JP2024035070A - マルチビューサブ空間クラスタリングに基づくマルチモード医学データ融合システム - Google Patents
マルチビューサブ空間クラスタリングに基づくマルチモード医学データ融合システム Download PDFInfo
- Publication number
- JP2024035070A JP2024035070A JP2023095104A JP2023095104A JP2024035070A JP 2024035070 A JP2024035070 A JP 2024035070A JP 2023095104 A JP2023095104 A JP 2023095104A JP 2023095104 A JP2023095104 A JP 2023095104A JP 2024035070 A JP2024035070 A JP 2024035070A
- Authority
- JP
- Japan
- Prior art keywords
- data
- matrix
- electronic medical
- medical record
- features
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 73
- 201000010099 disease Diseases 0.000 claims abstract description 24
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 24
- 239000000284 extract Substances 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 100
- 238000000034 method Methods 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 3
- 206010012601 diabetes mellitus Diseases 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010023126 Jaundice Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 210000000579 abdominal fat Anatomy 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000002888 effect on disease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 201000007270 liver cancer Diseases 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Image Analysis (AREA)
Abstract
Description
映像データを構造化処理し、映像特徴を抽出するための映像構造化モジュールと、
電子カルテデータに対して関連変数を抽出し、数値化処理した後で電子カルテ特徴とするための電子カルテ特徴抽出モジュールと、
映像特徴と電子カルテ特徴に基づいてマルチビュー特徴マトリックスを取得し、かつ監督なし特徴選択及び融合モデルを定義し、サブ空間クラスタリング方法のデータ自表現性質に基づいて、各ビュー特徴データがいずれもサブ空間において自己表現できるように設定し、データ次元低下を考慮してマルチビューサブ空間クラスタリングによって案内される特徴選別モデルの目標関数を取得しかつ変数インターリーブ反復の方式により求め、特徴選別マトリックスを取得するための特徴選別及び融合モジュールと、
特徴選別及び融合モジュールで取得された特徴選別マトリックスに基づいて、映像及び電子カルテ特徴の重要性をランキングし、予め設定された特徴個数に基づいて、映像データと電子カルテデータの融合結果を取得するためのデータ融合モジュールと、
を含む、マルチビューサブ空間クラスタリングに基づくマルチモード医学データ融合システム。
として定義し、dvが第v個のビュー特徴の次元であり(v=1,2)、第v個のビューにおける全ての特徴を
として定義し、それらを接続して総特徴マトリックス
として表現する。
が特徴選別マトリックスであり、cがクラスタリングの類別数であり、R(W)が正則項であり、λが調整パラメータであり、
が擬似ラベルマトリックスを表現し、loss(X,W)が以下の通り表現され、
が
ノルムを表現し、具体的な算出式が
であり、ここで、
がマトリックスAの第i行の第j列の元素を表現し、擬似ラベルがサブ空間クラスタリングにおけるスペクトル埋め込みによって生成される。
が各ビュー特徴データの自己表現マトリックスであり、
は長さがnの単位ベクトルを表現し、そして、データ関係を描写する類似図
を構築し、かつ低ランク性を満たし、類似図Sv成分の個数がクラスタリングの類別数cに等しく、すなわち、Svのラプラシアンマトリックスのランクがn-cに等しく、低ランク性が以下の最適化問題として表現され、
が類似マトリックスSvのラプラシアンマトリックスであり、
が対角マトリックスであり、Trがマトリックスを求めるトレースを表現し、Icは大きさがc×cの単位マトリックスを表現し、よって、マルチビューサブ空間クラスタリングの目標最適化関数が以下の通り表現され、
がFrobeniusノルムであり、具体的な算出式が
