CN108109693A - 胎儿估重方法、装置、系统、存储介质和计算机设备 - Google Patents
胎儿估重方法、装置、系统、存储介质和计算机设备 Download PDFInfo
- Publication number
- CN108109693A CN108109693A CN201711377892.7A CN201711377892A CN108109693A CN 108109693 A CN108109693 A CN 108109693A CN 201711377892 A CN201711377892 A CN 201711377892A CN 108109693 A CN108109693 A CN 108109693A
- Authority
- CN
- China
- Prior art keywords
- pregnant woman
- weight
- neural network
- data
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及一种胎儿估重方法、装置、系统、存储介质和计算机设备,通过获取孕妇的身份信息,当根据孕妇的身份信息从预设数据库查询到对应孕妇的B超检查数据时,则调取孕妇的身份信息对应的B超检查数据,获取孕妇的孕期数据,根据孕妇的B超检查数据和孕妇的孕期数据,采用训练后的神经网络模型,评估得到胎儿的预测体重并输出。每次评估都以孕妇的首次B超检查数据作为参考,并结合孕妇检查的孕期数据估算出胎儿的重量,整个孕期只需进行一次B超检查即可估算出胎儿在不同时期的体重,评估方法简便快捷。
Description
技术领域
本发明涉及医疗领域,特别是涉及一种胎儿估重方法、装置、系统、存储介质和计算机设备。
背景技术
胎儿体重预测是产前监护的一项重要内容,胎儿体重与胎儿成熟度之间有着十分密切的关系,应用超声进行有选择的产科生物学测量已成为判断胎儿生长异常及其类型的有效手段,产前准备估计胎儿体重对于选择分娩方式以获得良好的围生结局,具有重要的意义。
传统的胎儿体重评估方法是通过超声图像中获取的参数结合孕妇腹围等信息利用三元回归方程预测胎儿出生时的体重,每一次胎儿体重的评估都需要进行超声检查,但是超声检查需时较长,且对孕妇会有一定的影响,不适于频繁使用,因此传统的胎儿体重评估方法评估方法复杂。
发明内容
基于此,有必要针对传统的胎儿体重评估方法评估方法复杂的问题,提供一种评估方法简便的胎儿估重方法、装置、系统、存储介质和计算机设备。
一种胎儿估重方法,包括以下步骤:
获取孕妇的身份信息;
当根据所述孕妇的身份信息从预设数据库查询到对应孕妇的B超检查数据时,则调取所述孕妇的身份信息对应的B超检查数据;
获取所述孕妇的孕期数据;
根据所述孕妇的B超检查数据和所述孕妇的孕期数据,采用训练后的神经网络模型,评估得到胎儿的预测体重并输出。
一种胎儿估重装置,包括:
孕妇身份信息获取模块,用于获取孕妇的身份信息;
数据调取模块,用于当根据所述孕妇的身份信息从预设数据库查询到对应孕妇的B超检查数据时,则调取所述孕妇的身份信息对应的B超检查数据;
孕期数据获取模块,用于获取所述孕妇的孕期数据;
体重评估模块,用于根据所述孕妇的B超检查数据和所述孕妇的孕期数据,采用训练后的神经网络模型,评估得到胎儿的预测体重并输出。
一种胎儿估重系统,包括身高体重秤、服务器和移动终端,所述身高体重秤通信连接所述服务器,所述服务器通信连接所述移动终端,
所述身高体重秤上传孕妇的身高体重至所述服务器;
所述移动终端上传孕妇的身份信息和孕妇的孕期数据至所述服务器;以及接收胎儿的预测体重并输出;
所述服务器接收所述孕妇的身份信息和所述孕妇的孕期数据;当根据所述孕妇的身份信息从预设数据库查询到对应孕妇的B超检查数据时,则调取所述孕妇的身份信息对应的B超检查数据;根据所述孕妇的B超检查数据和所述孕妇的孕期数据,采用训练后的神经网络模型,评估得到胎儿的预测体重并发送至所述移动终端。
一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述中任一项所述的方法。
一种计算机设备,包括存储器、处理器以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上述中任一项所述的方法。
上述胎儿估重方法、装置、系统、存储介质和计算机设备,通过获取孕妇的身份信息,当根据孕妇的身份信息从预设数据库查询到对应孕妇的B超检查数据时,则调取孕妇的身份信息对应的B超检查数据,获取孕妇的孕期数据,根据孕妇的B超检查数据和孕妇的孕期数据,采用训练后的神经网络模型,评估得到胎儿的预测体重并输出。每次评估都以孕妇的首次B超检查数据作为参考,并结合孕妇检查的孕期数据估算出胎儿的重量,整个孕期只需进行一次B超检测即可估算出胎儿在不同时期的体重,评估方法简便快捷。
