CN116313089B - 一种卒中后房颤风险预测方法、计算机设备及介质 - Google Patents
一种卒中后房颤风险预测方法、计算机设备及介质 Download PDFInfo
- Publication number
- CN116313089B CN116313089B CN202310263744.1A CN202310263744A CN116313089B CN 116313089 B CN116313089 B CN 116313089B CN 202310263744 A CN202310263744 A CN 202310263744A CN 116313089 B CN116313089 B CN 116313089B
- Authority
- CN
- China
- Prior art keywords
- image
- stroke
- atrial fibrillation
- post
- risk
- 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
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims description 50
- 238000000605 extraction Methods 0.000 claims description 42
- 210000004556 brain Anatomy 0.000 claims description 28
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 15
- 238000013058 risk prediction model Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 230000006835 compression Effects 0.000 claims description 10
- 238000007906 compression Methods 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000003902 lesion Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 208000006011 Stroke Diseases 0.000 description 88
- 238000004891 communication Methods 0.000 description 8
- 206010008190 Cerebrovascular accident Diseases 0.000 description 7
- 208000032382 Ischaemic stroke Diseases 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 208000032109 Transient ischaemic attack Diseases 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 201000010875 transient cerebral ischemia Diseases 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 102000004895 Lipoproteins Human genes 0.000 description 1
- 108090001030 Lipoproteins Proteins 0.000 description 1
- 208000005764 Peripheral Arterial Disease Diseases 0.000 description 1
- 208000030831 Peripheral arterial occlusive disease Diseases 0.000 description 1
- 230000003143 atherosclerotic effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000009863 secondary prevention Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- BGRJTUBHPOOWDU-UHFFFAOYSA-N sulpiride Chemical compound CCN1CCCC1CNC(=O)C1=CC(S(N)(=O)=O)=CC=C1OC BGRJTUBHPOOWDU-UHFFFAOYSA-N 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开一种卒中后房颤风险预测方法、计算机设备及介质，涉及卒中后房颤风险预测技术领域，该方法包括获取用户的风险预测用信息，并对风险预测用信息进行预处理，然后将预处理后的风险预测用信息输入至训练好的卒中后房颤风险预测模型中，对用户发生卒中后房颤的概率进行预测，得到卒中后房颤风险预测概率，将卒中后房颤风险预测概率与预设概率值进行比较，得到用户的卒中后房颤预测风险等级，本发明通过机器学习方法对用户发生卒中后房颤的风险概率进行预测，其具有很强的客观性，避免了人为主观因素的影响，从而提高了卒中后房颤风险预测的准确性。
Description
技术领域
本发明涉及卒中后房颤风险预测技术领域，特别是涉及一种卒中后房颤风险预测方法、计算机设备及介质。
背景技术