であり、ここで、
がマトリックスAの第i行の第j列の元素を表現する。
がビューの特定の自己表現マトリックスであり、Lvが第v個のビューに対応するラプラシアンマトリックスであり、
が擬似ラベルマトリックスであり、
が特徴選別マトリックスであり、λ1、λ2及びλ3がバランスパラメータである。
表1 映像特徴名称
前記マルチビュー特徴マトリックスを取得することは、具体的に、抽出された映像特徴及び電子カルテ特徴を複数のビュー特徴とみなし、第v個のビューの特徴を
として定義し、xn vが第n個のデータポイントを表現し、dvが第v個のビュー特徴の次元であり、v=1,2である。V個のビューにおける全ての特徴を
として定義することができ、それらを接続して総特徴マトリックス
として表現する。
が特徴選別マトリックスであり、cがクラスタリングの類別数であり、R(W)が正則項であり、例えば希薄性と低ランク性であり、λが調整パラメータであり、一般的に経験値に設定され、本発明では10に設定される。
が擬似ラベルマトリックスを表現し、loss(X,W)が以下の通り表現されてもよく、
が
ノルムを表現し、具体的な算出式が
であり、ここで、
がマトリックスAの第i行の第j列の元素を表現する。擬似ラベルがサブ空間クラスタリングにおけるスペクトル埋め込みによって生成されてもよい。
が各ビュー特徴データの自己表現マトリックスであり、
は長さがnの単位ベクトルを表現する。そして、データ関係を描写する類似図
を構築することができる。かつ低ランク性を満たし、類似図Sv成分の個数がクラスタリング類別数cに等しく、すなわち、Svのラプラシアンマトリックスのランクがn-cに等しい。低ランク性は以下の最適化問題として表現されてもよく、
が類似マトリックスSvのラプラシアンマトリックスであり、
が対角マトリックスである。Trがマトリックスを求めるトレースを表現し、Icは大きさがc×cの単位マトリックスを表現する。よって、マルチビューサブ空間クラスタリングの目標最適化関数が以下の通り表現されてもよく、
がFrobeniusノルムであり、具体的な算出式が
であり、ここで、
がマトリックスAの第i行の第j列の元素を表現する。
を加える。したがって、マルチビューサブ空間クラスタリングによって案内される特徴選択及び融合モデルの目標関数が以下の通り表現されてもよく、
がビューの特定の自己表現マトリックスであり、Lvが第v個のビューに対応するラプラシアンマトリックスであり、他の記号
が擬似ラベルマトリックスであり、
が特徴選別マトリックスであり、λ1、λ2及びλ3がバランスパラメータであり、本発明では、それぞれ値を1,10-3,10とする。
自己表現マトリックスZvを更新し、W,Fvをそのまま一定にし、以下の最適化問題を求め、
を導入し、以下の通り変換し、
に置き換えることができる。したがって、上記式が以下の通り表現されてもよく、
,fiがFの第i行である。そして、交互反復最適化戦略を使用して、上記の問題を解決する。Zvの第i行以外の全ての行の数値を一定にして、Zvの第i行の値を求め、
、Zv,iがZvの第i個の元素である。上記式は以下の問題に変換されてもよく、
である。上記式の問題はソフトしきい値方法で求めされてもよく、
が括弧内の値の正の部分を取得することを表現する。Fを更新し、Zv、Wをそのまま一定にし、関係しない変数項を除去し、以下の最適化問題を求め、
が単位マトリックスであり、
はFの元素が全て0以上であることを表現する。等式制約を取り除くために、上記式にペナルティ項
を追加し、問題を以下の通り変換し、
を導入し、以下の通り取得し、
とし、以下の通り取得し、
であり、i:はマトリックスの第i行を採用することを表現する。KKT条件によれば、
である。したがって、以下の通り取得し、
を満たさせる。
Wを更新し、Zv、Fをそのまま固定する。関係しない変数項を除去し、以下の通り取得し、
である。ここで、WiがWの第i行である。
さらに、以下の通り取得し、
を算出し、各特徴の重要性を
に従ってランキングし、選択特徴の個数Nを設定し、上位N個の特徴を最終的に電子カルテと映像データが融合した結果として抽出する。
実施例
1.データを収集し、患者の術前強化CT図像と電子カルテ情報を抽出する。
2.映像構造化モジュール。CT図像に対して関心領域、すなわち、膵体術後の残留膵体領域をマークして、映像特徴の抽出された関心領域とする。CT原図像とマーク図像に対して映像再サンプリング、階調値離散化及び映像領域枠選択を行う。先ず、原図像及びマーク図像を前処理し、それは、原図像及びマーク図像を前処理し、原図像及びマーク図像を解像度1×1×1の大きさに再サンプリングすることと、関心領域に基づいてその囲み領域の矩形枠を算出し、エッジ拡張値を10個の画素に設定し、そして原図像及びマーク図像の矩形枠を取り出すことと、原図像に対してコントラスト調整を行い、先ず図像のHU値を[-100, 240]の間に切り捨て、そして[0,255]の間に離散化することと、を含む。前処理された映像及びマークされた関心領域に基づいて、高次元映像特徴を算出する。具体的に、先ず、原CT図像に対してウェーブレットフィルタリングを行い、ウェーブレットフィルタリングはhaar、db5、sym7を含む。そして、Pyradiomicsツールキットに基づいて一次統計特徴、形状特徴及びテクスチャ特徴(GLCM、GLRLM、NGTDM、GLDM)を算出する。各ウェーブレットフィルタリング後の図像について、680次元の特徴を取得できるため、ウェーブレットフィルタリング後の3つの図像は、算出により総計で2040個の映像特徴が取得できる。
