CN112767350B - 血栓弹力图最大区间预测方法、装置、设备和存储介质 - Google Patents
血栓弹力图最大区间预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112767350B CN112767350B CN202110066010.5A CN202110066010A CN112767350B CN 112767350 B CN112767350 B CN 112767350B CN 202110066010 A CN202110066010 A CN 202110066010A CN 112767350 B CN112767350 B CN 112767350B
- Authority
- CN
- China
- Prior art keywords
- thromboelastography
- model
- thrombus
- candidate
- elastography
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 208000007536 Thrombosis Diseases 0.000 claims abstract description 123
- 238000012360 testing method Methods 0.000 claims abstract description 53
- 238000002091 elastography Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000012795 verification Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 79
- 238000010586 diagram Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 7
- 239000004744 fabric Substances 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 230000023555 blood coagulation Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 102000009123 Fibrin Human genes 0.000 description 4
- 108010073385 Fibrin Proteins 0.000 description 4
- BWGVNKXGVNDBDI-UHFFFAOYSA-N Fibrin monomer Chemical compound CNC(=O)CNC(=O)CN BWGVNKXGVNDBDI-UHFFFAOYSA-N 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 229950003499 fibrin Drugs 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000035484 reaction time Effects 0.000 description 4
- 230000035602 clotting Effects 0.000 description 3
- 230000015271 coagulation Effects 0.000 description 3
- 238000005345 coagulation Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 206010053567 Coagulopathies Diseases 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 210000003743 erythrocyte Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 102000015081 Blood Coagulation Factors Human genes 0.000 description 1
- 108010039209 Blood Coagulation Factors Proteins 0.000 description 1
- 102000008946 Fibrinogen Human genes 0.000 description 1
- 108010049003 Fibrinogen Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003114 blood coagulation factor Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 229940012952 fibrinogen Drugs 0.000 description 1
- 239000003527 fibrinolytic agent Substances 0.000 description 1
- 230000003480 fibrinolytic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 239000003805 procoagulant Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本申请涉及图像处理技术领域，具体公开了一种血栓弹力图最大区间预测方法、装置、设备和存储介质，其中，血栓弹力图最大区间预测方法包括：获取血栓弹力图数据集；对血栓弹力图数据集进行预处理，并进行拆分，得到血栓弹力图训练集、血栓弹力图测试集和血栓弹力图验证集；根据血栓弹力图训练集、血栓弹力图测试集、血栓弹力图验证集和预设的n个第一模型，得到血栓弹力图最大区间预测模型，其中，n为大于或等于1的整数；获取待预测血栓弹力图；将待预测血栓弹力图输入血栓弹力图最大区间预测模型，得到对待预测血栓弹力图的最大区间的预测结果。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种血栓弹力图最大区间预测方法、装置、设备和存储介质。
