114974579A CN114974579A CN202210415253.XA CN202210415253A CN114974579A CN 114974579 A CN114974579 A CN 114974579A CN 202210415253 A CN202210415253 A CN 202210415253A CN 114974579 A CN114974579 A CN 114974579A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- clinical
- lesion
- clinical data
- 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
Links
- 238000004393 prognosis Methods 0.000 title claims abstract description 26
- 238000012277 endoscopic treatment Methods 0.000 title claims abstract description 12
- 206010072581 Gastrointestinal submucosal tumour Diseases 0.000 title claims description 6
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000002496 gastric effect Effects 0.000 claims abstract description 6
- 230000003902 lesion Effects 0.000 claims description 28
- 238000012795 verification Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 206010028980 Neoplasm Diseases 0.000 claims description 7
- 210000001035 gastrointestinal tract Anatomy 0.000 claims description 7
- 238000002604 ultrasonography Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 210000004877 mucosa Anatomy 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000013479 data entry Methods 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000001788 irregular Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000011282 treatment Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 5
- 238000001356 surgical procedure Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000001839 endoscopy Methods 0.000 description 4
- 238000012143 endoscopic resection Methods 0.000 description 3
- 230000002980 postoperative effect Effects 0.000 description 3
- 210000004876 tela submucosa Anatomy 0.000 description 3
- 206010052428 Wound Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 101150094454 TotF gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000001072 colon Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003238 esophagus Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10068—Endoscopic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
-
- 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
- G06T2207/30028—Colon; Small intestine