房颤相关的缺血性卒中及短暂性脑缺血发作比例非常高，合并缺血性卒中的房颤用户可被分类为既往房颤(缺血性卒中前发现的房颤)和缺血性卒中后发现的房颤。与窦性心律的用户相比，缺血性卒中后房颤用户卒中复发及死亡风险更高，因此尽早识别卒中后房颤对于优化用户二级预防策略、改善用户预后尤为重要。哪些缺血性卒中用户是卒中后房颤的高危人群，如何在临床工作中快速高效地识别这一人群，仍是目前研究的难点。尽管目前发现了多种预测评分及因素，并依此来判断是否有卒中后房颤的风险，但由于其采用的影像学信息多基于人工判读，主观性强，因此存在判读者偏移误判问题。
发明内容
本发明的目的是提供一种卒中后房颤风险预测方法、计算机设备及介质，可提高卒中后房颤风险预测的准确性。
为实现上述目的，本发明提供了如下方案：
一种卒中后房颤风险预测方法，所述方法包括：
获取用户的风险预测用信息；所述风险预测用信息包括多模态影像和基线临床数据信息；所述多模态影像包括T1图像、T2图像、FLAIR图像和DWI图像；所述基线临床数据信息包括年龄信息、性别信息、既往史信息和NIHSS评分信息；
对所述风险预测用信息进行预处理，得到预处理后的风险预测用信息；所述预处理后的风险预测用信息包括预处理后的多模态影像、预处理后的基线临床数据信息、病灶掩膜和病灶体积特征；
将所述预处理后的风险预测用信息输入至训练好的卒中后房颤风险预测模型中，对所述用户发生卒中后房颤的概率进行预测，得到卒中后房颤风险预测概率；
将所述卒中后房颤风险预测概率与预设概率值进行比较，得到所述用户的卒中后房颤风险等级。
可选的，所述对所述风险预测用信息进行预处理，具体包括：
对所述多模态影像和配准模版图像进行结构像配准，得到配准后的多模态影像和配准矩阵；
对所述配准后的多模态影像进行脑提取，得到脑提取结果；根据所述脑提取结果对所述配准后的多模态影像进行裁剪，得到裁剪后的多模态影像；所述裁剪后的多模态影像即为所述预处理后的多模态影像，包括裁剪后的T1图像、裁剪后的T2图像、裁剪后的FLAIR图像和裁剪后的DWI图像；
对所述裁剪后的FLAIR图像的卒中病灶进行分割，得到FLAIR图像病灶掩膜；对所述裁剪后的DWI图像的卒中病灶进行分割，得到DWI图像病灶掩膜；所述DWI图像病灶掩膜和所述FLAIR图像病灶掩膜组成所述病灶掩膜；
根据所述DWI图像病灶掩膜确定病灶体积特征；
对所述基线临床数据信息进行编码预处理，得到预处理后的基线临床数据信息。
可选的，所述进行分割，具体包括：
利用手工勾勒方法或深度学习图像分割模型进行分割。
可选的，所述根据所述DWI图像病灶掩膜确定病灶体积特征，具体包括：
利用所述配准矩阵和所述配准模版图像计算所述用户的脑区图谱；
根据所述脑区图谱和所述DWI图像病灶掩膜得到卒中病灶体素数量，所述卒中病灶体素数量即为所述病灶体积特征。
可选的，所述对所述基线临床数据信息进行编码预处理，具体包括：
对所述年龄信息进行Z-score标准化，对所述性别信息进行One-hot编码，对所述既往史信息进行One-hot编码，对所述NIHSS评分信息进行Z-score标准化。
可选的，所述训练好的卒中后房颤风险预测模型包括五个子模型；所述五个子模型均为以样本用户的样本风险预测用信息为输入，以所述样本用户是否发生过卒中后房颤为标签训练得到的模型；所述将所述预处理后的风险预测用信息输入至训练好的卒中后房颤风险预测模型中，对所述用户发生卒中后房颤的概率进行预测，得到卒中后房颤风险预测概率，具体包括：
将所述预处理后的风险预测用信息分别输入至五个子模型中，得到五个卒中后房颤风险预测子概率；
计算五个所述卒中后房颤风险预测子概率的平均值，得到卒中后房颤风险预测概率。
可选的，所述子模型包括影像特征提取模块、压缩激励模块、数据特征提取模块、拼接模块和预测模块；
所述影像特征提取模块用于对所述预处理后的多模态影像和所述病灶掩膜进行特征提取，得到图像特征向量；
所述压缩激励模块用于对所述图像特征向量进行全局池化，并利用激活函数对全局池化后的图像特征向量进行处理，得到权重向量，将所述权重向量和所述图像特征向量在通道维度上进行乘积，得到通道乘积特征向量；
所述数据特征提取模块用于对所述预处理后的基线临床数据信息和所述病灶体积特征进行特征提取，得到数据特征向量；
所述拼接模块用于将所述通道乘积特征向量和所述数据特征向量进行拼接，得到融合特征；
所述预测模块用于根据所述融合特征得到卒中后房颤风险预测子概率。
可选的，所述影像特征提取模块包括若干个残差单元；每一所述残差单元包括若干依次连接的卷积层；
所述压缩激励模块包括依次连接的全局池化层、ReLU层和Sigmoid层；
所述数据特征提取模块包括五个数据特征提取子模块；每一所述数据特征提取子模块包括依次连接的第一全连接层、ReLu层和第二全连接层；
所述预测模块包括依次连接的第三全连接层、第一ReLu层、第四全连接层、第二ReLu层和第五全连接层。
本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述卒中后房颤风险预测方法的步骤。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序适用于由处理器加载并执行上述卒中后房颤风险预测方法的方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种卒中后房颤风险预测方法、计算机设备及介质，该方法首先获取用户的风险预测用信息，对风险预测用信息进行预处理，然后将预处理后的风险预测用信息输入至训练好的卒中后房颤风险预测模型中，对用户发生卒中后房颤的概率进行预测，得到卒中后房颤风险预测概率，将卒中后房颤风险预测概率与预设概率值进行比较，得到用户的卒中后房颤预测风险等级，本发明通过机器学习方法对用户发生卒中后房颤的风险概率进行预测，其具有很强的客观性，避免了人为主观因素的影响，从而提高了卒中后房颤风险预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的卒中后房颤风险预测方法流程示意图；
图2为本发明实施例提供的子模型结构示意图；