背景技术
血栓弹力图(thromboelastogram，TEG)是反映血液凝固动态变化(包括纤维蛋白的形成速度，溶解状态和凝状的坚固性，弹力度)的重要指标，具有重要的临床意义。
目前，传统的血栓弹力图最大振幅值的获取方式有两种，一是通过专业的检验手法进行检验获得。但是，检验过程通常需要30分钟甚至更久的时间，对重症病人而言，获取结果的效率低下，易于错过最佳治疗时间。
二是基于拟合标准曲线的函数进行计算，其优点在于函数表达符合血栓弹力图基本曲线特征，且算法参数与血栓弹力图有明确的物理参数对应。但是，拟合算法能应用的场合较为单一，无法应对多种多样的场景。尤其是在应对异常曲线时，传统拟合算法鲁棒性较差，无法在数据展示前得出拟合结果。
发明内容
为了解决现有技术中存在的上述问题，本申请实施方式提供了一种血栓弹力图最大区间预测方法、装置、设备和存储介质，可以快速、精准的预测血栓弹力图的最大区间。
第一方面，本申请的实施方式提供了一种血栓弹力图最大区间预测方法，包括：
获取血栓弹力图数据集；
对血栓弹力图数据集进行预处理，并进行拆分，得到血栓弹力图训练集、血栓弹力图测试集和血栓弹力图验证集；
根据血栓弹力图训练集、血栓弹力图测试集、血栓弹力图验证集和预设的n个第一模型，得到血栓弹力图最大区间预测模型，其中，n为大于或等于1的整数；
获取待预测血栓弹力图；
将待预测血栓弹力图输入血栓弹力图最大区间预测模型，得到对待预测血栓弹力图的最大区间的预测结果。
第二方面，本申请的实施方式提供了一种血栓弹力图最大区间预测装置，包括：
训练模块，用于获取血栓弹力图数据集，对血栓弹力图数据集进行预处理，并进行拆分，得到血栓弹力图训练集、血栓弹力图测试集和血栓弹力图验证集，并根据血栓弹力图训练集、血栓弹力图测试集、血栓弹力图验证集和预设的n个第一模型，得到血栓弹力图最大区间预测模型；
图像获取模块，用于获取待预测血栓弹力图；
预测模块，用于将待预测血栓弹力图输入血栓弹力图最大区间预测模型，得到预测结果。
第三方面，本申请实施方式提供一种电子设备，包括：处理器，处理器与存储器相连，存储器用于存储计算机程序，处理器用于执行存储器中存储的计算机程序，以使得电子设备执行如第一方面的方法。
第四方面，本申请实施方式提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序使得计算机执行如第一方面的方法。
第五方面，本申请实施方式提供一种计算机程序产品，计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，计算机可操作来使计算机执行如第一方面的方法。
实施本申请实施方式，具有如下有益效果：
在本申请实施方式中，通过机器学习的方式，在多个模型中确定预测效果最好的模型作为预测模型，继而对血栓弹力图的最大区间进行预测。由此，可以精准、快速的获得血栓弹力图的最大区间，从而有效缩短诊断的时间，降低患者的直接医疗成本，一定程度上避免了由于诊断时间过长而引起的病情耽误和进一步医疗纠纷。此外，实现了血栓弹力图的最大区间的自动化预测，节约了人力成本。
附图说明
为了更清楚地说明本申请实施方式中的技术方案，下面将对实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施方式提供的一种血栓弹力图最大区间预测方法的流程示意图；
图2为本申请实施方式提供的一种对血栓弹力图数据集进行去脏去重的方法的流程示意图；
图3为本申请实施方式提供的一种标准的血栓弹力图理论曲线；
图4为本申请实施方式提供的几种血栓弹力图脏数据曲线；
图5为本申请实施方式提供的一种确定血栓弹力图最大区间预测模型的方法的流程示意图；
图6为本申请实施方式提供的一种血栓弹力图最大区间预测装置的功能模块组成框图；
图7为本申请实施方式提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本申请保护的范围。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施方式”意味着，结合实施方式描述的特定特征、结果或特性可以包含在本申请的至少一个实施方式中。在说明书中的各个位置出现该短语并不一定均是指相同的实施方式，也不是与其它实施方式互斥的独立的或备选的实施方式。本领域技术人员显式地和隐式地理解的是，本文所描述的实施方式可以与其它实施方式相结合。
参阅图1，图1为本申请实施方式提供的一种血栓弹力图最大区间预测方法的流程示意图。该血栓弹力图最大区间预测方法包括以下步骤：
101：获取血栓弹力图数据集。
在本实施方式中，血栓弹力图数据集可以通过日常检测累积获取。示例性的，可以将日常检测获得血栓弹力图存储至指定的数据库中，在需要时，提取全部或部分血栓弹力图作为血栓弹力图数据集。
102：对血栓弹力图数据集进行预处理，并进行拆分，得到血栓弹力图训练集、血栓弹力图测试集和血栓弹力图验证集。
在本实施方式中，血栓弹力图数据集中包括m张血栓弹力图，其中，m为大于或等于1的整数。有上述可知，该m张血栓弹力图为通过日常检测累积获取的，因此，在这m张血栓弹力图中，可能会存在由于检测出错或操作不当而产生的脏数据。
所以，在本实施方式中，对血栓弹力图数据集进行预处理可以包括对血栓弹力图数据集中的m张血栓弹力图进行去脏去重处理。示例性的，本实施方式提供了一种对血栓弹力图数据集进行去脏去重的方法，具体如图2所示，该方法包括：
201：对于m张血栓弹力图中的每张血栓弹力图，分别提取图像特征，得到m个图像特征向量。
在本实施方式中，m个图像特征向量和m张血栓弹力图一一对应。
通常而言，血栓弹力图是反映血液凝固动态变化的指标，因此，影响血栓弹力图的因素主要有：红细胞的聚集状态、红细胞的刚性、血凝的速度、纤维蛋白溶解系统活性的高低等等。如图3所示，图3为标准的血栓弹力图理论曲线，反映了被测血液凝固的不同阶。图3中X轴为时间(T/Min)，Y轴为血液凝固的强度振幅(mm)。
参见图3，血栓弹力图的主要的参数指标有：
1、反应时间(R)，是指从向血液样本中加入试剂后，到血液样本开始凝血的时间，又称为凝固潜伏时间，通常用于表现了凝血因子被试剂激活、纤维蛋白生成所需的时间。
2、凝固时间(K)，反映纤维蛋白和血小板在凝血块开始形成时的相互作用，即血液凝固的速率。