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明属于治疗预后辅助判定***技术领域,提供了一种消化道粘膜下肿瘤内镜治疗预后的辅助判定***及设备。其中,该***包括可信度验证模块,其用于根据超声内镜图像,对患者临床数据进行可信度验证;数据分类模块,其用于将可信患者临床数据的特征属性进行分类处理;数据编码模块,其用于将可信患者临床数据类别及预后临床结局进行编码;数据建模模块,其用于根据历史超声内镜病历数据和数据分类模块处理得到的数据进行建模,得到各个临床数据类别的系数和计算平衡系数;辅助判定模块,其用于基于各个临床数据类别的系数和计算平衡系数,编码为i的预测预后临床结局发生的概率Pi。
Description
技术领域
本发明属于治疗预后辅助判定***技术领域,尤其涉及一种消化道粘膜下肿瘤内镜治疗预后的辅助判定***及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
内镜切除术是消化道粘膜下肿瘤的推荐治疗方式。然而,内镜切除术仍然面临许多挑战,包括手术难度、术后恢复及花费。更大的手术难度常通过更长的手术时间体现,也往往伴随更多的并发症和后续治疗。随着超声内镜的发展和普及,其参数逐渐被用于辅助预测内镜手术相关风险。
然而,发明人发现,目前在超声内镜应用于预测内镜切除术相关风险及预后方面,仍存在以下问题:(1)较多超声内镜参数的预测作用仍不明确。(2)相关研究局限于粘膜下肿瘤的特定种类、部位、所用切除术式等。(3)超声内镜对于内镜医生仍是一项复杂的技术,参数繁多、图像模糊、异质性等因素往往引起参数遗漏和流程复杂化。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种消化道粘膜下肿瘤内镜治疗预后的辅助判定***及设备,其采用多个临床结局概率通过超声内镜检查基础资料全部预测的技术手段,获得临床环境下对患者预后参考的快捷推测的效果,通过AI图像识别结果验证超声内镜检查基础资料的可信度,进而提高预测临床结局概率的准确性。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种消化道粘膜下肿瘤内镜治疗预后的辅助判定***,其包括:
可信度验证模块,其用于根据超声内镜图像,对患者临床数据进行可信度验证;
数据分类模块,其用于将可信患者临床数据的特征属性进行分类处理;
数据编码模块,其用于将可信患者临床数据类别及预后临床结局进行编码;
数据建模模块,其用于根据历史超声内镜病历数据和数据分类模块处理得到的数据进行建模,得到各个临床数据类别的系数和计算平衡系数;
辅助判定模块,其用于基于各个临床数据类别的系数和计算平衡系数,编码为预测预后临床结局发生的概率。
本发明的第二个方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如下步骤:
根据超声内镜图像,对患者临床数据进行可信度验证;
将可信患者临床数据的特征属性进行分类处理;
将可信患者临床数据类别及预后临床结局进行编码;
根据历史超声内镜病历数据和数据分类模块处理得到的数据进行建模,得到各个临床数据类别的系数和计算平衡系数;
基于各个临床数据类别的系数和计算平衡系数,编码为预测预后临床结局发生的概率。
本发明的第三个方面提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如下步骤:
根据超声内镜图像,对患者临床数据进行可信度验证;
将可信患者临床数据的特征属性进行分类处理;
将可信患者临床数据类别及预后临床结局进行编码;
根据历史超声内镜病历数据和数据分类模块处理得到的数据进行建模,得到各个临床数据类别的系数和计算平衡系数;
基于各个临床数据类别的系数和计算平衡系数,编码为预测预后临床结局发生的概率。
与现有技术相比,本发明的有益效果是:
本发明通过超声内镜检查基础资料辅助预测临床结局概率的技术手段,获得简便易行地为内镜医师和患者提供预后参考的效果;
本发明通过采用多个临床结局概率通过一次超声内镜检查基础资料全部预测的技术手段,获得临床环境下对患者预后参考的快捷推测的效果;
本发明采用多个临床结局概率通过一次超声内镜检查基础资料全部预测的技术手段,获得临床环境下对患者预后参考的快捷推测的效果。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明消化道粘膜下肿瘤内镜治疗预后的辅助判定***示意图;
图2是本发明消化道粘膜下肿瘤内镜治疗预后的辅助判定流程示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1-图2所示,本实施例提供了一种消化道粘膜下肿瘤内镜治疗预后的辅助判定***,其包括:
数据获取模块,其用于获取临床数据和其对应的超声内镜图像数据;
可信度验证模块,其用于根据超声内镜图像,对患者临床数据进行可信度验证;
所述可信度验证模块包括病灶识别模块、数字离散化模块和病灶验证模块;
所述病灶识别模块,其用于基于超声内镜图像和病灶识别模型得到内镜图像病灶识别结果;
所述病灶识别模块包括消化道病灶部位识别模块、病灶大小识别模块以及病灶形态识别模块,对应输出的结果为:消化道病灶部位、病灶大小以及病灶形态。
所述病灶部位识别模块用于通过将内镜操作过程中实时获取的消化道图像传送至消化道部位识别模型,实时输出内镜在消化道的部位:食管、胃、结直肠、十二指肠。