图3为本发明实施例提供的ProjectionHead网络结构示意图；
图4是本发明实施例提供的一种计算机设备的结构示意图。
符号说明：
1000-计算机设备；1001-处理器；1002-通信总线；1003-用户接口；1004-网络接口；1005-存储器。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前多数对于卒中后房颤事件风险的评估模型依赖大量多维度的数据，如用户的血液标志物，超声心动图，心电监测数据等信息。但多维度信息的采集耗时导致可预测时间延迟，且不同医院间采集的数据维度不同，不同用户可配合采集的数据内容同样存在差异，导致模型的外部验证及推广困难。此外目前研究采用的影像学信息多基于人工判读，存在判读者之间偏倚及异质性，且无法纳入全部整体的影像学信息。
基于上述现有技术的缺陷，本发明提供了一种卒中后房颤风险预测方法、计算机设备及介质，通过机器学习方法对用户发生卒中后房颤的风险概率进行预测，其具有很强的客观性，避免了人为主观因素的影响，从而提高了卒中后房颤风险预测的准确性。本发明采用的是目前公认的无创颅脑MRI检测，应用的序列为临床常规普遍开展的检查序列T1/T2/DWI/FLAIR，无需额外评估，输入的基线临床数据为用户的性别、年龄、既往史信息和NIHSS评分，上述信息在用户入院第一时间即可获取，不依赖其它额外检查，本发明利用真实世界中可以早期获得的同质性数据(风险预测用信息)进行风险预测，减少多维数据的依赖性和滞后性，发病早期进行用户卒中后房颤的风险概率预测，进而筛选出房颤用户进行有效的二级预防干预，对于降低用户的功能残障，改善其预后具有显著优势和临床应用价值。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供了一种卒中后房颤风险预测方法，所述方法包括：
S1：获取用户的风险预测用信息；所述风险预测用信息包括多模态影像和基线临床数据信息；所述多模态影像包括T1图像、T2图像、FLAIR图像和DWI图像；所述基线临床数据信息包括年龄信息、性别信息、既往史信息和NIHSS评分信息。
S2：对所述风险预测用信息进行预处理，得到预处理后的风险预测用信息；所述预处理后的风险预测用信息包括预处理后的多模态影像、预处理后的基线临床数据信息、病灶掩膜和病灶体积特征。
S3：将所述预处理后的风险预测用信息输入至训练好的卒中后房颤风险预测模型中，对所述用户发生卒中后房颤的概率进行预测，得到卒中后房颤风险预测概率。
S4：将所述卒中后房颤风险预测概率与预设概率值进行比较，得到所述用户的卒中后房颤风险等级。
在本实施例中，步骤S2中对所述风险预测用信息进行预处理，具体包括：
对所述多模态影像和配准模版图像进行结构像配准，得到配准后的多模态影像和配准矩阵。
对所述配准后的多模态影像进行脑提取，得到脑提取结果；根据所述脑提取结果对所述配准后的多模态影像进行裁剪，得到裁剪后的多模态影像；所述裁剪后的多模态影像即为所述预处理后的多模态影像，包括裁剪后的T1图像、裁剪后的T2图像、裁剪后的FLAIR图像和裁剪后的DWI图像。
对所述裁剪后的FLAIR图像的卒中病灶进行分割，得到FLAIR图像病灶掩膜；对所述裁剪后的DWI图像的卒中病灶进行分割，得到DWI图像病灶掩膜；所述DWI图像病灶掩膜和所述FLAIR图像病灶掩膜组成所述病灶掩膜。
根据所述DWI图像病灶掩膜确定病灶体积特征。
对所述基线临床数据信息进行编码预处理，得到预处理后的基线临床数据信息。
其中，所述根据所述DWI图像病灶掩膜确定病灶体积特征，具体包括：
利用所述配准矩阵和所述配准模版图像计算所述用户的脑区图谱。
根据所述脑区图谱和所述DWI图像病灶掩膜得到卒中病灶体素数量，所述卒中病灶体素数量即为所述病灶体积特征。
所述对所述基线临床数据信息进行编码预处理，具体包括：
对所述年龄信息进行Z-score标准化，对所述性别信息进行One-hot编码，对所述既往史信息进行One-hot编码，对所述NIHSS评分信息进行Z-score标准化。
具体地，由于不同用户个体的大脑形态不同，为了比较不同用户个体在大脑结构和功能上的差异，需要先将不同用户个体的多模态影像配准到一个标准大脑模板(配准模版图像)上。因此利用配准软件ANTs，对用户的每一MRI多模态数据(多模态影像)和配准模版图像进行结构像配准，得到与配准模版图像一致的各MRI模态图像(配准后的多模态影像)以及配准矩阵，配准矩阵可以对原始图像(多模态影像)进行变形，使得个体大脑与模板图像的属性尽可能一致，属性包括图像的大小和空间分辨率等。
对配准后的多模态影像进行脑提取，根据脑提取结果得到多模态影像的非零区域。基于非零区域对配准后的多模态影像进行裁剪，将经过裁剪的多模态影像数据(裁剪后的T1图像、裁剪后的T2图像、裁剪后的FLAIR图像和裁剪后的DWI图像)保存为npz文件，其相关属性保存为pkl文件，以便加快后期数据加载速度。然后利用手工勾勒方法或深度学习图像分割模型对裁剪后的DWI图像和裁剪后的FLAIR图像中的卒中病灶进行分割，得到DWI图像病灶掩膜和FLAIR图像病灶掩膜。本实施例中的深度学习图像分割模型可选取3DUNet和nnUNet等模型。
本实施例还将卒中病灶在不同皮层区域累积情况作为风险预测用信息。具体地，已有标准的大脑脑区模版(配准模版图像)，将配准矩阵与此模版相乘，即可得到用户个体脑空间下的脑区mask(脑区图谱)。基于脑区mask和DWI图像病灶mask(DWI图像病灶掩膜)，就可以计算每个脑区下的病灶体素数量，其可近似作为病灶的体积，由此得到病灶体积特征，其尺寸大小为1*16。其中，选用的脑区图谱需包含岛叶分区。