3、最大斜率(α)，表示血栓弹力图最大曲线弧度的切线与水平线的夹角，最大斜率α与凝固时间K都是反映血凝块聚合的速率。
4、血栓弹力图最大振幅(MA)，表现纤维蛋白/血小板凝块的最大强度，血栓弹力图最大振幅主要受纤维蛋白原及血小板两个因素的影响，其中血小板的促凝功能占主要作用，血小板质量或数量的异常都会影响到血栓弹力图最大振幅值。
通常而言，相对于正常的血栓弹力图，脏数据具有以下特征：
1、无血栓弹力图最大振幅MA。
2、血栓弹力图最大振幅MA在最大斜率α出现前出现。
3、最大斜率α在反应时间R出现前出现。
4、到达反应时间R时，血栓弹力图的振幅大于2mm。
5、血栓弹力图极大值大于两倍的血栓弹力图最大振幅MA。
6、血栓弹力图最大振幅MA为负数。
7、血栓弹力图存在多个局部极大值。
如图4所示，图4给出了几种血栓弹力图脏数据曲线。
因此，在本实施方式中，可以针对上述特征对m张血栓弹力图进行特征提取，得到m个图像特征向量。
202：对于m个图像特征向量中的每个图像特征向量，分别计算每个图像特征向量与标准图像特征向量之间的相似度，得到m个相似度。
在本实施方式中，标准图像特征向量为对标准的血栓弹力图进行特征提取后得到的图像特征向量，m个相似度与m个图像特征向量一一对应。
示例性的，可以通过计算每个图像特征向量，与标准图像特征向量之间的夹角余弦值，并用该夹角余弦值作为每个图像特征向量与标准图像特征向量之间的相似度。
示例性的，每个图像特征向量A＝[a1，a2，…，ai，…，at]，和第三词向量＝[b1，b2，…，bi，…，bt]，其中，i＝1，2，…，t。
基于此，夹角余弦值可以通过公式①表示：
其中，A·B表示每个图像特征向量A与第三词向量B的内积，丨丨为取模符号，丨A丨表示每个图像特征向量A的模，丨B丨表示第三词向量B的模。
进一步的，每个图像特征向量A与第三词向量B的内积可以通过公式②表示：
进一步的，每个图像特征向量A的模可以通过公式③表示：
最后，将该夹角余弦值作为每个图像特征向量和标准图像特征向量之间的相似度。示例性的，每个图像特征向量和标准图像特征向量之间的相似度可以通过公式④表示：
d＝cosθ…………④
由于余弦值的取值范围为【-1，1】，这使得余弦值在高维的情况下依然拥有相同时为1、正交时为0、相反时为-1的性质。即，余弦值越趋近于1，代表两个向量的方向越接近；越趋近于-1，他们的方向越相反；接近于0，表示两个向量近乎于正交，可以提现两个向量方向上的相对差异。由此，采用余弦值作为每个图像特征向量和词向量之间的相似度，可以精确的表示每个图像特征向量和词向量之间的相似程度。
203：将m个相似度中，小于阈值的相似度对应的血栓弹力图从血栓弹力图数据集中剔除。
在本实施方式中，相似度小说明在上述列举的特征中，比对的血栓弹力图与标准图之间存在较大的差异，因此，可以认定该血栓弹力图为脏数据，从而将其从血栓弹力图数据集中剔除。
在可选的实施方式中，还可以对预处理后的血栓弹力图数据集进行特征提取，从而选出影响较大的特征进行加权突出。由此，可以提升后续的模型训练效率。示例性的，可以采用梯度提升决策树(Gradient Boosting Decision Tree，GBDT)对预处理后的血栓弹力图数据集做训练，得到一个二分类器，再利用网格搜索得到最佳的参数组合，继而根据最佳的参数组合构造新的血栓弹力图数据集。
103：根据血栓弹力图训练集、血栓弹力图测试集、血栓弹力图验证集和预设的n个第一模型，得到血栓弹力图最大区间预测模型。
在本实施方式中，n为大于或等于1的整数。
具体而言，本实施方式给出了一种确定血栓弹力图最大区间预测模型的方法，如图5所示，该方法包括：
501：根据血栓弹力图训练集和血栓弹力图测试集，在预设的n个第一模型中，确定1个第一模型作为第二模型。
在本实施方式中，该n个第一模型可以包括：深度学习模型、支持向量机模型、决策树模型、随机森林模型、贝叶斯分类器模型和广义线性模型6个第一模型。
示例性的，首先，将血栓弹力图训练集分别输入上述6个第一模型中的每个第一模型中，得到6个第一结果。继而分别根据6个第一结果和血栓弹力图测试集对每个第一结果对应的第一模型进行调整，得到6个训练完毕的预测模型。
然后，将血栓弹力图训练集分别输入6个训练完毕的预测模型中，得到6个第三结果。分别确定每个第三结果对应的均方根误差、平均绝对误差、平均相对误差、相关系数平方、接收者操作特征(receiver operating characteristic,ROC)曲线以及接收者操作特征曲线下方面积分布。
然后，根据预设的权值，分别对每个第三结果对应的均方根误差、平均绝对误差、平均相对误差、相关系数平方、ROC曲线以及ROC曲线下方面积分布进行加权求和，得到6个系数。
最后，将6个系数中最大值所对应的训练完毕的预测模型作为第二模型。由此，可以在多个模型中选出表现最具解释性的算法。
在可选的实施方式中，还可以检验上述选出的第二模型预测的预测值和实际值的分布图及预测误差分布图是否符合要求，若不符合，则可以添加新的模型重复上述操作，直至选出符合要求的第二模型。
此外，在本实施方式中，训练过程可以利用交叉验证的方法，进行多次2折交叉验证，从而得到血栓弹力图最大区间预测模型。在可选的实施方式中，每次交叉验证之前，还可以先将数据随机打乱，使得多次交叉验证中的数据划分不重复，从而提升血栓弹力图最大区间预测模型的精准度。
502：将血栓弹力图验证集输入第二模型，得到第二结果。
在本实施方式中，得到第二模型后，还可以对其进行超参数调整，从而优化模型的预测精度。
首先，确定第二模型对应的超参数。通常而言，每个模型都有对应的超参数，例如，以GBDT算法为例，支持调整的超参数有模型类型(线性模型还是树模型)、目标函数的选择、学习率、最小损失函数减小的大小、最小权重、最大深度和迭代计算次数，共7个超参数。
通常而言，若超参数较多，则会影响模型优化的效率和成本。同时，对于不同的超参数，其对模型结果的影响也是不同的。因此，可以将影响力较高的超参数选出，再基于选出的超参数进行模型优化，继而减少模型优化的成本，提高优化效率。
在本实施方式中，可以采用逐步回归算法对可以第二模型对应的超参数进行筛选。
示例性的，将候选指超参数为{x1，x2，…，xn}，分别建立每个候选超参数与第二模型的预测结果y的一元回归方程。然后，分别确定每个一元回归方程中的回归系数的检验统计量，标记为f1i，i＝1，2，3，…，n，并确定f1i的最大值，标记为f1。通过F检验临界值表，确定在预设的显著性水平β下的临界值F1。若f1>F1，说明f1对应的超参数对预测结果y的影响显著，则该超参数可以作为对第二模型进行优化的超参数，进入第二步筛选。若f1<F1，说明所有超参数对预测结果y均没有显著的影响，则结束筛选。