附图说明
图1为一实施例中胎儿估重方法流程图;
图2为一实施例中神经网络结构图;
图3为一实施例中胎儿估重装置结构图;
图4为一实施例中胎儿估重系统结构图。
具体实施方式
在一个实施例中,如图1所示,一种胎儿估重方法,包括以下步骤:
步骤S110:获取孕妇的身份信息。
具体地,孕妇的身份信息包括但不限于孕妇的姓名、年龄和检查编号。
步骤S120:当根据孕妇的身份信息从预设数据库查询到对应孕妇的B超检查数据时,则调取孕妇的身份信息对应的B超检查数据。
具体地,当根据孕妇的身份信息从预设数据库中查询到对应孕妇的B超检查数据时,说明孕妇不是首次进行B超检查,则调取孕妇的身份信息对应的B超检查数据,其中B超检查数据包括胎儿的双顶径和头围,胎儿的双顶径又称胎头双顶径,是指胎儿头部左右两侧之间最宽部位的长度,又称为“头部大横径”,B超测量胎头双顶径>8.5表示胎儿成熟;胎儿头围是指绕胎头一周的最大长度,通常可以评估胎儿头部的大小,从而预测胎儿的发育状况,而在孕妇分娩时也可以帮助选择最佳分娩方式。
步骤S130:获取孕妇的孕期数据。
具体地,孕期数据包括但不限于第一预设时间的体重、第二预设时间的体质指数、腹围、股骨长度、体重以及第二预设时间到预产期的天数。第一预设时间的体重为孕妇刚开始怀孕时的体重,第二预设时间为怀孕期间的任意时间。
步骤S140:根据孕妇的B超检查数据和孕妇的孕期数据,采用训练后的神经网络模型,评估得到胎儿的预测体重并输出。
具体地,将孕妇的B超检查数据和孕妇的孕期数据输入至训练好的神经网络模型,即可评估得到胎儿的预测体重,进一步地,孕期分为孕初期、孕中期和孕晚期,在将相应的参数输入至训练好的神经网络模型后,神经网络模型中会存储这些参数,作为后续评估的参考,可以进一步提高评估方法的准确性。
在一个实施例中,在步骤S110之后,还包括步骤:当根据孕妇的身份信息从预设数据库未查询到对应孕妇的B超检查数据时,根据接收的指示信息获取孕妇的B超检查数据。
具体地,当根据孕妇的身份信息从预设数据库未查询到对应孕妇的B超检查数据时,说明孕妇还没进行初次B超检测,即进行初次B超检查,获取孕妇的B超检查数据。
在一个实施例中,在步骤S110之前,还包括步骤102至步骤108。
步骤102:获取训练样本数据和神经网络模型。
具体地,在本实施例中,将500例数据作为训练样本数据让神经网络模型进行监督式学习,训练样本数据包括B超训练样本数据和孕妇的孕期训练样本数据,神经网络模型,它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的,监督式学习是一个机器学习中的技巧,可以由训练资料中学到或建立一个模式,并依此模式进行推测,训练资料是由输入物件(通常是向量)和预期输出所组成。
步骤104:根据训练样本数据对神经网络模型进行训练,得到神经网络模型的输出结果。
具体地,神经网络模型的训练过程为:构造神经网络,设置初始权重,将训练样本数据导入数据库用于神经网络的训练,将500例数据作为训练样本数据让神经网络模型进行监督式学习得到训练后的神经网络模型,最后用300例数据作为测试数据验证训练后的神经网络模型的准确度。
在一个实施例中,步骤104包括步骤1042和步骤1044。
步骤1042:根据训练样本数据和神经网络模型当前层的初始权重得到当前层的输出结果,对次数进行迭代得到迭代次数。
具体地,把训练样本数据表示成向量X,训练样本数据为孕妇的B超检查数据和孕妇的孕期数据,每一层神经网络的初始权重用W(n)表示,进一步地,在本实施例中,神经网络为5层神经网络,但不限于是5层,结构图如图2所示,W(n)=[wn1,wn2,…wnI],图中的+1为常数项,表示神经网络的偏置值,隐含层(Hidden layer)用于接收输入层的信息,并对所有的输入信息进行处理。即将B超检查数据和孕妇的孕期数据输入至神经网络,经过隐含层对输入信息的处理,得到神经网络的输出结果,在本实施例中,根据训练样本数据和神经网络模型当前层的初始权重得到当前层的输出结果的步骤,具体为:
a=W(n)'X
其中,a为当前层神经网络的输出结果,W'为W的转置,n为神经网络模型的当前层数。
步骤1044:将当前层的输出结果作为下一层的训练样本数据,将下一层作为当前层,再次根据训练样本数据和神经网络模型当前层的初始权重得到当前层的输出结果,对次数进行迭代得到迭代次数的步骤,直至迭代次数达到预设次数,将当前层的输出结果作为神经网络模型的输出结果。