基线临床数据包括用户的年龄信息、性别信息、既往史信息(高血压、糖尿病、脂蛋白代谢紊乱、目前吸烟、目前饮酒、冠状动脉粥样硬化性心脏病、心力衰竭、心肌梗死、周围动脉病、卒中、短暂性脑缺血发作)和NIHSS评分信息。在输入至训练好的卒中后房颤风险预测模型之前，需要对基线临床数据进行预处理，得到预处理后的基线临床数据。具体地，对用户的年龄信息进行Z-score标准化，得到年龄特征，尺寸大小为1*1；对用户的性别信息进行One-hot编码，得到性别特征，尺寸大小为1*2；对用户的既往史信息进行One-hot编码，得到既往史特征，尺寸大小为1*11；对NIHSS评分进行Z-score标准化，得到NIHSS评分特征，尺寸大小为1*1。其中尺寸大小为各特征向量的大小，表示特征向量的长度。例如，性别信息经One-hot编码后，[0,1]代表用户性别为女性，[1,0]则代表用户性别为男性，得到的性别特征的长度为2。既往史特征的长度为11。
经过上述预处理，即可得到预处理后的风险预测用信息，其包括预处理后的多模态影像、预处理后的基线临床数据信息、病灶掩膜和病灶体积特征。将预处理后的风险预测用信息作为训练好的卒中后房颤风险预测模型的输入，即可预测得到卒中后房颤风险预测概率。
在本实施例中，上述训练好的卒中后房颤风险预测模型包括五个子模型；五个子模型均为以样本用户的样本风险预测用信息为输入，以样本用户是否发生过卒中后房颤为标签训练得到的模型。将所述预处理后的风险预测用信息输入至训练好的卒中后房颤风险预测模型中，对所述用户发生卒中后房颤的概率进行预测，得到卒中后房颤风险预测概率，具体包括：
将所述预处理后的风险预测用信息分别输入至五个子模型中，得到五个卒中后房颤风险预测子概率。
计算五个所述卒中后房颤风险预测子概率的平均值，得到卒中后房颤风险预测概率。
子模型的结构如图2所示，子模型包括影像特征提取模块、压缩激励模块、数据特征提取模块、拼接模块和预测模块。
所述影像特征提取模块用于对所述预处理后的多模态影像和所述病灶掩膜进行特征提取，得到图像特征向量。
所述压缩激励模块用于对所述图像特征向量进行全局池化，并利用激活函数对全局池化后的图像特征向量进行处理，得到权重向量，将所述权重向量和所述图像特征向量在通道维度上进行乘积，得到通道乘积特征向量。
所述数据特征提取模块用于对所述预处理后的基线临床数据信息和所述病灶体积特征进行特征提取，得到数据特征向量。
所述拼接模块用于将所述通道乘积特征向量和所述数据特征向量进行拼接，得到融合特征。
所述预测模块用于根据所述融合特征得到卒中后房颤风险预测子概率。
其中，所述影像特征提取模块包括若干个残差单元；每一所述残差单元包括若干依次连接的卷积层。
所述压缩激励模块包括依次连接的全局池化层、ReLU层和Sigmoid层。
所述数据特征提取模块包括五个数据特征提取子模块；每一所述数据特征提取子模块包括依次连接的第一全连接层、ReLu层和第二全连接层。
所述预测模块包括依次连接的第三全连接层、第一ReLu层、第四全连接层、第二ReLu层和第五全连接层。
在将预处理后的风险预测用信息输入至训练好的卒中后房颤风险预测模型之前，需要对子模型训练，其训练过程如下：
根据7:3的比例划分数据集为训练集和测试集。将训练集根据正类样本(正类样本是根据CRF筛选出来的，其为已知是卒中后房颤患者的预处理后的样本风险预测用信息，对应标签1)的数量，等比例划分阴性数据集(阴性数据集指的是未出现卒中后房颤情况患者的预处理后的样本风险预测用信息，对应标签0)，得到若干组子数据集A、B、C、D、E。将每个子数据集根据9:1的比例划分出子训练集和子验证集。利用子训练集单独训练五个子模型model_A，model_B，model_C，model_D，model_E，训练过程使用交叉熵损失函数和Adadelta优化器进行模型参数的更新。子模型的标签为二值数值，0代表未发生卒中后房颤，1代表出现卒中后房颤。其是通过数据集对应的病例报告表(casereportform,CRF)获得的，如样本用户有房颤，病例报告表会显示，然后对应的数据标记为1。
对于每一子模型：其结构如图2所示，子模型的输入由两个分支构成，即影像分支(对应影像特征提取模块)和数据分支(对应数据特征提取模块)。影像特征提取模块由残差网络3DResNet34构成，其输入为预处理后的多模态影像和病灶掩膜，尺寸为6*32*256*256(6是输入数据的通道数量，6个通道分别为经过预处理后的T1图像、预处理后的T2图像、预处理后的FLAIR图像、预处理后的DWI图像、FLAIR图像病灶掩膜、DWI图像病灶掩膜，32*256*256分别为图像的深度、长、宽)，经过全局平均池化(GlobalAverage Pooling)，输出长度为128的图像特征向量。压缩激励模块(SEBlock)，将输入的图像特征向量进行全局池化(GlobalPooling)，得到1*1*C的特征向量，其中C为通道数，然后经过ReLU函数和Sigmoid得到权重向量，将该权重向量与输入的图像特征向量，在通道维度上乘积，作为SEBlock的输出(通道乘积特征向量)。
数据分支包括年龄特征分支、性别特征分支、既往史特征分支、NIHSS评分特征分支和病灶体积特征分支。年龄特征分支的输入是大小为1*1的年龄特征，经过ProjectionHead1网络，得到1*32大小的嵌入向量。性别特征分支的输入是大小为1*2的性别特征，经过ProjectionHead2网络，得到1*32大小的嵌入向量。既往史特征分支的输入是大小为1*11的既往史特征，经过ProjectionHead3网络，得到1*32大小的嵌入向量。NIHSS评分特征分支的输入是大小为1*1的NIHSS评分特征，经过ProjectionHead4网络，得到1*32大小的特征向量。病灶体积特征分支的输入是大小为1*116的病灶体积特征，经过ProjectionHead5网络，得到1*32大小的特征向量。上述各ProjectionHead网络输出的向量组成数据特征向量。