对于第二步筛选，若上述筛选中，f1对应的超参数为x1，且满足f1>F1，则分别建立超参数组(x1，x2)，(x1，x3)，…，(x1，xn)与预测结果y的二元回归方程。然后，分别确定每个二元回归方程中x2，x3，…，xn的回归系数的检验统计量，标记为f2i，i＝2，3，…，n，并确定f2i的最大值，标记为f2。通过F检验临界值表，确定在预设的显著性水平β下的临界值F2。若f2>F2，说明f2对应的超参数对预测结果y的影响显著，则该超参数可以作为对第二模型进行优化的超参数，进入第三步筛选。若f2<F2，说明除超参数x1之外的所有剩余的超参数对预测结果y均没有显著的影响，则结束筛选。
同样的，对于第三步筛选，若上述第二步筛选中，f2对应的超参数为x2，且满足f2>F2，则分别建立超参数组(x1，x2，x3)，(x1，x2，x4)，…，(x1，x2，xn)与预测结果y的三元回归方程。然后，分别确定每个三元回归方程中x3，x4，…，xn的回归系数的检验统计量，标记为f3i，i＝3，4，…，n，并确定f3i的最大值，标记为f3。通过F检验临界值表，确定在预设的显著性水平β下的临界值F3。若f3>F3，说明f2对应的超参数对预测结果y的影响显著，则该超参数可以作为对第二模型进行优化的超参数，进入第四步筛选。若f4<F4，说明除超参数x1、x2之外的所有剩余的超参数对预测结果y均没有显著的影响，则结束筛选。
由此循环，可以实现对所有超参数的筛选，在可选的实施方式中，还可以预先设定筛选个数，当筛选出对应个数的超参数后即可结束筛选。由此，可以降低超参数筛选的复杂度，提升超参数筛选的效率，进而模型优化的效率。
在可选的实施方式中，还可以通过网格搜索的方式，在第二模型对应的超参数中选取最优组合。
筛选完毕后，将筛选出的超参数和血栓弹力图验证集输入第二模型，得到第二结果。
503：根据第二结果和血栓弹力图测试集对第二模型进行调整，得到血栓弹力图最大区间预测模型。
在本实施方式中，若经过调整后，得到的血栓弹力图最大区间预测模型的预测精度反而不如调整前的第二模型，则可以将调整前的第二模型作为血栓弹力图最大区间预测模型。
具体而言，可以将血栓弹力图训练集分别输入第二模型和血栓弹力图最大区间预测模型中。分别确定对应的输出结果的均方根误差、平均绝对误差、平均相对误差、相关系数平方、ROC曲线以及ROC曲线下方面积分布。然后，根据预设的权值，分别对第二模型和血栓弹力图最大区间预测模型的输出结果的均方根误差、平均绝对误差、平均相对误差、相关系数平方、ROC曲线以及ROC曲线下方面积分布进行加权求和，得到分别与第二模型和血栓弹力图最大区间预测模型对应的两个系数。最后，将系数较大的模型作为最终的血栓弹力图最大区间预测模型。
104：获取待预测血栓弹力图。
在本实施方式中，该待预测血栓弹力图可以为通过检测方式15分钟后得到的血栓弹力图，或者反应时间R出现10分钟后的血栓弹力图。由此，在不影响后续治疗时间的基础上，获取包含最多特征的血栓弹力图进行预测，进一步的提升了预测结果的精准度。
105：将待预测血栓弹力图输入血栓弹力图最大区间预测模型，得到对待预测血栓弹力图的最大区间的预测结果。
在可选的实施方式中，还可以设定血栓弹力图最大区间预测模型的生命周期，当到达生命周期后，在存储血栓弹力图的数据库中重新选取包含新增数据的若干血栓弹力图组成新的血栓弹力图数据集，重新训练出新的血栓弹力图最大区间预测模型，从而保证预测结果的精准度。
综上所述，本发明所提供的血栓弹力图最大区间预测方法，通过机器学习的方式，在多个模型中确定预测效果最好的模型作为预测模型，继而对血栓弹力图的最大区间进行预测。由此，可以精准、快速的获得血栓弹力图的最大区间，从而有效缩短诊断的时间，降低患者的直接医疗成本，一定程度上避免了由于诊断时间过长而引起的病情耽误和进一步医疗纠纷。此外，实现了血栓弹力图的最大区间的自动化预测，节约了人力成本。
参阅图6，图6为本申请实施方式提供的一种血栓弹力图最大区间预测装置的功能模块组成框图。如图6所示，该血栓弹力图最大区间预测装置6包括：
训练模块61，用于获取血栓弹力图数据集，对血栓弹力图数据集进行预处理，并进行拆分，得到血栓弹力图训练集、血栓弹力图测试集和血栓弹力图验证集，并根据血栓弹力图训练集、血栓弹力图测试集、血栓弹力图验证集和预设的n个第一模型，得到血栓弹力图最大区间预测模型；
图像获取模块62，用于获取待预测血栓弹力图；
预测模块63，用于将待预测血栓弹力图输入血栓弹力图最大区间预测模型，得到预测结果。
在本发明的实施方式中，在根据血栓弹力图训练集、血栓弹力图测试集、血栓弹力图验证集和预设的n个第一模型，得到血栓弹力图最大区间预测模型方面，训练模块61，具体用于：
根据血栓弹力图训练集和血栓弹力图测试集，在预设的n个第一模型中，确定1个第一模型作为第二模型；
将血栓弹力图验证集输入第二模型，得到第二结果；
根据第二结果和血栓弹力图测试集对第二模型进行调整，得到血栓弹力图最大区间预测模型。
在本发明的实施方式中，在根据血栓弹力图训练集和血栓弹力图测试集，在预设的n个第一模型中，确定1个第一模型作为第二模型方面，训练模块61，具体用于：
将血栓弹力图训练集分别输入n个第一模型中的每个第一模型中，得到n个第一结果，其中，n个第一结果与n个第一模型一一对应；
对于n个第一结果中的每个第一结果，分别根据每个第一结果和血栓弹力图测试集对每个第一结果对应的第一模型进行调整，得到n个第三模型，其中，n个第三模型与n个第一模型一一对应；
将血栓弹力图训练集分别输入n个第三模型中的每个第三模型中，得到n个第三结果，其中，n个第三结果与n个第三模型一一对应；
根据n个第三结果，在n个第三模型中，确定1个第三模型作为第二模型。
在本发明的实施方式中，在根据n个第三结果，在n个第三模型中，确定1个第三模型作为第二模型，训练模块61，具体用于：
对于n个第三结果中的每个第三结果，分别确定每个第三结果对应的均方根误差、平均绝对误差、平均相对误差、相关系数平方、接收者操作特征曲线以及接收者操作特征曲线下方面积分布；
根据预设的权值，分别对每个第三结果对应的均方根误差、平均绝对误差、平均相对误差、相关系数平方、ROC曲线以及ROC曲线下方面积分布进行加权求和，得到n个系数，其中，n个系数与n个第三结果一一对应；