具体地,预设次数为神经网络模型的层数,用训练样本数据对神经网络进行逐层训练,先利用原始训练样本数据输入来训练神经网络的第一层,得到新权重W(1),然后把第一层的输出结果a作为第二层的输入,继续训练得到第二层的新权重W(2),以此类推,对后面的各层采用同样做法,即将当前层的输出结果作为下一层输入的方式依次训练,最终得到每一层的权重,且得到最后一层的输出结果,将最后一层的输出结果作为神经网络模型的输出结果,神经网络模型的输出结果为神经网络预测的胎儿体重。
步骤106:根据神经网络模型的输出结果和训练样本数据对应的预设实际结果建立代价函数。在本实施例中,具体为:
J(W)=||a-Y||2
其中,J(W)为代价函数,a为神经网络模型的输出结果,Y为训练样本对应的预设实际结果。
步骤108:根据梯度下降法求解得到代价函数的最优解,根据最优解和神经网络模型得到训练后的神经网络模型。
具体地,在本实施例中,根据梯度下降法求解得到代价函数的最优解,具体为:
其中,J(W)为代价函数,k为学习速率,W为权重。
具体地,使用梯度下降法不断更新W直到找到代价函数的最小值即最优解W作为最终的权重,根据最优解和神经网络模型得到训练后的神经网络模型,使得训练后的神经网络模型评估得到的胎儿的预测体重与胎儿的实际体重误差最小,提高了评估准确性。
上述胎儿估重方法,每次评估都以孕妇的首次B超检查数据作为参考,并结合孕妇检查的接近怀孕时的体重、孕期的体质指数、腹围、股骨长度、体重以及孕期到预产期的天数,可方便地估算出胎儿在不同时期的体重,有效地检测胎儿生长发育,降低分娩的风险,评估方法简便快捷,且准确性高。
在一个实施例中,如图3所示,一种胎儿估重装置,包括孕妇身份信息获取模块110、数据调取模块120、孕期数据获取模块130和体重评估模块140。
孕妇身份信息获取模块110用于获取孕妇的身份信息。
数据调取模块120用于当根据孕妇的身份信息从预设数据库查询到对应孕妇的B超检查数据时,则调取孕妇的身份信息对应的B超检查数据。
孕期数据获取模块130用于获取孕妇的孕期参数。
体重评估模块140用于根据孕妇的B超检查数据和孕妇的孕期参数,采用训练后的神经网络,评估得到胎儿的预测体重并输出。
在一个实施例中,孕妇身份信息获取模块110之后,还包括B超检查数据获取模块,B超检查数据获取模块用于当根据孕妇的身份信息从预设数据库未查询到对应孕妇的B超检查数据时,根据接收的指示信息获取孕妇的B超检查数据。
在一个实施例中,孕妇身份信息获取模块110之前,还包括样本数据获取模块、模型输出结果确定模块、代价函数建立模块和最优解求解模块。
样本数据获取模块用于获取训练样本数据和神经网络模型。
模型输出结果确定模块用于根据训练样本数据对神经网络模型进行训练,得到神经网络模型的输出结果。
代价函数建立模块用于根据神经网络模型的输出结果和训练样本数据对应的预设实际结果建立代价函数。
最优解求解模块用于根据梯度下降法求解得到代价函数的最优解,根据最优解和神经网络模型得到训练后的神经网络模型。
在一个实施例中,模型输出结果确定模块包括当前层输出结果确定单元和模型输出结果确定单元。
当前层输出结果确定单元用于根据训练样本数据和神经网络模型当前层的初始权重得到当前层的输出结果,对次数进行迭代得到迭代次数。
模型输出结果确定单元用于将当前层的输出结果作为下一层的训练样本数据,将下一层作为当前层,控制当前层输出结果确定单元再次根据训练样本数据和当前层的初始权重得到当前层的输出结果,对次数进行迭代得到迭代次数,直至迭代次数达到预设次数,将当前层的输出结果作为神经网络模型的输出结果。
上述胎儿估重装置,每次评估都以孕妇的首次B超检查数据作为参考,并结合孕妇检查的接近怀孕时的体重、孕期的体质指数、腹围、股骨长度、体重以及孕期到预产期的天数,可方便地估算出胎儿在不同时期的体重,有效地检测胎儿生长发育,降低分娩的风险,评估方法简便快捷,且准确性高。
在一个实施例中,如图4所示,一种胎儿估重系统,包括身高体重秤、服务器和移动终端,身高体重秤通信连接服务器,服务器通信连接移动终端,身高体重秤上传孕妇的身高体重至服务器;移动终端上传孕妇的身份信息和孕妇的孕期数据至服务器;以及接收胎儿的预测体重并输出;服务器接收孕妇的身份信息和孕妇的孕期数据;当根据孕妇的身份信息从预设数据库查询到对应孕妇的B超检查数据时,则调取孕妇的身份信息对应的B超检查数据;根据孕妇的B超检查数据和孕妇的孕期数据,采用训练后的神经网络模型,评估得到胎儿的预测体重并发送至移动终端。
上述胎儿估重系统,每次评估都以孕妇的首次B超检查数据作为参考,并结合孕妇检查的接近怀孕时的体重、孕期的体质指数、腹围、股骨长度、体重以及孕期到预产期的天数,可方便地估算出胎儿在不同时期的体重,有效地检测胎儿生长发育,降低分娩的风险,评估方法简便快捷,且准确性高。