3.電子カルテ特徴抽出。取得された電子カルテデータを分析し、年齢、性別、飲酒、喫煙、黄疸、体重減少、痛み、膵体切除率、残存膵体体積、腹部脂肪含有量、腹部骨格筋含有量を含む、糖尿病に関連するいくつかの危険要因を特定する。各フィールドの情報を数値化し、例えば性別に対して、男を1に設定し、女を0に設定する。そして、電子カルテ特徴を正規化して、電子カルテの11個の特徴を取得する。
4.特徴選別及び融合。上記取得された映像特徴をX1として記し、臨床特徴をX2として記し、臨床特徴及び映像特徴を正規化する。
を提出されるマルチビューサブ空間クラスタリングによって案内される特徴選択及び融合モデルに入力し、変数インターリーブ反復アルゴリズムを利用して特徴選別マトリックスWを取得する。映像特徴及び電子カルテ特徴を選別及び融合し、特徴選別マトリックスを取得する。
5.データ融合。特徴選別マトリックス
、dを全ての特徴の次元として算出し、ここで2051である。そして、
の大きさに応じて各特徴の重要性をランキングする。40個の特徴を最終のデータ融合結果として採用する。ここで、36個の映像特及び4つの臨床特徴を含む。映像特徴のdb5、sym7、haarフィルタリング図像からの特徴数は、それぞれ9,8,19である。臨床特徴には、飲酒、筋肉含有量、年齢、残存膵体体積を含む。
6.その後、データ融合で取得された映像及び臨床特徴を利用して、サポートベクターマシンに基づく糖尿病予測モデルを確立する。訓練セットデータを用いて予測モデルを訓練し、テストセットでテストする。テストセットにおける糖尿病予測正確度AUC=0.82である。
Claims (6)
- マルチビューサブ空間クラスタリングに基づくマルチモード医学データ融合システムであって、データ収集モジュールと、映像構造化モジュールと、電子カルテ特徴抽出モジュールと、特徴選別及び融合モジュールと、データ融合モジュールとを含み、
前記データ収集モジュールは、測定対象の予め設定された疾患関連電子カルテデータを収集し、かつその関連する映像データを抽出することに用いられ、
前記映像構造化モジュールは、映像データを構造化処理し、映像特徴を抽出することに用いられ、
前記電子カルテ特徴抽出モジュールは、電子カルテデータに対して関連変数を抽出し、数値化処理した後で電子カルテ特徴とすることに用いられ、
前記特徴選別及び融合モジュールは、映像特徴と電子カルテ特徴に基づいてマルチビュー特徴マトリックスを取得し、かつ監督なし特徴選択及び融合モデルを定義することに用いられ、具体的には、マルチビュー特徴マトリックスを取得し、それは、抽出された映像特徴及び電子カルテ特徴を複数のビュー特徴データとして見なし、第v個のビューの特徴を
として定義し、dvがv番目のビュー特徴の次元であり、v=1,2であり、第v個のビューにおける全ての特徴を
として定義し、それらを接続して総特徴マトリックス
として表現し、監督なし特徴選別問題の目標最適化関数T(X,θ)が以下の通り表現され、
が特徴選別マトリックスであり、cがクラスタリングの類別数であり、R(W)が正則項であり、λが調整パラメータであり、
が擬似ラベルマトリックスを表現し、loss(X,W)が以下の通り表現され、
が
ノルムを表現し、具体的な算出式が
であり、ここで、
がマトリックスAのi行の第j列の元素を表現し、擬似ラベルがサブ空間クラスタリングにおけるスペクトル埋め込みによって生成され、
サブ空間クラスタリング方法のデータ自表現性質に基づいて、各ビュー特徴データがいずれもサブ空間において自己表現できるように設定し、具体的に以下の通りであり、
が各ビュー特徴データの自己表現マトリックスであり、
は長さがnの単位ベクトルを表現し、そして、データ関係を描写する類似図
を構築し、かつ低ランク性を満たし、類似図Sv成分の個数がクラスタリングの類別数cに等しく、すなわち、Svのラプラシアンマトリックスのランクがn-cに等しく、低ランク性が以下の最適化問題として表現され、
が類似マトリックスSvのラプラシアンマトリックスであり、
が対角マトリックスであり、Trがマトリックスを求めるトレースを表現し、Icは大きさがc×cの単位マトリックスを表現し、よって、マルチビューサブ空間クラスタリングの目標最適化関数が以下の通り表現され、
がFrobeniusノルムであり、具体的な算出式が
であり、ここで、
がマトリックスAの第i行の第j列の元素を表現し、
データ次元低下を考慮してマルチビューサブ空間クラスタリングによって案内される特徴選別モデルの目標関数を取得しかつ変数インターリーブ反復の方式により求め、特徴選別マトリックスを取得し、特徴選別モデルの目標関数が具体的に以下の通りであり、
が各ビュー特徴データの自己表現マトリックスであり、Lvが第v個のビューに対応するラプラシアンマトリックスであり、
が擬似ラベルマトリックスであり、
が特徴選別マトリックスであり、λ1、λ2及びλ3がバランスパラメータであり、
前記データ融合モジュールは、特徴選別及び融合モジュールで取得された特徴選別マトリックスに基づいて、映像及び電子カルテ特徴の重要性をランキングし、予め設定された特徴個数に基づいて、映像データと電子カルテデータの融合結果を取得することに用いられる
ことを特徴とするマルチビューサブ空間クラスタリングに基づくマルチモード医学データ融合システム。 - 前記データ収集モジュールは、予め設定された疾患及び測定対象に基づいて、患者の唯一の医療記録番号に基づいて、病院電子カルテシステムから電子カルテの基本情報及び診断情報を抽出し、電子カルテの基本情報及び診断情報を1つの完全なサンプルとして合成する