选取n个系数中最大值所对应的第三模型作为第二模型。
在本发明的实施方式中，在将血栓弹力图验证集输入第二模型，得到第二结果方面，训练模块61，具体用于：
确定第二模型对应的超参数；
将超参数和血栓弹力图验证集输入第二模型，得到第二结果。
在本发明的实施方式中，在对血栓弹力图数据集进行预处理方面，训练模块61，具体用于：
血栓弹力图数据集中包括m张血栓弹力图，其中，m为大于或等于1的整数；
对于m张血栓弹力图中的每张血栓弹力图，分别提取图像特征，得到m个图像特征向量，其中，m个图像特征向量和m张血栓弹力图一一对应；
对于m个图像特征向量中的每个图像特征向量，分别计算每个图像特征向量与标准图像特征向量之间的相似度，得到m个相似度，其中，标准图像特征向量为对标准的血栓弹力图进行特征提取后得到的图像特征向量，m个相似度与m个图像特征向量一一对应；
将m个相似度中，小于阈值的相似度对应的血栓弹力图从血栓弹力图数据集中剔除。
在本发明的实施方式中，在计算每个图像特征向量与标准向量之间的相似度方面，训练模块61，具体用于：
对每个图像特征向量进行取模，得到第一模；
对标准图像特征向量进行行取模，得到第二模；
根据每个图像特征向量和标准图像特征向量的内积，以及第一模和第二模的积，确定相似度。
参阅图7，图7为本申请实施方式提供的一种电子设备的结构示意图。如图7所示，电子设备700包括收发器701、处理器702和存储器703。它们之间通过总线704连接。存储器703用于存储计算机程序和数据，并可以将存储器703存储的数据传输给处理器702。
处理器702用于读取存储器703中的计算机程序执行以下操作：
获取血栓弹力图数据集；
对血栓弹力图数据集进行预处理，并进行拆分，得到血栓弹力图训练集、血栓弹力图测试集和血栓弹力图验证集；
根据血栓弹力图训练集、血栓弹力图测试集、血栓弹力图验证集和预设的n个第一模型，得到血栓弹力图最大区间预测模型；
获取待预测血栓弹力图；
将待预测血栓弹力图输入血栓弹力图最大区间预测模型，得到预测结果。
在本发明的实施方式中，在根据血栓弹力图训练集、血栓弹力图测试集、血栓弹力图验证集和预设的n个第一模型，得到血栓弹力图最大区间预测模型方面，处理器702，具体用于执行以下操作：
根据血栓弹力图训练集和血栓弹力图测试集，在预设的n个第一模型中，确定1个第一模型作为第二模型；
将血栓弹力图验证集输入第二模型，得到第二结果；
根据第二结果和血栓弹力图测试集对第二模型进行调整，得到血栓弹力图最大区间预测模型。
在本发明的实施方式中，在根据血栓弹力图训练集和血栓弹力图测试集，在预设的n个第一模型中，确定1个第一模型作为第二模型方面，处理器702，具体用于执行以下操作：
将血栓弹力图训练集分别输入n个第一模型中的每个第一模型中，得到n个第一结果，其中，n个第一结果与n个第一模型一一对应；
对于n个第一结果中的每个第一结果，分别根据每个第一结果和血栓弹力图测试集对每个第一结果对应的第一模型进行调整，得到n个第三模型，其中，n个第三模型与n个第一模型一一对应；
将血栓弹力图训练集分别输入n个第三模型中的每个第三模型中，得到n个第三结果，其中，n个第三结果与n个第三模型一一对应；
根据n个第三结果，在n个第三模型中，确定1个第三模型作为第二模型。
在本发明的实施方式中，在根据n个第三结果，在n个第三模型中，确定1个第三模型作为第二模型，处理器702，具体用于执行以下操作：
对于n个第三结果中的每个第三结果，分别确定每个第三结果对应的均方根误差、平均绝对误差、平均相对误差、相关系数平方、接收者操作特征曲线以及接收者操作特征曲线下方面积分布；
根据预设的权值，分别对每个第三结果对应的均方根误差、平均绝对误差、平均相对误差、相关系数平方、ROC曲线以及ROC曲线下方面积分布进行加权求和，得到n个系数，其中，n个系数与n个第三结果一一对应；
选取n个系数中最大值所对应的第三模型作为第二模型。
在本发明的实施方式中，在将血栓弹力图验证集输入第二模型，得到第二结果方面，处理器702，具体用于执行以下操作：
确定第二模型对应的超参数；
将超参数和血栓弹力图验证集输入第二模型，得到第二结果。
在本发明的实施方式中，在对血栓弹力图数据集进行预处理方面，处理器702，具体用于执行以下操作：
血栓弹力图数据集中包括m张血栓弹力图，其中，m为大于或等于1的整数；
对于m张血栓弹力图中的每张血栓弹力图，分别提取图像特征，得到m个图像特征向量，其中，m个图像特征向量和m张血栓弹力图一一对应；
对于m个图像特征向量中的每个图像特征向量，分别计算每个图像特征向量与标准图像特征向量之间的相似度，得到m个相似度，其中，标准图像特征向量为对标准的血栓弹力图进行特征提取后得到的图像特征向量，m个相似度与m个图像特征向量一一对应；
将m个相似度中，小于阈值的相似度对应的血栓弹力图从血栓弹力图数据集中剔除。
在本发明的实施方式中，在计算每个图像特征向量与标准向量之间的相似度方面，处理器702，具体用于执行以下操作：
对每个图像特征向量进行取模，得到第一模；
对标准图像特征向量进行行取模，得到第二模；
根据每个图像特征向量和标准图像特征向量的内积，以及第一模和第二模的积，确定相似度。
应理解，本申请中血栓弹力图最大区间预测装置可以包括智能手机(如Android手机、iOS手机、Windows Phone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备MID(Mobile Internet Devices，简称：MID)、机器人或穿戴式设备等。上述血栓弹力图最大区间预测装置仅是举例，而非穷举，包含但不限于上述血栓弹力图最大区间预测装置。在实际应用中，上述血栓弹力图最大区间预测装置还可以包括：智能车载终端、计算机设备等等。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件结合硬件平台的方式来实现。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施方式或者实施方式的某些部分所述的方法。
因此，本申请实施方式还提供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，所述计算机程序被处理器执行以实现如上述方法实施方式中记载的任何一种血栓弹力图最大区间预测方法的部分或全部步骤。例如，所述存储介质可以包括硬盘、软盘、光盘、磁带、磁盘、优盘、闪存等。