一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项的方法。
一种计算机设备,包括存储器、处理器以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,处理器执行程序时实现上述任一项的方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种胎儿估重方法,其特征在于,包括以下步骤:
获取孕妇的身份信息;
当根据所述孕妇的身份信息从预设数据库查询到对应孕妇的B超检查数据时,则调取所述孕妇的身份信息对应的B超检查数据;
获取所述孕妇的孕期数据;
根据所述孕妇的B超检查数据和所述孕妇的孕期数据,采用训练后的神经网络模型,评估得到胎儿的预测体重并输出。
2.根据权利要求1所述的胎儿估重方法,其特征在于,在所述获取孕妇的身份信息之后,还包括步骤:
当根据所述孕妇的身份信息从预设数据库未查询到对应孕妇的B超检查数据时,根据接收的指示信息获取孕妇的B超检查数据。
3.根据权利要求1所述的胎儿估重方法,其特征在于,在所述获取孕妇的身份信息的步骤之前,还包括:
获取训练样本数据和神经网络模型;
根据所述训练样本数据对所述神经网络模型进行训练,得到神经网络模型的输出结果;
根据所述神经网络模型的输出结果和所述训练样本数据对应的预设实际结果建立代价函数;
根据梯度下降法求解得到所述代价函数的最优解,根据所述最优解和所述神经网络模型得到训练后的神经网络模型。
4.根据权利要求3所述的胎儿估重方法,其特征在于,所述根据所述训练样本数据对所述神经网络模型进行训练,得到神经网络模型的输出结果的步骤,包括:
根据所述训练样本数据和所述神经网络模型当前层的初始权重得到当前层的输出结果,对次数进行迭代得到迭代次数;
将所述当前层的输出结果作为下一层的训练样本数据,将下一层作为当前层,再次根据所述训练样本数据和所述神经网络模型当前层的初始权重得到当前层的输出结果,对次数进行迭代得到迭代次数的步骤,直至迭代次数达到预设次数,将当前层的输出结果作为所述神经网络模型的输出结果。
5.根据权利要求3所述的胎儿估重方法,其特征在于,所述根据所述神经网络模型的输出结果和所述训练样本数据对应的预设实际结果建立代价函数,具体为:
J(W)=||a-Y||2
其中,J(W)为代价函数,a为神经网络模型的输出结果,Y为训练样本对应的预设实际结果。
6.根据权利要求3所述的胎儿估重方法,其特征在于,所述根据梯度下降法求解得到所述代价函数的最优解,具体为:
<mrow>
<mi>W</mi>
<mo>=</mo>
<mi>W</mi>
<mo>-</mo>
<mi>k</mi>
<mo>*</mo>
<mfrac>
<mo>&part;</mo>
<mrow>
<mo>&part;</mo>
<mi>w</mi>
</mrow>
</mfrac>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>W</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,J(W)为代价函数,k为学习速率,W为权重。
7.一种胎儿估重装置,其特征在于,包括:
孕妇身份信息获取模块,用于获取孕妇的身份信息;
数据调取模块,用于当根据所述孕妇的身份信息从预设数据库查询到对应孕妇的B超检查数据时,则调取所述孕妇的身份信息对应的B超检查数据;
孕期数据获取模块,用于获取所述孕妇的孕期数据;
体重评估模块,用于根据所述孕妇的B超检查数据和所述孕妇的孕期数据,采用训练后的神经网络模型,评估得到胎儿的预测体重并输出。
8.一种胎儿估重系统,其特征在于,包括身高体重秤、服务器和移动终端,所述身高体重秤通信连接所述服务器,所述服务器通信连接所述移动终端,
所述身高体重秤上传孕妇的身高体重至所述服务器;
所述移动终端上传孕妇的身份信息和孕妇的孕期数据至所述服务器;以及接收胎儿的预测体重并输出;
所述服务器接收所述孕妇的身份信息和所述孕妇的孕期数据;当根据所述孕妇的身份信息从预设数据库查询到对应孕妇的B超检查数据时,则调取所述孕妇的身份信息对应的B超检查数据;根据所述孕妇的B超检查数据和所述孕妇的孕期数据,采用训练后的神经网络模型,评估得到胎儿的预测体重并发送至所述移动终端。
9.一种存储介质,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权利要求1-6中任一项所述的方法。