ことを特徴とする請求項1に記載のマルチビューサブ空間クラスタリングに基づくマルチモード医学データ融合システム。 - 前記データ収集モジュールで取得された医学映像データは、X線フィルム、CTデータまたはMRIデータである
ことを特徴とする請求項1に記載のマルチビューサブ空間クラスタリングに基づくマルチモード医学データ融合システム。 - 前記映像構造化モジュールは、予め設定された疾患に基づいて、映像データに対して関心領域をマークし、かつ映像再サンプリング、階調値離散化及び映像領域枠選択を含む映像前処理を行い、最後に前処理された映像及びマークされた関心領域に基づいて、高次元映像特徴を算出する
ことを特徴とする請求項1に記載のマルチビューサブ空間クラスタリングに基づくマルチモード医学データ融合システム。 - 前記電子カルテ特徴抽出モジュールは、取得された電子カルテデータを分析し、測定対象の人口学情報、病歴、生活習慣及び検査項目情報を含む、予め設定された疾患に関するいくつかの危険要因を特定し、各フィールドの情報を数値化し、そして電子カルテデータを正規化し、電子カルテ特徴を取得する
ことを特徴とする請求項1に記載のマルチビューサブ空間クラスタリングに基づくマルチモード医学データ融合システム。 - 前記特徴選別及び融合モジュールにおいて、変数インターリーブ反復の方式により、マルチビューサブ空間クラスタリングによって案内される特徴選択及び融合モデルを求め、特徴選別マトリックス、擬似ラベルマトリックス及び自己表現マトリックスを反復更新し、具体的な過程は、先ず特徴選別マトリックス及び擬似ラベルマトリックスを一定にし、自己表現マトリックスを更新し、そして特徴選別マトリックス及び自己表現マトリックスを一定にし、擬似ラベルマトリックスを更新し、最後に擬似ラベルマトリックス及び自己表現マトリックスを一定にし、特徴選別マトリックスを更新する
ことを特徴とする請求項1に記載のマルチビューサブ空間クラスタリングに基づくマルチモード医学データ融合システム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211047979.9A CN115131642B (zh) | 2022-08-30 | 2022-08-30 | 一种基于多视子空间聚类的多模态医学数据融合*** |
CN202211047979.9 | 2022-08-30 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7333132B1 JP7333132B1 (ja) | 2023-08-24 |
JP2024035070A true JP2024035070A (ja) | 2024-03-13 |
Family
ID=83387076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023095104A Active JP7333132B1 (ja) | 2022-08-30 | 2023-06-08 | マルチビューサブ空間クラスタリングに基づくマルチモード医学データ融合システム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7333132B1 (ja) |
CN (1) | CN115131642B (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116524248B (zh) * | 2023-04-17 | 2024-02-13 | 首都医科大学附属北京友谊医院 | 医学数据处理装置、方法及分类模型训练装置 |
CN117009924B (zh) * | 2023-10-07 | 2024-01-26 | 之江实验室 | 电子病历引导的多模态自适应多中心数据融合方法及*** |
CN117312963B (zh) * | 2023-11-29 | 2024-03-12 | 山东企联信息技术股份有限公司 | 一种采集信息数据智能分类方法、***及存储介质 |
CN117744026A (zh) * | 2024-02-18 | 2024-03-22 | 四川省肿瘤医院 | 基于多模态的信息融合方法和肿瘤恶性概率识别*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006302113A (ja) * | 2005-04-22 | 2006-11-02 | Canon Inc | 電子カルテ・システム |
US20090028403A1 (en) * | 2006-03-03 | 2009-01-29 | Medic Vision - Brain Technologies Ltd. | System and Method of Automatic Prioritization and Analysis of Medical Images |
CN103400143A (zh) * | 2013-07-12 | 2013-11-20 | 中国科学院自动化研究所 | 一种基于多视角的数据子空间聚类方法 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971197B (zh) * | 2017-03-02 | 2019-12-13 | 北京工业大学 | 基于差异性与一致性约束的多视数据的子空间聚类方法 |