本申请实施方式还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施方式中记载的任何一种血栓弹力图最大区间预测方法的部分或全部步骤。
需要说明的是，对于前述的各方法实施方式，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施方式均属于可选的实施方式，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施方式中，对各个实施方式的描述都各有侧重，某个实施方式中没有详述的部分，可以参见其他实施方式的相关描述。
在本申请所提供的几个实施方式中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施方式的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本申请实施方式进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施方式的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，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申请的限制。
Claims (8)
1.一种血栓弹力图最大区间预测方法，其特征在于，所述预测方法包括：
获取血栓弹力图数据集；
对所述血栓弹力图数据集进行预处理，并进行拆分，得到血栓弹力图训练集、血栓弹力图测试集和血栓弹力图验证集；
根据所述血栓弹力图训练集和所述血栓弹力图测试集，在预设的n个第一模型中，确定1个第一模型作为第二模型，其中，n为大于或等于1的整数；
确定所述第二模型对应的多个第一候选超参数；
建立每个第一候选超参数与所述第二模型的预测结果的一元回归方程，确定每个一元回归方程中的回归系数的检验统计量，得到多个第一检验统计量，其中，所述多个第一检验统计量与所述多个第一候选超参数一一对应；
获取所述多个第一检验统计量中的第一最大值，若所述第一最大值大于第一临界值，确定所述第一最大值对应的第一候选超参数为第一目标超参数；
将所述第一目标超参数与多个第二候选超参数中的每个第二候选超参数组合，得到多个第一超参数组，其中，所述多个第二候选超参数为所述多个第一候选超参数中除去所述第一目标超参数后剩余的多个第一候选超参数；
建立每个第一超参数组与所述第二模型的预测结果的二元回归方程，确定每个二元回归方程中的回归系数的检验统计量，得到多个第二检验统计量，其中，所述多个第二检验统计量与所述多个第一超参数组一一对应；
获取所述多个第二检验统计量中的第二最大值，若所述第二最大值大于第二临界值，确定所述第二最大值对应的第一超参数组中的第二候选超参数为第二目标超参数；
循环筛选所述多个第一候选超参数，得到多个目标超参数；
将所述多个目标超参数和所述血栓弹力图验证集输入所述第二模型，得到第二结果；
根据所述第二结果和所述血栓弹力图测试集对所述第二模型进行调整，得到血栓弹力图最大区间预测模型；
获取待预测血栓弹力图；
将所述待预测血栓弹力图输入所述血栓弹力图最大区间预测模型，得到对所述待预测血栓弹力图的最大区间的预测结果。
2.根据权利要求1所述的预测方法，其特征在于，所述根据所述血栓弹力图训练集和所述血栓弹力图测试集，在预设的n个第一模型中，确定1个第一模型作为第二模型，包括：
将所述血栓弹力图训练集分别输入所述n个第一模型中的每个第一模型中，得到n个第一结果，其中，所述n个第一结果与所述n个第一模型一一对应；
对于所述n个第一结果中的每个第一结果，分别根据所述每个第一结果和所述血栓弹力图测试集对所述每个第一结果对应的第一模型进行调整，得到n个第三模型，其中，所述n个第三模型与所述n个第一模型一一对应；
将所述血栓弹力图训练集分别输入所述n个第三模型中的每个第三模型中，得到n个第三结果，其中，所述n个第三结果与所述n个第三模型一一对应；
根据所述n个第三结果，在所述n个第三模型中，确定1个第三模型作为所述第二模型。
3.根据权利要求2所述的预测方法，其特征在于，所述根据所述n个第三结果，在所述n个第三模型中，确定1个第三模型作为所述第二模型，包括：
对于所述n个第三结果中的每个第三结果，分别确定所述每个第三结果对应的均方根误差、平均绝对误差、平均相对误差、相关系数平方、接收者操作特征曲线以及接收者操作特征曲线下方面积分布；
根据预设的权值，分别对所述每个第三结果对应的所述均方根误差、所述平均绝对误差、所述平均相对误差、所述相关系数平方、ROC曲线以及所述ROC曲线下方面积分布进行加权求和，得到n个系数，其中，所述n个系数与所述n个第三结果一一对应；
选取所述n个系数中最大值所对应的第三模型作为所述第二模型。
4.根据权利要求1-3中任意一项所述的预测方法，其特征在于，所述对所述血栓弹力图数据集进行预处理，包括：
所述血栓弹力图数据集中包括m张血栓弹力图，其中，m为大于或等于1的整数；
对于所述m张血栓弹力图中的每张血栓弹力图，分别提取图像特征，得到m个图像特征向量，其中，所述m个图像特征向量和所述m张血栓弹力图一一对应；
对于所述m个图像特征向量中的每个图像特征向量，分别计算所述每个图像特征向量与标准图像特征向量之间的相似度，得到m个相似度，其中，所述标准图像特征向量为对标准的血栓弹力图进行特征提取后得到的图像特征向量，所述m个相似度与所述m个图像特征向量一一对应；
将所述m个相似度中，小于阈值的相似度对应的血栓弹力图从所述血栓弹力图数据集中剔除。
5.根据权利要求4所述的预测方法，其特征在于，所述计算所述每个图像特征向量与标准向量之间的相似度，包括：
对所述每个图像特征向量进行取模，得到第一模；
对所述标准图像特征向量进行行取模，得到第二模；
根据所述每个图像特征向量和所述标准图像特征向量的内积，以及所述第一模和所述第二模的积，确定所述相似度。
6.一种血栓弹力图最大区间预测装置，其特征在于，所述预测装置包括：