所述病灶形态识别模块用于基于原始超声内镜的病灶图像、掩码图像和实例分割模型得到病灶区域及病灶类别,其中,所述掩码图像通过标注图像中的病灶区域,勾画出病灶轮廓曲线,生成对应的掩码图像数据标识,所述病灶形态包括不规则病灶形态和规则病灶形态。
所述病灶大小识别模块用于基于超声内镜的图像颜色和轮廓形状特征,提取出超声内镜的内镜图像区域,根据内镜图像区域判断病灶区域大小。
具体操作:图像二值化处理,基于矩形框的形状特征和图像像素值特征(内镜图像与超声图像的像素值差距很大)提取出内镜图像总区域;再次基于图像像素值特征进行二值化处理、轮廓边界提取得到去除黑边后的内镜图像有效区域。再根据病灶区域大小判断出病灶尺寸类别:病灶大小<2cm和病灶大小>=2cm。
数字离散化模块,其用于将内镜图像病灶识别结果和临床数据进行数字离散化表示合并生成自定义特征向量;
其中,数字离散化模块中,对临床数据进行数字离散化表示的结果如表1所示:
表1数字离散化表示结果
其整体思路为:根据填写的数据和图像判断出的数据,验证填写的是否属实。
一条临床数据和对应的图像,图像调用部位识别模型、病灶识别模型得到这条问卷记录的识别结果以及概率,识别结果数字离散化表示。
再把临床数据数字离散化表示,组合成二分类模型的输入向量,调用二分类模型推断,得到填写数据可信还是不可信。
所述病灶验证模块,其用于根据数字离散化后的自定义特征向量和二分类神经网络模型对临床数据进行分类得到可信度分类结果;可信度分类结果为可信和不可信两种结果。
二分类神经网络模型训练模块用于通过临床数据和内镜图像病灶识别结果进行离散化后合并生成的自定义的特征向量进行训练。
合并生成自定义特征向量:{临床数据_部位数字表示,临床数据_病灶大小数字表示,临床数据_病灶形态数字表示,模型识别_部位数字表示,模型识别_病灶大小数字表示,模型识别_病灶形态数字表示,模型识别_部位概率,模型识别_病灶大小概率,模型识别_病灶形态概率},已知对应类别:可信数据、不可信数据。
数据分类模块,其用于根据可信的患者临床数据并按照特征属性进行分类处理;
数据编码模块,其用于将临床数据类别及预后临床结局进行编码;
数据建模模块,其用于根据超声内镜病历数据库中的已有数据和数据获取及分类模块处理得到的数据进行建模,得到各个临床数据类别的系数和计算平衡系数;
辅助判定模块,其用于基于各个临床数据类别的系数和计算平衡系数,编码为i的预测预后临床结局发生的概率Pi:
Pi=1-1/(1+e^(α1×T1+α2×T2+…+αn×Tn+β))
其中,α1,α1……αn分别为n个不同编码的临床数据类别的系数,β为计算平衡系数。
所述数据建模模块,具体包括:
数据集整合模块,其用于将数据获取及分类模块获得的新数据整合已有数据,形成新数据集;
回归模型建立模块,其用于将新数据集中的收集数据录入项为自变量,用于预测的临床结局为因变量建立logistic回归模型;
其基本公式如下:
ln(P/(1-P))=β+α1×T1+α2×T2+…+αn×Tn
其中,α1,α2……αn分别为n个不同编码的临床数据类别的系数,β为计算平衡系数。
参数计算模块,其用于基于logistic回归模型,可以得出不同临床结局对应的临床数据类别的系数α和计算平衡系数β。
其中,表201为临床数据验证表,按照表201进行分类并并赋予一一对应的***代号。
表201临床数据验证表
表202预测的临床结局
临床结局分类名 | 结局代号 |
手术时长大于60分 | Surgtime |
发生穿孔 | Perf |
推荐ESD手术 | ESD |
推荐ESE手术 | ESE |
推荐STER手术 | STER |
推荐EFTR手术 | FFTR |
推荐EMR手术 | EMR |
术后创面未处理或仅止血 | Blos |
术后创面夹闭 | Occ |
术后住院时间大于7天 | Hosp |
总费用高于平均 | TotF |
治疗费高于平均 | TreF |
西药费高于平均 | MedF |
耗材费高于平均 | MatF |
实施例二
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如下步骤:
根据超声内镜图像,对患者临床数据进行可信度验证;
将可信患者临床数据的特征属性进行分类处理;
将可信患者临床数据类别及预后临床结局进行编码;
根据历史超声内镜病历数据和数据分类模块处理得到的数据进行建模,得到各个临床数据类别的系数和计算平衡系数;
基于各个临床数据类别的系数和计算平衡系数,编码为预测预后临床结局发生的概率。
实施例三
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如下步骤:
根据超声内镜图像,对患者临床数据进行可信度验证;
将可信患者临床数据的特征属性进行分类处理;
将可信患者临床数据类别及预后临床结局进行编码;
根据历史超声内镜病历数据和数据分类模块处理得到的数据进行建模,得到各个临床数据类别的系数和计算平衡系数;
基于各个临床数据类别的系数和计算平衡系数,编码为预测预后临床结局发生的概率。
本发明是参照本发明实施例的方法、设备(***)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种消化道粘膜下肿瘤内镜治疗预后的辅助判定***,其特征在于,包括:
可信度验证模块,其用于根据超声内镜图像,对患者临床数据进行可信度验证;
数据分类模块,其用于将可信患者临床数据的特征属性进行分类处理;