10.一种计算机设备,包括存储器、处理器以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权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711377892.7A CN108109693A (zh) | 2017-12-19 | 2017-12-19 | 胎儿估重方法、装置、系统、存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711377892.7A CN108109693A (zh) | 2017-12-19 | 2017-12-19 | 胎儿估重方法、装置、系统、存储介质和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108109693A true CN108109693A (zh) | 2018-06-01 |
Family
ID=62210275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711377892.7A Pending CN108109693A (zh) | 2017-12-19 | 2017-12-19 | 胎儿估重方法、装置、系统、存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108109693A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738702A (zh) * | 2019-05-22 | 2020-01-31 | 深圳度影医疗科技有限公司 | 一种三维超声图像的处理方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8012091B2 (en) * | 2005-07-11 | 2011-09-06 | Esoate S.P.A. | Method and system for fetal weight estimation |
CN104376191A (zh) * | 2013-08-16 | 2015-02-25 | Ge医疗系统环球技术有限公司 | 预测胎龄的方法和装置 |
CN105167742A (zh) * | 2015-05-22 | 2015-12-23 | 上海更多网络科技有限公司 | 一种胎儿体重自适应估算方法及系统 |
CN105868786A (zh) * | 2016-04-01 | 2016-08-17 | 山东正晨科技股份有限公司 | 一种基于自编码预训练深度神经网络的车标识别方法 |
CN107220506A (zh) * | 2017-06-05 | 2017-09-29 | 东华大学 | 基于深度卷积神经网络的乳腺癌风险评估分析系统 |
CN107307845A (zh) * | 2016-04-27 | 2017-11-03 | 广州翠格医疗技术有限公司 | 一种顺产概率预测装置及其方法 |
-
2017
- 2017-12-19 CN CN201711377892.7A patent/CN108109693A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8012091B2 (en) * | 2005-07-11 | 2011-09-06 | Esoate S.P.A. | Method and system for fetal weight estimation |
CN104376191A (zh) * | 2013-08-16 | 2015-02-25 | Ge医疗系统环球技术有限公司 | 预测胎龄的方法和装置 |
CN105167742A (zh) * | 2015-05-22 | 2015-12-23 | 上海更多网络科技有限公司 | 一种胎儿体重自适应估算方法及系统 |
CN105868786A (zh) * | 2016-04-01 | 2016-08-17 | 山东正晨科技股份有限公司 | 一种基于自编码预训练深度神经网络的车标识别方法 |
CN107307845A (zh) * | 2016-04-27 | 2017-11-03 | 广州翠格医疗技术有限公司 | 一种顺产概率预测装置及其方法 |
CN107220506A (zh) * | 2017-06-05 | 2017-09-29 | 东华大学 | 基于深度卷积神经网络的乳腺癌风险评估分析系统 |
Non-Patent Citations (1)