训练模块，用于获取血栓弹力图数据集，对所述血栓弹力图数据集进行预处理，并进行拆分，得到血栓弹力图训练集、血栓弹力图测试集和血栓弹力图验证集，根据所述血栓弹力图训练集和所述血栓弹力图测试集，在预设的n个第一模型中，确定1个第一模型作为第二模型，其中，n为大于或等于1的整数，确定所述第二模型对应的多个第一候选超参数；建立每个第一候选超参数与所述第二模型的预测结果的一元回归方程，确定每个一元回归方程中的回归系数的检验统计量，得到多个第一检验统计量，其中，所述多个第一检验统计量与所述多个第一候选超参数一一对应；获取所述多个第一检验统计量中的第一最大值，若所述第一最大值大于第一临界值，确定所述第一最大值对应的第一候选超参数为第一目标超参数；将所述第一目标超参数与多个第二候选超参数中的每个第二候选超参数组合，得到多个第一超参数组，其中，所述多个第二候选超参数为所述多个第一候选超参数中除去所述第一目标超参数后剩余的多个第一候选超参数；建立每个第一超参数组与所述第二模型的预测结果的二元回归方程，确定每个二元回归方程中的回归系数的检验统计量，得到多个第二检验统计量，其中，所述多个第二检验统计量与所述多个第一超参数组一一对应；获取所述多个第二检验统计量中的第二最大值，若所述第二最大值大于第二临界值，确定所述第二最大值对应的第一超参数组中的第二候选超参数为第二目标超参数；循环筛选所述多个第一候选超参数，得到多个目标超参数；将所述多个目标超参数和所述血栓弹力图验证集输入所述第二模型，得到第二结果，根据所述第二结果和所述血栓弹力图测试集对所述第二模型进行调整，得到血栓弹力图最大区间预测模型；
图像获取模块，用于获取待预测血栓弹力图；
预测模块，用于将所述待预测血栓弹力图输入所述血栓弹力图最大区间预测模型，得到预测结果。
7.一种电子设备，其特征在于，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述一个或多个程序包括用于执行权利要求1-5任一项方法中的步骤的指令。
8.一种可读计算机存储介质，其特征在于，所述可读计算机存储介质存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110066010.5A CN112767350B (zh) | 2021-01-19 | 2021-01-19 | 血栓弹力图最大区间预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110066010.5A CN112767350B (zh) | 2021-01-19 | 2021-01-19 | 血栓弹力图最大区间预测方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112767350A CN112767350A (zh) | 2021-05-07 |
| CN112767350B true CN112767350B (zh) | 2024-04-26 |
Family
ID=75702972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110066010.5A Active CN112767350B (zh) | 2021-01-19 | 2021-01-19 | 血栓弹力图最大区间预测方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112767350B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745236A (zh) * | 2013-12-20 | 2014-04-23 | 清华大学 | 纹理图像识别方法以及纹理图像识别装置 |
| CN108961229A (zh) * | 2018-06-27 | 2018-12-07 | 东北大学 | 基于深度学习的心血管oct影像易损失斑块检测方法及系统 |
| CN109259784A (zh) * | 2018-08-27 | 2019-01-25 | 上海铱硙医疗科技有限公司 | 脑梗塞的ai预测方法、装置、设备及存储介质 |
| CN109580924A (zh) * | 2017-09-29 | 2019-04-05 | 重庆南方数控设备有限责任公司 | 血栓弹力图凝固过程的频域参数分析方法及系统 |
| CN111062979A (zh) * | 2019-11-22 | 2020-04-24 | 中国人民解放军总医院 | 基于医学影像获取血栓物理特性参数的可视化方法和可视化系统 |
| CN111243704A (zh) * | 2020-01-17 | 2020-06-05 | 长沙四维医疗器械科技有限责任公司 | 一种在线分析系统 |
| WO2020138932A1 (ko) * | 2018-12-24 | 2020-07-02 | 주식회사 제이엘케이인스펙션 | 머신러닝 기반의 gre 영상을 활용한 혈전 분류 방법 및 시스템 |
| CN111366714A (zh) * | 2020-04-24 | 2020-07-03 | 北京森美希克玛生物科技有限公司 | 一种血栓弹力测量装置及血栓弹力图获取方法 |
| CN111986101A (zh) * | 2020-07-09 | 2020-11-24 | 浙江工业大学 | 一种脑血管图谱构建方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9943233B2 (en) * | 2012-10-24 | 2018-04-17 | Cathworks Ltd. | Automated measurement system and method for coronary artery disease scoring |
| EP2912584B1 (en) * | 2012-10-25 | 2020-10-07 | Koninklijke Philips N.V. | Combined use of clinical risk factors and molecular markers for thrombosis for clinical decision support |
| US9330362B2 (en) * | 2013-05-15 | 2016-05-03 | Microsoft Technology Licensing, Llc | Tuning hyper-parameters of a computer-executable learning algorithm |