数据编码模块,其用于将可信患者临床数据类别及预后临床结局进行编码;
数据建模模块,其用于根据历史超声内镜病历数据和数据分类模块处理得到的数据进行建模,得到各个临床数据类别的系数和计算平衡系数;
辅助判定模块,其用于基于各个临床数据类别的系数和计算平衡系数,编码为i的预测预后临床结局发生的概率Pi。
2.如权利要求1所述的消化道粘膜下肿瘤内镜治疗预后的辅助判定***,其特征在于,所述可信度验证模块包括病灶识别模块、数字离散化模块和病灶验证模块;
所述病灶识别模块,其用于基于超声内镜图像和病灶识别模型得到内镜图像病灶识别结果;
所述数字离散化模块,其用于将内镜图像病灶识别结果和临床数据进行数字离散化表示为自定义特征向量;
所述病灶验证模块,其用于根据自定义特征向量和二分类神经网络模型对临床数据进行分类得到可信度分类结果;可信度分类结果为可信和不可信两种。
3.如权利要求1所述的消化道粘膜下肿瘤内镜治疗预后的辅助判定***,其特征在于,所述辅助判定模块中,预后临床结局发生的概率表达式为:
Pi=1-1/(1+e^(α1×T1+α2×T2+…+αn×Tn+β))
其中,α1,α1……αn分别为n个不同编码的临床数据类别的系数,β为计算平衡系数。
4.如权利要求1所述的消化道粘膜下肿瘤内镜治疗预后的辅助判定***,其特征在于,所述数据建模模块,包括数据集整合模块、回归模型建立模块以及参数计算模块;
所述数据集整合模块,其用于将分类模块获得的新数据整合已有数据,形成新数据集;
回归模型建立模块,其用于将新数据集中的收集数据录入项为自变量,用于预测的临床结局为因变量建立logistic回归模型;
参数计算模块,其用于基于logistic回归模型,得到不同临床结局对应的临床数据类别的系数和计算平衡系数。
5.如权利要求2所述的消化道粘膜下肿瘤内镜治疗预后的辅助判定***,其特征在于,所述病灶识别模块包括消化道病灶部位识别模块、病灶大小识别模块以及病灶形态识别模块,对应输出的结果为:消化道病灶部位、病灶大小以及病灶形态。
6.如权利要求5所述的消化道粘膜下肿瘤内镜治疗预后的辅助判定***,其特征在于,所述病灶形态识别模块用于基于原始超声内镜的病灶图像、掩码图像和实例分割模型得到病灶区域及病灶类别,其中,所述掩码图像通过标注图像中的病灶区域,勾画出病灶轮廓曲线,生成对应的掩码图像数据标识,所述病灶形态包括不规则病灶形态和规则病灶形态。
7.如权利要求5所述的消化道粘膜下肿瘤内镜治疗预后的辅助判定***,其特征在于,所述病灶大小识别模块用于基于超声内镜的图像颜色和轮廓形状特征,提取出超声内镜的内镜图像区域,根据内镜图像区域判断病灶区域大小。
8.如权利要求7所述的消化道粘膜下肿瘤内镜治疗预后的辅助判定***,其特征在于,所述病灶大小识别模块中还用于对超声内镜二值化处理,基于矩形框的形状特征和图像像素值特征提取出内镜图像总区域,基于图像像素值特征进行二值化处理,进行轮廓边界提取得到去除黑边后的内镜图像有效区域。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如下步骤:
根据超声内镜图像,对患者临床数据进行可信度验证;
将可信患者临床数据的特征属性进行分类处理;
将可信患者临床数据类别及预后临床结局进行编码;
根据历史超声内镜病历数据和数据分类模块处理得到的数据进行建模,得到各个临床数据类别的系数和计算平衡系数;
基于各个临床数据类别的系数和计算平衡系数,编码为预测预后临床结局发生的概率。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如下步骤:
根据超声内镜图像,对患者临床数据进行可信度验证;
将可信患者临床数据的特征属性进行分类处理;
将可信患者临床数据类别及预后临床结局进行编码;
根据历史超声内镜病历数据和数据分类模块处理得到的数据进行建模,得到各个临床数据类别的系数和计算平衡系数;
基于各个临床数据类别的系数和计算平衡系数,编码为预测预后临床结局发生的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210415253.XA CN114974579B (zh) | 2022-04-20 | 2022-04-20 | 消化道粘膜下肿瘤内镜治疗预后的辅助判定***及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210415253.XA CN114974579B (zh) | 2022-04-20 | 2022-04-20 | 消化道粘膜下肿瘤内镜治疗预后的辅助判定***及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114974579A true CN114974579A (zh) | 2022-08-30 |
CN114974579B CN114974579B (zh) | 2024-02-27 |
Family