Title |
---|
李昆 等: "基于深度神经网络的胎儿体重预测", 《计算机科学》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738702A (zh) * | 2019-05-22 | 2020-01-31 | 深圳度影医疗科技有限公司 | 一种三维超声图像的处理方法、装置、设备及存储介质 |
CN110738702B (zh) * | 2019-05-22 | 2022-04-19 | 深圳度影医疗科技有限公司 | 一种三维超声图像的处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102175451B1 (ko) | 문항반응이론 기반의 적응검사 수행 장치 및 시스템 | |
CN111933284A (zh) | 一种并发症风险预测系统、方法、装置、设备及介质 | |
CN107518920A (zh) | 超声波图像处理方法及装置、超声诊断装置及存储介质 | |
CN111179235B (zh) | 图像检测模型的生成方法及装置、应用方法及装置 | |
WO2022222026A1 (zh) | 医疗诊断缺失数据补全方法及补全装置、电子设备、介质 | |
US20100235151A1 (en) | Feature parameter candidate generation apparatus and feature parameter candidate generation method | |
CN113274056A (zh) | 一种超声扫查方法及相关装置 | |
US20220284581A1 (en) | Systems and methods for evaluating the brain after onset of a stroke using computed tomography angiography | |
CN115249245A (zh) | 超声成像参数优化方法、装置、计算机设备及存储介质 | |
KR101993299B1 (ko) | 학습자의 다수 개념 진단 시스템 및 그 방법 | |
CN108109693A (zh) | 胎儿估重方法、装置、系统、存储介质和计算机设备 | |
JP6468576B1 (ja) | 受精卵の画像診断システム、受精卵の画像診断プログラム及び受精卵の画像診断用識別器の作成方法。 | |
CN108805332A (zh) | 一种特征评估方法和装置 | |
JP5552715B2 (ja) | 脳波処理装置、脳波処理方法、およびプログラム | |
CN113456033A (zh) | 生理指标特征值数据处理方法、系统及计算机设备 | |
Martins et al. | Influence of maternal body mass index on Interobserver variability of fetal ultrasound biometry and amniotic‐fluid assessment in late pregnancy | |
CN104706376B (zh) | 一种计算胎儿生长参数公式的系统 | |
CN107832935B (zh) | 一种水文变量设计值的确定方法及装置 | |
sreeshyala Bagi et al. | Biometric measurement and classification of IUGR using neural networks | |
Feng et al. | Detecting causality using deep gaussian processes | |
CN110853012B (zh) | 获得心脏参数的方法、装置及计算机存储介质 | |
CN114795161A (zh) | 维持净能需要量的预测方法、装置及电子设备 | |
JP7387457B2 (ja) | 医用画像処理装置、プログラム、および医用画像処理システム | |
CN113990499A (zh) | 一种心脏年龄评估方法、装置、电子设备及存储介质 | |
CN110706803B (zh) | 一种确定心肌纤维化的方法、装置、可读介质及电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180601 |
|
RJ01 | Rejection of invention patent application after publication |