将上述通道乘积特征向量和数据特征向量经concat进行拼接，得到1*288大小的融合特征，将融合特征输入到ProjectionHead6网络(预测模块)，得到1*128大小的嵌入向量，将此嵌入向量输入到ProjectionHead6网络的第三全连接层，得到大小为1*1的卒中后房颤风险预测子概率值。利用五个子模型进行集成预测，即五个子模型分别独立进行预测，预测得到五个大小为1*1的卒中后房颤风险预测子概率值，求取五个概率值的平均值，得到卒中后房颤风险预测概率，将卒中后房颤风险预测概率与预测概率值进行比较，得到卒中后房颤风险等级。本实施例中的预测概率值选取为0.5，若卒中后房颤风险预测概率大于0.5，则卒中后房颤风险等级高，反之则卒中后房颤风险等级低。
如图3所示，上述的ProjectionHead1-ProjectionHead5网络的结构包括两个全连接层(FullConnection，FC)和ReLU激活函数(ReLU层)，每一ProjectionHead网络中的第一全连接层、ReLU层和第二全连接层依次连接。具体的，ProjectionHead1网络的第一个全连接层的输入设置为1个节点，输出设置为32个节点，然后经过ReLu激活函数(ReLu层)，其第二个全连接层的输入设置为32个节点，输出设置为32个节点。ProjectionHead2网络的第一个全连接层的输入设置为2个节点，输出设置为32个节点，然后经过ReLu激活函数，其第二个全连接层的输入设置为32个节点，输出设置为32个节点。ProjectionHead3网络的第一个全连接层的输入设置为11个节点，输出设置为32个节点，然后经过ReLu激活函数，其第二个全连接层的输入设置为32个节点，输出设置为32个节点。ProjectionHead4网络的第一个全连接层的输入设置为1个节点，输出设置为32个节点，然后经过ReLu激活函数，其第二个全连接层的输入设置为32个节点，输出设置为32个节点。ProjectionHead5网络的第一个全连接层的输入设置为16个节点，输出设置为32个节点，然后经过ReLu激活函数，其第二个全连接层的输入设置为32个节点，输出设置为32个节点。ProjectionHead6网络的第一个全连接层(第三全连接层)的输入设置为288个节点，输出设置为128个节点，经ReLu激活函数(第一ReLu层)处理，其第二个全连接层(第四全连接层)的输入设置为128个节点，输出设置为64个节点，然后再次经过ReLu激活函数(第二ReLu层)处理，其第三个全连接层(第五全连接层)的输入设置是64个节点，输出设置为1个节点。
本发明利用临床采集的多种序列影像数据和基线临床信息，对急性缺血性卒中患者的卒中后房颤风险进行早期评估；在真实世界中，急性期的患者在未采集到多维度的临床信息之前，很难依赖少量碎片化信息对卒中后房颤风险进行有效的评估，从而无法早期高效地筛选出长程心电监测的适宜人群。因此，本发明在卒中急性期，应用早期易获取的同质性影像学数据及人口学特征，通过深度学习技术方法，基于初诊时可获得的基线临床信息和核磁共振检查信息，充分利用残差网络(图像特征提取模块)提取核磁共振的高维特征和利用ProjectionHead网络提取基线临床信息特征以及病灶体积特征，综合预测卒中后房颤的发病风险，对于尽早识别缺血性卒中后房颤的高危人群，寻找长程心电监测适宜的靶向人群，并进一步为患者提供更精准、个性化的治疗方案具有重要的意义；本发明还向深度学习网络添加卒中病灶在不同皮层区域累积情况作为特征(即采用病灶体积特征作为卒中后房颤风险预测模型的输入)。
本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述卒中后房颤风险预测方法的步骤。
请参见图4，图4是本申请提供的一种计算机设备的结构示意图。如图4所示，计算机设备1000可以包括：处理器1001，网络接口1004和存储器1005，此外，计算机设备1000还可以包括：用户接口1003，和至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。其中，用户接口1003可以包括显示屏(Display)、键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图4所示，作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及设备控制应用程序。
在图4所示的计算机设备1000中，网络接口1004可提供网络通讯功能；而用户接口1003主要用于为用户提供输入的接口；而处理器1001可以用于调用存储器1005中存储的设备控制应用程序，以实现上述实施例所述的卒中后房颤风险预测方法，这里将不再进行赘述。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序适用于由处理器加载并执行上述实施例所述的卒中后房颤风险预测方法，这里将不再进行赘述。
上述程序可被部署在一个计算机设备上执行，或者被部署位于一个地点的多个计算机设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算机设备上执行，分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链网络。
上述计算机可读存储介质可以是上述计算机设备的内部存储单元，例如计算机设备的硬盘或内存。该计算机可读存储介质也可以是该计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(smartmediacard，SMC)，安全数字(securedigital，SD)卡，闪存卡(flashcard)等。进一步地，该计算机可读存储介质还可以既包括该计算机设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该计算机设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种卒中后房颤风险预测方法，其特征在于，所述方法包括：