ID=82978265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210415253.XA Active CN114974579B (zh) | 2022-04-20 | 2022-04-20 | 消化道粘膜下肿瘤内镜治疗预后的辅助判定***及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114974579B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596927A (zh) * | 2023-07-17 | 2023-08-15 | 浙江核睿医疗科技有限公司 | 一种内镜视频处理方法、***及装置 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2556890A1 (en) * | 2004-02-20 | 2005-09-09 | Veridex, Llc | Breast cancer prognostics |
CN102307303A (zh) * | 2011-08-24 | 2012-01-04 | 北京航空航天大学 | 一种基于三进制表示的图像预测编码方法 |
CN107169462A (zh) * | 2017-05-19 | 2017-09-15 | 山东建筑大学 | 一种基于层次分析的脑电信号特征分类的二分类方法 |
EP3382584A1 (en) * | 2017-03-30 | 2018-10-03 | Fujitsu Limited | A system and a method to predict patient behaviour |
US20190057774A1 (en) * | 2017-08-15 | 2019-02-21 | Computer Technology Associates, Inc. | Disease specific ontology-guided rule engine and machine learning for enhanced critical care decision support |
CN110459328A (zh) * | 2019-07-05 | 2019-11-15 | 梁俊 | 一种评估心脏骤停的临床决策支持*** |
CN110634573A (zh) * | 2019-09-27 | 2019-12-31 | 南昌大学第一附属医院 | 一种临床脑梗患者复发风险预警评分可视化模型***及其评价方法 |
CN110993103A (zh) * | 2019-11-28 | 2020-04-10 | 阳光人寿保险股份有限公司 | 疾病风险预测模型的建立方法和疾病保险产品的推荐方法 |
CN111178451A (zh) * | 2020-01-02 | 2020-05-19 | 中国民航大学 | 一种基于YOLOv3网络的车牌检测方法 |
CN111243730A (zh) * | 2020-01-17 | 2020-06-05 | 视隼智能科技(上海)有限公司 | 一种基于乳腺超声影像的乳腺病灶智能分析方法及*** |
CN111353998A (zh) * | 2020-05-13 | 2020-06-30 | 温州医科大学附属第一医院 | 一种基于人工智能的肿瘤诊疗预测模型及装置 |
CN111723209A (zh) * | 2020-06-28 | 2020-09-29 | 上海携旅信息技术有限公司 | 半监督文本分类模型训练方法、文本分类方法、***、设备及介质 |
CN112259221A (zh) * | 2020-10-21 | 2021-01-22 | 北京大学第一医院 | 基于多种机器学习算法的肺癌诊断*** |
CN112466466A (zh) * | 2021-01-27 | 2021-03-09 | 萱闱(北京)生物科技有限公司 | 基于深度学习的消化道辅助检测方法、装置和计算设备 |
CN112614595A (zh) * | 2020-12-25 | 2021-04-06 | 联仁健康医疗大数据科技股份有限公司 | 生存分析模型的构建方法、装置、电子终端及存储介质 |
CN112837264A (zh) * | 2020-12-23 | 2021-05-25 | 南京市江宁医院 | 肋骨定位、骨折临床结局预测装置及自动诊断*** |
CN112862756A (zh) * | 2021-01-11 | 2021-05-28 | 中国医学科学院北京协和医院 | 识别甲状腺肿瘤病理图像中病变类型及基因突变的方法 |
CN113139944A (zh) * | 2021-04-25 | 2021-07-20 | 山东大学齐鲁医院 | 一种基于深度学习的***镜图像分类计算机辅助诊断***和方法 |
CN113284103A (zh) * | 2021-05-20 | 2021-08-20 | 齐丰科技股份有限公司 | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测*** |
CN113283795A (zh) * | 2021-06-11 | 2021-08-20 | 同盾科技有限公司 | 基于二分类模型的数据处理方法及装置、介质、设备 |
-
2022
- 2022-04-20 CN CN202210415253.XA patent/CN114974579B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2556890A1 (en) * | 2004-02-20 | 2005-09-09 | Veridex, Llc | Breast cancer prognostics |