| DE102019203714B4 (de) * | 2019-03-19 | 2020-10-22 | Siemens Healthcare Gmbh | Verfahren und Datenverarbeitungssystem zum Bereitstellen von Entscheidungsunterstützungsdaten |
-
2021
- 2021-01-19 CN CN202110066010.5A patent/CN112767350B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745236A (zh) * | 2013-12-20 | 2014-04-23 | 清华大学 | 纹理图像识别方法以及纹理图像识别装置 |
| CN109580924A (zh) * | 2017-09-29 | 2019-04-05 | 重庆南方数控设备有限责任公司 | 血栓弹力图凝固过程的频域参数分析方法及系统 |
| CN108961229A (zh) * | 2018-06-27 | 2018-12-07 | 东北大学 | 基于深度学习的心血管oct影像易损失斑块检测方法及系统 |
| CN109259784A (zh) * | 2018-08-27 | 2019-01-25 | 上海铱硙医疗科技有限公司 | 脑梗塞的ai预测方法、装置、设备及存储介质 |
| WO2020138932A1 (ko) * | 2018-12-24 | 2020-07-02 | 주식회사 제이엘케이인스펙션 | 머신러닝 기반의 gre 영상을 활용한 혈전 분류 방법 및 시스템 |
| CN111062979A (zh) * | 2019-11-22 | 2020-04-24 | 中国人民解放军总医院 | 基于医学影像获取血栓物理特性参数的可视化方法和可视化系统 |
| CN111243704A (zh) * | 2020-01-17 | 2020-06-05 | 长沙四维医疗器械科技有限责任公司 | 一种在线分析系统 |
| CN111366714A (zh) * | 2020-04-24 | 2020-07-03 | 北京森美希克玛生物科技有限公司 | 一种血栓弹力测量装置及血栓弹力图获取方法 |
| CN111986101A (zh) * | 2020-07-09 | 2020-11-24 | 浙江工业大学 | 一种脑血管图谱构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 血栓弹力图的新数学模型及其应用;牛新乐, 严宗毅, 刘剑刚;生物物理学报(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112767350A (zh) | 2021-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11335450B2 (en) | Dehydration amount prediction method for hemodialysis and electronic device using the same | |
| US11564612B2 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
| CN109948647A (zh) | 一种基于深度残差网络的心电图分类方法及系统 | |
| CN109864736A (zh) | 心电信号的处理方法、装置、终端设备及介质 | |
| CN112070239B (zh) | 基于用户数据建模的分析方法、系统、介质及设备 | |
| CN113053535B (zh) | 一种医疗信息预测系统及医疗信息预测方法 | |
| CN111134664B (zh) | 一种基于胶囊网络的癫痫放电识别方法、系统和存储介质 | |
| CN112633601A (zh) | 疾病事件发生概率的预测方法、装置、设备及计算机介质 | |
| CN111312399A (zh) | 一种早期预测妊娠糖尿病模型的建立方法 | |
| CN116561542B (zh) | 模型的优化训练系统、方法以及相关装置 | |
| CN109009084A (zh) | 多导联心电信号的qrs波群校验方法、装置及设备、介质 | |
| CN114300141A (zh) | 患病风险等级预测方法及装置、可读存储介质及电子设备 | |
| CN115083604A (zh) | 一种术后不良事件预测模型的构建方法、系统和预测装置 | |
| CN113889252A (zh) | 基于生命体征大数据聚类核心算法和区块链的远程互联网大数据智慧医疗系统 | |
| Janghorbani et al. | Prediction of acute hypotension episodes using logistic regression model and support vector machine: A comparative study | |
| CN108338777A (zh) | 一种脉搏信号检测分析方法及装置 | |
| CN112767350B (zh) | 血栓弹力图最大区间预测方法、装置、设备和存储介质 | |
| CN107292320A (zh) | 系统及其指标优化方法及装置 | |
| CN117352169A (zh) | 基于神经网络模型的蛇伤康复评价方法、装置及电子设备 | |
| CN111507455B (zh) | 神经网络系统生成方法和装置、图像处理方法和电子设备 | |
| CN115526882A (zh) | 一种医学图像的分类方法、装置、设备及存储介质 | |
| CN114004258B (zh) | 一种半监督的心电异常检测方法 | |
| CN112382395B (zh) | 基于机器学习的一体化建模系统 | |
| CN108346471B (zh) | 一种病理数据的分析方法及装置 | |
| CN114617562A (zh) | 心拍信号的分类方法、装置、设备及存储介质 |
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 |