获取用户的风险预测用信息；所述风险预测用信息包括多模态影像和基线临床数据信息；所述多模态影像包括T1图像、T2图像、FLAIR图像和DWI图像；所述基线临床数据信息包括年龄信息、性别信息、既往史信息和NIHSS评分信息；
对所述风险预测用信息进行预处理，得到预处理后的风险预测用信息；所述预处理后的风险预测用信息包括预处理后的多模态影像、预处理后的基线临床数据信息、病灶掩膜和病灶体积特征；
将所述预处理后的风险预测用信息输入至训练好的卒中后房颤风险预测模型中，对所述用户发生卒中后房颤的概率进行预测，得到卒中后房颤风险预测概率；
所述训练好的卒中后房颤风险预测模型包括五个子模型；各子模型包括影像特征提取模块、压缩激励模块、数据特征提取模块、拼接模块和预测模块；
所述影像特征提取模块用于对所述预处理后的多模态影像和所述病灶掩膜进行特征提取，得到图像特征向量；
所述压缩激励模块用于对所述图像特征向量进行全局池化，并利用激活函数对全局池化后的图像特征向量进行处理，得到权重向量，将所述权重向量和所述图像特征向量在通道维度上进行乘积，得到通道乘积特征向量；
所述数据特征提取模块用于对所述预处理后的基线临床数据信息和所述病灶体积特征进行特征提取，得到数据特征向量；
所述拼接模块用于将所述通道乘积特征向量和所述数据特征向量进行拼接，得到融合特征；
所述预测模块用于根据所述融合特征得到卒中后房颤风险预测子概率；
将所述卒中后房颤风险预测概率与预设概率值进行比较，得到所述用户的卒中后房颤风险等级。
2.根据权利要求1所述的卒中后房颤风险预测方法，其特征在于，所述对所述风险预测用信息进行预处理，具体包括：
对所述多模态影像和配准模版图像进行结构像配准，得到配准后的多模态影像和配准矩阵；
对所述配准后的多模态影像进行脑提取，得到脑提取结果；根据所述脑提取结果对所述配准后的多模态影像进行裁剪，得到裁剪后的多模态影像；所述裁剪后的多模态影像即为所述预处理后的多模态影像，包括裁剪后的T1图像、裁剪后的T2图像、裁剪后的FLAIR图像和裁剪后的DWI图像；
对所述裁剪后的FLAIR图像的卒中病灶进行分割，得到FLAIR图像病灶掩膜；对所述裁剪后的DWI图像的卒中病灶进行分割，得到DWI图像病灶掩膜；所述DWI图像病灶掩膜和所述FLAIR图像病灶掩膜组成所述病灶掩膜；
根据所述DWI图像病灶掩膜确定病灶体积特征；
对所述基线临床数据信息进行编码预处理，得到预处理后的基线临床数据信息。
3.根据权利要求2所述的卒中后房颤风险预测方法，其特征在于，所述分割，具体包括：
利用手工勾勒方法或深度学习图像分割模型进行分割。
4.根据权利要求2所述的卒中后房颤风险预测方法，其特征在于，所述根据所述DWI图像病灶掩膜确定病灶体积特征，具体包括：
利用所述配准矩阵和所述配准模版图像计算所述用户的脑区图谱；
根据所述脑区图谱和所述DWI图像病灶掩膜得到卒中病灶体素数量，所述卒中病灶体素数量即为所述病灶体积特征。
5.根据权利要求2所述的卒中后房颤风险预测方法，其特征在于，所述对所述基线临床数据信息进行编码预处理，具体包括：
对所述年龄信息进行Z-score标准化，对所述性别信息进行One-hot编码，对所述既往史信息进行One-hot编码，对所述NIHSS评分信息进行Z-score标准化。
6.根据权利要求1所述的卒中后房颤风险预测方法，其特征在于，所述五个子模型均为以样本用户的样本风险预测用信息为输入，以所述样本用户是否发生过卒中后房颤为标签训练得到的模型；所述将所述预处理后的风险预测用信息输入至训练好的卒中后房颤风险预测模型中，对所述用户发生卒中后房颤的概率进行预测，得到卒中后房颤风险预测概率，具体包括：
将所述预处理后的风险预测用信息分别输入至五个子模型中，得到五个卒中后房颤风险预测子概率；
计算五个所述卒中后房颤风险预测子概率的平均值，得到所述卒中后房颤风险预测概率。
7.根据权利要求1所述的卒中后房颤风险预测方法，其特征在于，
所述影像特征提取模块包括若干个残差单元；每一所述残差单元包括若干依次连接的卷积层；
所述压缩激励模块包括依次连接的全局池化层、ReLU层和Sigmoid层；
所述数据特征提取模块包括五个数据特征提取子模块；每一所述数据特征提取子模块包括依次连接的第一全连接层、ReLu层和第二全连接层；
所述预测模块包括依次连接的第三全连接层、第一ReLu层、第四全连接层、第二ReLu层和第五全连接层。
8.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1-7中任一项所述方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序适用于由处理器加载并执行权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310263744.1A CN116313089B (zh) | 2023-03-13 | 2023-03-13 | 一种卒中后房颤风险预测方法、计算机设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310263744.1A CN116313089B (zh) | 2023-03-13 | 2023-03-13 | 一种卒中后房颤风险预测方法、计算机设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116313089A CN116313089A (zh) | 2023-06-23 |
| CN116313089B true CN116313089B (zh) | 2024-01-16 |
Family