CN102307303A (zh) * | 2011-08-24 | 2012-01-04 | 北京航空航天大学 | 一种基于三进制表示的图像预测编码方法 |
EP3382584A1 (en) * | 2017-03-30 | 2018-10-03 | Fujitsu Limited | A system and a method to predict patient behaviour |
CN107169462A (zh) * | 2017-05-19 | 2017-09-15 | 山东建筑大学 | 一种基于层次分析的脑电信号特征分类的二分类方法 |
US20190057774A1 (en) * | 2017-08-15 | 2019-02-21 | Computer Technology Associates, Inc. | Disease specific ontology-guided rule engine and machine learning for enhanced critical care decision support |
CN110459328A (zh) * | 2019-07-05 | 2019-11-15 | 梁俊 | 一种评估心脏骤停的临床决策支持*** |
CN110634573A (zh) * | 2019-09-27 | 2019-12-31 | 南昌大学第一附属医院 | 一种临床脑梗患者复发风险预警评分可视化模型***及其评价方法 |
CN110993103A (zh) * | 2019-11-28 | 2020-04-10 | 阳光人寿保险股份有限公司 | 疾病风险预测模型的建立方法和疾病保险产品的推荐方法 |
CN111178451A (zh) * | 2020-01-02 | 2020-05-19 | 中国民航大学 | 一种基于YOLOv3网络的车牌检测方法 |
CN111243730A (zh) * | 2020-01-17 | 2020-06-05 | 视隼智能科技(上海)有限公司 | 一种基于乳腺超声影像的乳腺病灶智能分析方法及*** |
CN111353998A (zh) * | 2020-05-13 | 2020-06-30 | 温州医科大学附属第一医院 | 一种基于人工智能的肿瘤诊疗预测模型及装置 |
CN111723209A (zh) * | 2020-06-28 | 2020-09-29 | 上海携旅信息技术有限公司 | 半监督文本分类模型训练方法、文本分类方法、***、设备及介质 |
CN112259221A (zh) * | 2020-10-21 | 2021-01-22 | 北京大学第一医院 | 基于多种机器学习算法的肺癌诊断*** |
CN112837264A (zh) * | 2020-12-23 | 2021-05-25 | 南京市江宁医院 | 肋骨定位、骨折临床结局预测装置及自动诊断*** |
CN112614595A (zh) * | 2020-12-25 | 2021-04-06 | 联仁健康医疗大数据科技股份有限公司 | 生存分析模型的构建方法、装置、电子终端及存储介质 |
CN112862756A (zh) * | 2021-01-11 | 2021-05-28 | 中国医学科学院北京协和医院 | 识别甲状腺肿瘤病理图像中病变类型及基因突变的方法 |
CN112466466A (zh) * | 2021-01-27 | 2021-03-09 | 萱闱(北京)生物科技有限公司 | 基于深度学习的消化道辅助检测方法、装置和计算设备 |
CN113139944A (zh) * | 2021-04-25 | 2021-07-20 | 山东大学齐鲁医院 | 一种基于深度学习的***镜图像分类计算机辅助诊断***和方法 |
CN113284103A (zh) * | 2021-05-20 | 2021-08-20 | 齐丰科技股份有限公司 | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测*** |
CN113283795A (zh) * | 2021-06-11 | 2021-08-20 | 同盾科技有限公司 | 基于二分类模型的数据处理方法及装置、介质、设备 |
Non-Patent Citations (2)
Title |
---|
朱斐: "文本数据的生物信息学模型及在***癌中的应用研究", 《中国博士学位论文全文数据库 医药卫生科技辑》, no. 11, pages 072 - 95 * |
高渝强: "基于3D多分辨注意力胶囊网络的肺结节多种病理类型辅助诊断方法研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, no. 12, pages 072 - 121 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596927A (zh) * | 2023-07-17 | 2023-08-15 | 浙江核睿医疗科技有限公司 | 一种内镜视频处理方法、***及装置 |