CN108197629B (zh) * | 2017-12-30 | 2021-12-31 | 北京工业大学 | 一种基于标签相关性约束张量分解的多模态医学影像特征提取方法 |
US10885379B2 (en) * | 2018-09-04 | 2021-01-05 | Inception Institute of Artificial Intelligence, Ltd. | Multi-view image clustering techniques using binary compression |
CN109685155A (zh) * | 2018-12-29 | 2019-04-26 | 广东工业大学 | 基于多视图的子空间聚类方法、装置、设备及存储介质 |
CN110378365A (zh) * | 2019-06-03 | 2019-10-25 | 广东工业大学 | 一种基于联合子空间学习的多视图子空间聚类方法 |
CN110349652B (zh) * | 2019-07-12 | 2022-02-22 | 之江实验室 | 一种融合结构化影像数据的医疗数据分析*** |
US20220367053A1 (en) * | 2019-09-27 | 2022-11-17 | The Brigham And Women's Hospital, Inc. | Multimodal fusion for diagnosis, prognosis, and therapeutic response prediction |
CN111260209B (zh) * | 2020-01-14 | 2022-03-11 | 山东大学 | 电子病历与医学影像结合的心血管疾病风险预测评估*** |
CN111324791B (zh) * | 2020-03-02 | 2021-08-17 | 北京工业大学 | 一种多视数据子空间聚类方法 |
CN111611323A (zh) * | 2020-04-09 | 2020-09-01 | 山东财经大学 | 一种面向数据融合的迭代结构化多视图子空间聚类方法,设备及可读存储介质 |
CN111915596A (zh) * | 2020-08-07 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种肺结节良恶性预测方法及装置 |
CN111916207B (zh) * | 2020-08-07 | 2023-08-08 | 杭州深睿博联科技有限公司 | 一种基于多模态融合的疾病识别方法及装置 |
CN112164067A (zh) * | 2020-10-12 | 2021-01-01 | 西南科技大学 | 一种基于多模态子空间聚类的医学图像分割方法及装置 |
CN112418319A (zh) * | 2020-11-24 | 2021-02-26 | 北京工业大学 | 一种多视子空间聚类方法及装置 |
CN113269225A (zh) * | 2021-04-08 | 2021-08-17 | 浙江大学 | 基于影像组学的非侵入式肝脏上皮样血管平滑肌脂肪瘤图像分类装置 |
CN113284572B (zh) * | 2021-04-30 | 2024-04-23 | 上海联影智能医疗科技有限公司 | 多模态异构的医学数据处理方法及相关装置 |
CN113241135B (zh) * | 2021-04-30 | 2023-05-05 | 山东大学 | 一种基于多模态融合的疾病风险预测方法和*** |
CN113505831A (zh) * | 2021-07-09 | 2021-10-15 | 广东工业大学 | 一种基于核范数约束的多视图聚类方法及*** |
CN113554082B (zh) * | 2021-07-15 | 2023-11-21 | 广东工业大学 | 一种自加权融合局部和全局信息的多视图子空间聚类方法 |
CN114359666A (zh) * | 2021-12-28 | 2022-04-15 | 清华珠三角研究院 | 多模态融合的肺癌患者疗效预测方法、***、装置及介质 |
CN114529745A (zh) * | 2022-01-11 | 2022-05-24 | 山东师范大学 | 基于图结构学习的缺失多视图子空间聚类方法及*** |
CN114565613B (zh) * | 2022-04-29 | 2022-08-23 | 之江实验室 | 基于有监督深度子空间学习的胰腺术后糖尿病预测*** |
-
2022
- 2022-08-30 CN CN202211047979.9A patent/CN115131642B/zh active Active
-
2023
- 2023-06-08 JP JP2023095104A patent/JP7333132B1/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006302113A (ja) * | 2005-04-22 | 2006-11-02 | Canon Inc | 電子カルテ・システム |
US20090028403A1 (en) * | 2006-03-03 | 2009-01-29 | Medic Vision - Brain Technologies Ltd. | System and Method of Automatic Prioritization and Analysis of Medical Images |