ID=86779349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310263744.1A Active CN116313089B (zh) | 2023-03-13 | 2023-03-13 | 一种卒中后房颤风险预测方法、计算机设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116313089B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117953027B (zh) * | 2024-03-22 | 2024-06-25 | 首都医科大学附属北京天坛医院 | 一种dwi-flair不匹配评估方法、装置、介质及产品 |
Citations (11)
| 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 |
| CA3160827A1 (en) * | 2018-09-24 | 2019-07-04 | Amarin Pharmaceuticals Ireland Limited | Methods of reducing the risk of cardiovascular events in a subject |
| CN110840402A (zh) * | 2019-11-19 | 2020-02-28 | 山东大学 | 一种基于机器学习的房颤信号识别方法及*** |
| CN111091911A (zh) * | 2019-12-30 | 2020-05-01 | 重庆同仁至诚智慧医疗科技股份有限公司 | 一种卒中风险筛查***及方法 |
| KR102189622B1 (ko) * | 2020-10-06 | 2020-12-11 | 주식회사 휴런 | 뇌출혈 여부 및 종류를 분류하는 인공지능 시스템 기반의 뇌졸중 진단 장치 |
| KR102219202B1 (ko) * | 2020-10-06 | 2021-02-23 | 주식회사 휴런 | 인공지능 기반 뇌졸중 진단 정보를 제공하는 방법 |
| KR20210065768A (ko) * | 2019-11-27 | 2021-06-04 | 연세대학교 산학협력단 | 개인 맞춤형 뇌졸중 진단을 위한 임상 인자 및 의료 영상 처리 시스템 |
| CN113380413A (zh) * | 2021-06-24 | 2021-09-10 | 首都医科大学附属北京天坛医院 | 一种构建无效再通fr预测模型的方法和装置 |
| CN114121274A (zh) * | 2021-11-01 | 2022-03-01 | 上海理工大学 | 房颤相关的卒中风险评估方法、装置和存储介质 |
| CN115148363A (zh) * | 2022-07-28 | 2022-10-04 | 华中科技大学同济医学院附属同济医院 | 卒中后患者抑郁风险的预测方法、装置、介质及电子设备 |
| CN115736939A (zh) * | 2022-11-24 | 2023-03-07 | 北京哈特瑞姆医疗技术服务有限公司 | 房颤患病概率生成方法、装置、电子设备和存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9913587B2 (en) * | 2013-11-01 | 2018-03-13 | Cardiio, Inc. | Method and system for screening of atrial fibrillation |
| KR102001398B1 (ko) * | 2018-01-25 | 2019-07-18 | 재단법인 아산사회복지재단 | 기계학습을 통한 뇌질환 상태변화 예측방법, 장치 및 프로그램 |
| US11540796B2 (en) * | 2018-05-23 | 2023-01-03 | Case Western Reserve University | Prediction of risk of post-ablation atrial fibrillation based on radiographic features of pulmonary vein morphology from chest imaging |
| US20220262516A1 (en) * | 2019-09-06 | 2022-08-18 | China Medical University Hospital | Atrial Fibrillation Prediction Model And Prediction System Thereof |
| WO2021055870A1 (en) * | 2019-09-18 | 2021-03-25 | Tempus Labs | Ecg based future atrial fibrillation predictor systems and methods |
| US20220370017A1 (en) * | 2021-05-14 | 2022-11-24 | University Of Cincinnati | Personalized prediction and identification of the incidence of atrial arrhythmias from other cardiac rhythms |
-
2023
- 2023-03-13 CN CN202310263744.1A patent/CN116313089B/zh active Active
Patent Citations (11)
| 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 |
| CA3160827A1 (en) * | 2018-09-24 | 2019-07-04 | Amarin Pharmaceuticals Ireland Limited | Methods of reducing the risk of cardiovascular events in a subject |
| CN110840402A (zh) * | 2019-11-19 | 2020-02-28 | 山东大学 | 一种基于机器学习的房颤信号识别方法及*** |
| KR20210065768A (ko) * | 2019-11-27 | 2021-06-04 | 연세대학교 산학협력단 | 개인 맞춤형 뇌졸중 진단을 위한 임상 인자 및 의료 영상 처리 시스템 |
| CN111091911A (zh) * | 2019-12-30 | 2020-05-01 | 重庆同仁至诚智慧医疗科技股份有限公司 | 一种卒中风险筛查***及方法 |
| KR102189622B1 (ko) * | 2020-10-06 | 2020-12-11 | 주식회사 휴런 | 뇌출혈 여부 및 종류를 분류하는 인공지능 시스템 기반의 뇌졸중 진단 장치 |
| KR102219202B1 (ko) * | 2020-10-06 | 2021-02-23 | 주식회사 휴런 | 인공지능 기반 뇌졸중 진단 정보를 제공하는 방법 |
| CN113380413A (zh) * | 2021-06-24 | 2021-09-10 | 首都医科大学附属北京天坛医院 | 一种构建无效再通fr预测模型的方法和装置 |
| CN114121274A (zh) * | 2021-11-01 | 2022-03-01 | 上海理工大学 | 房颤相关的卒中风险评估方法、装置和存储介质 |
| CN115148363A (zh) * | 2022-07-28 | 2022-10-04 | 华中科技大学同济医学院附属同济医院 | 卒中后患者抑郁风险的预测方法、装置、介质及电子设备 |
| CN115736939A (zh) * | 2022-11-24 | 2023-03-07 | 北京哈特瑞姆医疗技术服务有限公司 | 房颤患病概率生成方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 缺血性脑卒中患者心房纤颤诊断的研究进展;丁也;郭阳;;中国全科医学(17);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116313089A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113314205B (zh) | 一种高效的医学影像标注与学习*** | |
| Xu et al. | Texture-specific bag of visual words model and spatial cone matching-based method for the retrieval of focal liver lesions using multiphase contrast-enhanced CT images | |
| CN109544518B (zh) | 一种应用于骨骼成熟度评估的方法及其*** | |
| CN114581662B (zh) | 一种脑肿瘤图像的分割方法、***、装置及存储介质 | |
| US20220254022A1 (en) | Method and system for automatic multiple lesion annotation of medical images | |
| CN111951281B (zh) | 图像分割方法、装置、设备及存储介质 | |
| CN111951280A (zh) | 图像分割方法、装置、设备及存储介质 | |
| CN116313089B (zh) | 一种卒中后房颤风险预测方法、计算机设备及介质 | |
| CN111967495A (zh) | 一种分类识别模型构建方法 | |
| CN113127661B (zh) | 基于循环查询扩展的多监督医学图像检索方法和*** | |
| CN115424103A (zh) | 基于注意力机制和多尺度特征融合的改进U-Net脑肿瘤分割方法 | |
| CN111863247B (zh) | 基于结构磁共振影像的大脑年龄级联精炼预测方法及*** | |
| CN113706442A (zh) | 基于人工智能的医疗图像处理方法、装置及电子设备 | |
| CN114782394A (zh) | 一种基于多模态融合网络的白内障术后视力预测*** | |
| CN116503684A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
| CN112597884B (zh) | 手势识别模型的训练方法、手势识别方法及*** | |
| CN113705595A (zh) | 异常细胞转移程度的预测方法、装置和存储介质 | |
| CN111612739A (zh) | 一种基于深度学习的脑梗死分类方法 | |
| CN115984257A (zh) | 一种基于多尺度transformer的多模态医学图像融合方法 | |
| CN114862868B (zh) | 基于ct灌注源数据的脑卒中最终梗死区分割方法 | |
| CN113177923B (zh) | 医学影像内容识别方法、电子设备及存储介质 | |
| CN112634279B (zh) | 一种基于注意力Unet模型的医学图像语义分割方法 | |
| JP2015510408A (ja) | バイオイメージンググリッド | |
| CN114937171B (zh) | 基于深度学习的阿尔茨海默分类*** | |
| CN114445643B (zh) | 一种基于显著稀疏强关联的fmri脑功能连接数据特征提取方法 |
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 |