CN116596927B (zh) * | 2023-07-17 | 2023-09-26 | 浙江核睿医疗科技有限公司 | 一种内镜视频处理方法、***及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114974579B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009623B (zh) | 一种图像识别模型训练及图像识别方法、装置及*** | |
CN110600122B (zh) | 一种消化道影像的处理方法、装置、以及医疗*** | |
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
US10993653B1 (en) | Machine learning based non-invasive diagnosis of thyroid disease | |
CN114974579B (zh) | 消化道粘膜下肿瘤内镜治疗预后的辅助判定***及设备 | |
CN112150473A (zh) | 基于ct的三维颌骨图像分割建模方法、装置及终端设备 | |
Gupte et al. | Deep learning models for calculation of cardiothoracic ratio from chest radiographs for assisted diagnosis of cardiomegaly | |
Kara et al. | Identification and localization of endotracheal tube on chest radiographs using a cascaded convolutional neural network approach | |
Ramkumar et al. | Multi res U-Net based image segmentation of pulmonary tuberculosis using CT images | |
CN111401102B (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
CN110634132A (zh) | 基于深度学习的3d ct影像自动生成肺结核量化诊断报告的方法 | |
CN117035087B (zh) | 用于医疗推理的事理图谱生成方法、装置、设备及介质 | |
Singh et al. | Xception Model for Pneumothorax Classification using Chest X-ray Images | |
CN112819834B (zh) | 基于人工智能的胃部病理图像的分类方法和装置 | |
Chen et al. | Detection of various dental conditions on dental panoramic radiography using Faster R-CNN | |
Han et al. | Multitask network for thyroid nodule diagnosis based on TI‐RADS | |
Liu et al. | Recognition of cervical precancerous lesions based on probability distribution feature guidance | |
CN115440371A (zh) | 一种胸部疾病诊断模型及其创建方法和装置 | |
CN111967540B (zh) | 基于ct数据库的颌面部骨折的识别方法、装置及终端设备 | |
Qiu et al. | Is visual explanation with Grad-CAM more reliable for deeper neural networks? A case study with automatic pneumothorax diagnosis | |
Nam et al. | Diagnosis of Middle Ear Diseases Based on Convolutional Neural Network. | |
Velusamy et al. | Faster Region‐based Convolutional Neural Networks with You Only Look Once multi‐stage caries lesion from oral panoramic X‐ray images | |
CN110766652A (zh) | 网络训练方法、装置、分割方法、计算机设备和存储介质 | |
CN116385756B (zh) | 基于增强标注和深度学习的医学图像识别方法及相关装置 | |
Kim et al. | Development of ResNet152 UNet++-based segmentation algorithm for the tympanic membrane and affected areas |
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 |