CN103400143A (zh) * | 2013-07-12 | 2013-11-20 | 中国科学院自动化研究所 | 一种基于多视角的数据子空间聚类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115131642B (zh) | 2022-12-27 |
JP7333132B1 (ja) | 2023-08-24 |
CN115131642A (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11657087B2 (en) | Surgical video retrieval based on preoperative images | |
Saikumar et al. | A novel implementation heart diagnosis system based on random forest machine learning technique. | |
CN107492099B (zh) | 医学图像分析方法、医学图像分析***以及存储介质 | |
JP7333132B1 (ja) | マルチビューサブ空間クラスタリングに基づくマルチモード医学データ融合システム | |
EP3046478B1 (en) | Image analysis techniques for diagnosing diseases | |
US8335359B2 (en) | Systems, apparatus and processes for automated medical image segmentation | |
US20210151187A1 (en) | Data-Driven Estimation of Predictive Digital Twin Models from Medical Data | |
US9280815B2 (en) | Comparison workflow automation by registration | |
WO2023207820A1 (zh) | 基于有监督深度子空间学习的胰腺术后糖尿病预测*** | |
Mazzanti et al. | Imaging, health record, and artificial intelligence: hype or hope? | |
JP7170747B2 (ja) | 類似度決定装置、方法およびプログラム | |
CN113962311A (zh) | 知识数据和人工智能驱动的眼科多病种识别*** | |
CN101903888A (zh) | 用于基于跨模态病例的计算机辅助诊断的方法和*** | |
JP7170000B2 (ja) | 学習システム、方法及びプログラム | |
CN112508884A (zh) | 一种癌变区域综合检测装置及方法 | |
Laghari et al. | How to collect and interpret medical pictures captured in highly challenging environments that range from nanoscale to hyperspectral imaging | |
EP3667674A1 (en) | Method and system for evaluating images of different patients, computer program and electronically readable storage medium | |
Bandyopadhyay et al. | Artificial-intelligence-based diagnosis of brain tumor diseases | |
CN112884759B (zh) | 一种乳腺癌腋窝***转移状态的检测方法及相关装置 | |
Reddy et al. | Different algorithms for lung cancer detection and prediction | |
CN115619810B (zh) | 一种***分区分割方法、***及设备 | |
CN114708973B (zh) | 一种用于对人体健康进行评估的设备和存储介质 | |
Ramos | Analysis of medical images to support decision-making in the musculoskeletal field | |
CN117689666A (zh) | 基于预测模型的脊髓内脱髓鞘假瘤病与肿瘤的诊断*** | |
Ratnakar et al. | Artificial Intelligence and Medical Visualization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230608 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230704 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230802 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230804 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7333132 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |