CN108986912A - 基于深度学习的中医胃病舌像信息智能化处理方法 - Google Patents
基于深度学习的中医胃病舌像信息智能化处理方法 Download PDFInfo
- Publication number
- CN108986912A CN108986912A CN201810763009.6A CN201810763009A CN108986912A CN 108986912 A CN108986912 A CN 108986912A CN 201810763009 A CN201810763009 A CN 201810763009A CN 108986912 A CN108986912 A CN 108986912A
- Authority
- CN
- China
- Prior art keywords
- tongue
- symptom
- feature
- patient
- chinese medicine
- 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
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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的中医胃病舌像信息智能化处理方法,包括:训练数据处理:将采集到的病人症状数据进行分层量化,得到症状的量化信息;舌像特征提取:根据采集到的舌像症状数据,设计基于舌像的卷积神经网络,提取舌像特征;多模态数据融合:将所述舌像特征与所述症状的量化信息在全连接层进行合并,再经过多层神经网络训练,得到病人的证候判断结果;模型训练:根据所述病人的症候判断结果与采集到的专家的症候判断结果进行模型训练;症状及严重程度判定。通过本发明的技术方案,在获得病人的舌体图像以及病人症状的问答结果后,即可得到病人的症状及严重程度判定,诊断效率高,且诊断结果的准确性高。
Description
技术领域
本发明涉及中医自动化技术领域,具体而言,涉及一种基于深度学习的中医胃病舌像信息智能化处理方法。
背景技术
中医根据望、闻、问、切四诊信息进行辩证。其中,望,指观气色;闻,指听声息,闻气味;问;指询问症状;切;指摸脉象。中医胃病临床辩证主要采用望、问、切三种判断方式,但是由于采集脉象信息对仪器的个性化要求较高,现有的脉象仪不能全面客观的反映脉象各种信息,所以脉象仪仍未在临床中应用,也导致了标准的脉象数据难以获得。目前,中医对胃病的诊断,采用的方式为由中医根据病人望诊与问诊信息,采用辩证的方式得出肝胃郁热和中虚气逆的诊断结论。
辩证过程是运用中医的理论方法,进行综合分析确定疾病证候的过程。证是指中医中的证候,是中医治疗以及确定处方的依据,它是一个疾病在某一阶段属于某一类型的在中医范畴的描述,它反映了疾病的成病本质,例如肝胃郁热和中虚气逆。症状指的是疾病过程中机体内的一系列机能、代谢和形态结构异常变化所引起的病人主观上的异常感觉或某些客观病态改变如呼吸困难、发热等等。望诊中,舌像的信息是一个关键的信息,用于辩证的特征涉及舌形、舌质、舌苔等等,基于颜色等简单特征的方法不能实现智能化辩证效果。
目前,采用传统的中医诊断方法,一方面效率低,另一方面中医需要长期的经验积累才能得到正确率高的结果,因此中医的诊断准确性较低。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,本发明的一个方面在于,提供了一种基于深度学习的中医胃病舌像信息智能化处理方法,包括:训练数据处理:将采集到的病人症状数据进行分层量化,得到症状的量化信息;舌像特征提取:根据采集到的舌像症状数据,设计基于舌像的卷积神经网络,提取舌像特征;多模态数据融合:将所述舌像特征与所述症状的量化信息在全连接层进行合并,再经过多层神经网络训练,得到病人的证候判断结果;模型训练:根据所述病人的症候判断结果与采集到的专家的症候判断结果进行模型训练;症状及严重程度判定:根据训练模型获得网络,所述网络输出判断结果和证候类型的概率,作为疾病证型结果以及严重程度的得分。
进一步地,所述舌像特征提取,具体包括:对采集到的所述舌像症状数据进行增广处理;设计基于舌像的卷积神经网络,提取舌像特征,其中,所述增广处理包括但不限于在保证所述舌像症状数据不变的前提下,对所述舌像症状数据采用缩放、旋转、加噪声的处理方法。
进一步地,所述基于舌像的卷积神经网络,提取舌像特征,包括:采用网络公开图像数据集预训练深度残差网络作为初始网络提取特征。
进一步地,所述模型训练,包括:采用计算交叉熵的方式来判断模型对真实概率分布估计的准确程度。
进一步地,所述症候类型包括:中虚气逆与肝胃郁热。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
以病人舌体图像以及病人症状的问答结果的分层量化信息作为训练数据,建立了多模态数据的深度学习辩证模型,达到了高效提取舌像特征用以辩证的效果。通过该方法,在获得病人的舌体图像以及病人症状的问答结果后,即可得到病人的症状及严重程度判定,诊断效率高,且诊断结果的准确性高。
本发明的附加方面和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
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了实施例1的基于深度学习的中医胃病舌像信息智能化处理方法的流程示意图;
图2为残差结构示意图;
图3为基于舌像以及症状信息的深度神经网络的模型框架;
图4为融合两种模态数据的神经网络结构。
具体实施方式
为了能够更清楚地理解本发明的上述方面、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,根据本发明的一个实施例的基于深度学习的中医胃病舌像信息智能化处理方法,包括:
步骤S102,训练数据处理:将采集到的病人症状数据进行分层量化,得到症状的量化信息;
步骤S104,舌像特征提取:根据采集到的舌像症状数据,设计基于舌像的卷积神经网络,提取舌像特征;
步骤S106,多模态数据融合:将舌像特征与症状的量化信息在全连接层进行合并,再经过多层神经网络训练,得到病人的证候判断结果;
步骤S108,模型训练:根据病人的症候判断结果与采集到的专家的症候判断结果进行模型训练;
步骤S110,症状及严重程度判定:根据训练模型获得网络,网络输出判断结果和证候类型的概率,作为疾病证型结果以及严重程度的得分。
进一步地,舌像特征提取,具体包括:对采集到的舌像症状数据进行增广处理;设计基于舌像的卷积神经网络,提取舌像特征,其中,增广处理包括但不限于在保证舌像症状数据不变的前提下,对舌像症状数据采用缩放、旋转、加噪声的处理方法。
进一步地,基于舌像的卷积神经网络,提取舌像特征,包括:采用网络公开图像数据集预训练深度残差网络作为初始网络提取特征。
进一步地,模型训练,包括:采用计算交叉熵的方式来判断模型对真实概率分布估计的准确程度。
进一步地,症候类型包括:中虚气逆与肝胃郁热。
采集病人的舌像及症状数据,将病人症状进行分层量化,将专家的证型判断结果(中虚气逆或肝胃郁热)作为标签:收集1500例病人的舌像信息以及症状信息,由名老中医标定患者的中医证候的类型。其中舌像数据由舌像仪统一采集,采集后,裁切舌体部分的图像作为训练输入数据,统一尺寸为(224*224)。症状信息由问诊采集,具体方式是病人完成一份包含100个症状表现的问卷,然后利用分层量化方法将文本格式的症状描述转化为数据类型的症状特征,得到一个100维的向量。症状详情可参见附图3:中医证候量化表。本实施例考虑胃病的两种证候类型:肝胃郁热和中虚气逆。
进一步地,舌像特征提取,具体包括:对采集到的舌像症状数据进行增广处理;设计基于舌像的卷积神经网络,提取舌像特征,其中,增广处理包括但不限于在保证舌像症状数据不变的前提下,对舌像症状数据采用缩放、旋转、加噪声的处理方法。
为了增加数据的多样性,对舌像数据进行增广处理,在保证特征不变的前提下,采用缩放、旋转、加噪声等处理方法,将原舌像数据增加到2500例,两类各有1250例。将增广后新获得的舌像与原舌像对应的症状信息组合,作为完整的数据。在实验中,所有的数据被随机分到训练集,验证集和测试集中,三者比例为8:1:1。
设计基于舌像的卷积神经网络(convolutional neural network,CNN),实现舌像的特征提取。
CNN由多个卷积层和池化层堆叠构成,利用共享权重的方法减少深度网络结构的参数,降低了训练复杂度。网络的输入层实际将图像分成了多个子区域,这些区域被称为局部感受野,再经过每层滤波器的处理,得到更为显著的图像特征。通过这种方法得到的特征对平移、缩放、旋转都具有不变性。
为了提取更有效的特征和减少训练时间,保持舌像特征信息的不变性,采用ImageNet(网络公开图像数据集)预训练深度残差网络(Deep Residual Network,DRN)作为初始网络提取特征。DRN是2015年获得大规模视觉识别挑战赛冠军的深度学习方法,本发明采用的是获奖论文中提到的18层的网络结构,初始输入为(224*224)的图像,经过多层卷积及池化处理,得到512个通道下(7*7)的特征层,利用平均池化,一共得到512个一维的特征,其中卷积层及池化层的设置详见附表1。
表1
layer_name | input_size | kernal_size | feature_map_num | stride | output_size |
conv_1 | 224*224 | 7*7 | 64 | 2 | 112*112 |
pool_2 | 112*112 | 3*3 | 64 | 2 | 56*56 |
conv_3 | 56*56 | 3*3 | 64 | 56*56 | |
conv_4 | 56*56 | 3*3 | 64 | 56*56 | |
conv_5 | 56*56 | 3*3 | 64 | 56*56 | |
conv_6 | 56*56 | 3*3 | 64 | 2 | 28*28 |
conv_7 | 28*28 | 3*3 | 128 | 28*28 | |
conv_8 | 28*28 | 3*3 | 128 | 28*28 | |
conv_9 | 28*28 | 3*3 | 128 | 28*28 | |
conv_10 | 28*28 | 3*3 | 128 | 2 | 14*14 |
conv_11 | 14*14 | 3*3 | 256 | 14*14 | |
conv_12 | 14*14 | 3*3 | 256 | 14*14 | |
conv_13 | 14*14 | 3*3 | 256 | 14*14 | |
conv_14 | 14*14 | 3*3 | 256 | 2 | 7*7 |
conv_15 | 7*7 | 3*3 | 512 | 7*7 | |
conv_16 | 7*7 | 3*3 | 512 | 7*7 | |
conv_17 | 7*7 | 3*3 | 512 | 7*7 | |
conv_18 | 7*7 | 3*3 | 512 | 7*7 | |
average_pool | 7*7 | 512 | 1*1 |
DRN由残差结构堆叠而成,残差结构如图2所示,经过几层卷积输出,再加上之前的输入共同构成下一层的输出,继续向下传播。其中隐函数采用的是ReLU函数:
网络中的卷积层相当于输出与输入值的残差,整个网络相当于学习一个恒等变换。由于残差结构的存在,卷积层实现的是残差信息的学习,残差的学习比恒等变换的学习更稳定。该种残差结构极大地保留了输入信息,可以有效地控制每一层产生的误差,使得前向传播更加稳定。
进一步地,采用网络公开图像数据集预训练深度残差网络作为初始网络提取特征,可以有效地保留舌像的中医辩证信息。将单个舌像的输入记为xi,残差网络的中权重记为W1,提取舌像特征的函数可以表示为:
Featurei=DRN(xi,W1)
多模态数据融合模块:将提取的舌像特征与症状的量化信息在全连接层进行合并,再经过多层神经网络,得到病人的证候判断结果:
如图3所示,将病人除舌像外的症状特征(内容详见附表2)分层量化后得到的100维向量同512维的舌像特征进行合并,得到一个612维的特征向量。将该612维的向量作为输入,利用多层神经网络(Multi-layer Perceptron,MLP)经过两个全连接层后按照证候类型个数进行分类,经过softmax函数的全连接层,获得两种证候类型对应的概率:
softmax(x)i=exp(xi)/∑jexp(xj)
其中i与j表示都是证候类型,本例中取值为0或1。最终的输出采用one_hot的编码方式,即向量每个维度值只能为0或1,且所有维度的和为1。在本实施例中,用(0,1)表示中虚气逆,(1,0)表示肝胃郁热,根据softmax层输出概率最大的一类取值为1。融合后的网络结构如图4所示。
表2
将症状量化特征记为x′i,输出的症状类型记为yi,W2、b分别是多层神经网络中的权重和偏置,中医胃病舌像信息处理的网络可以由以下函数表示:
yi=MLP(W2(Featurei+x′i)+b)
=MLP(W2(DRN(xi,W1)+x′i)+b)
本实施例采用计算交叉熵的方式来判断模型对真实概率分布估计的准确程度,相对熵值为交叉熵与真实分布信息熵的差值,是衡量两个分布之间差异的信息量。而真实分布信息熵为一定值,因此可以采用交叉熵来衡量预测分布与真实分布的偏差,即损失函数:
其中y'是真实的标签,y是模型的输出值,下标i表示的是第i个训练样本,在训练中采用100个训练样本作为一个批次,因此i的取值为0到99。残差网络部分共有20416个参数,数据融合后分类网络有62424个参数,整个网络共需要确定82840个参数。残差网络由ImageNet预训练的网络参数进行初始化,训练采用随机梯度下降的方法,逐层训练各层参数。
症状及严重程度判定模块:根据训练模型保留权重,并实现病人的症状判断。网络除最后的判断结果外,还会输出两种证候类型的概率,作为疾病严重程度的得分,在治疗中该得分将有助于治疗方案的确定。
步骤S102~步骤S110是网络训练和优化过程,实际的应用阶段只需要输入病人的舌像以及问诊量化信息,作为附图4中网络的输入,输出两种证候类型的概率。其中概率值较大的一个为该方法判断的证候类型结果,概率值反映的是疾病的严重程度,在实际应用过程中,疾病严重程度,可以作为确定中医的诊疗方案的依据。
以上结合附图说明了本发明的技术方案,通过本发明的技术方案,在获得病人的舌体图像以及病人症状的问答结果后,即可得到病人的症状及严重程度判定,诊断效率高,且诊断结果的准确性高。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
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 (5)
1.一种基于深度学习的中医胃病舌像信息智能化处理方法,其特征在于,包括:
训练数据处理:将采集到的病人症状数据进行分层量化,得到症状的量化信息;
舌像特征提取:根据采集到的舌像症状数据,设计基于舌像的卷积神经网络,提取舌像特征;
多模态数据融合:将所述舌像特征与所述症状的量化信息在全连接层进行合并,再经过多层神经网络训练,得到病人的证候判断结果;
模型训练:根据所述病人的症候判断结果与采集到的专家的症候判断结果进行模型训练;
症状及严重程度判定:根据训练模型获得网络,所述网络输出判断结果和证候类型的概率,作为疾病证型结果以及严重程度的得分。
2.根据权利要求1所述的基于深度学习的中医胃病舌像信息智能化处理方法,其特征在于,所述舌像特征提取,具体包括:
对采集到的所述舌像症状数据进行增广处理;
设计基于舌像的卷积神经网络,提取舌像特征,
其中,所述增广处理包括但不限于在保证所述舌像症状数据不变的前提下,对所述舌像症状数据采用缩放、旋转、加噪声的处理方法。
3.根据权利要求2所述的基于深度学习的中医胃病舌像信息智能化处理方法,其特征在于,所述基于舌像的卷积神经网络,提取舌像特征,包括:采用网络公开图像数据集预训练深度残差网络作为初始网络提取特征。
4.根据权利要求2所述的基于深度学习的中医胃病舌像信息智能化处理方法,其特征在于,所述模型训练,包括:
采用计算交叉熵的方式来判断模型对真实概率分布估计的准确程度。
5.根据权利要求2所述的基于深度学习的中医胃病舌像信息智能化处理方法,其特征在于,所述症候类型包括:中虚气逆与肝胃郁热。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810763009.6A CN108986912A (zh) | 2018-07-12 | 2018-07-12 | 基于深度学习的中医胃病舌像信息智能化处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810763009.6A CN108986912A (zh) | 2018-07-12 | 2018-07-12 | 基于深度学习的中医胃病舌像信息智能化处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108986912A true CN108986912A (zh) | 2018-12-11 |
Family
ID=64537845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810763009.6A Pending CN108986912A (zh) | 2018-07-12 | 2018-07-12 | 基于深度学习的中医胃病舌像信息智能化处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108986912A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712707A (zh) * | 2018-12-29 | 2019-05-03 | 深圳和而泰数据资源与云技术有限公司 | 一种舌诊方法、装置、计算设备及计算机存储介质 |
CN109700433A (zh) * | 2018-12-28 | 2019-05-03 | 深圳铁盒子文化科技发展有限公司 | 一种舌象诊断系统和舌诊移动终端 |
CN110119775A (zh) * | 2019-05-08 | 2019-08-13 | 腾讯科技(深圳)有限公司 | 医疗数据处理方法、装置、系统、设备和存储介质 |
CN110991535A (zh) * | 2019-12-04 | 2020-04-10 | 中山大学 | 一种基于多类型医学数据的pCR预测方法 |
CN111223553A (zh) * | 2020-01-03 | 2020-06-02 | 大连理工大学 | 一种两阶段深度迁移学习中医舌诊模型 |
CN111341437A (zh) * | 2020-02-21 | 2020-06-26 | 山东大学齐鲁医院 | 基于舌图像的消化道疾病判断辅助系统 |
CN111553890A (zh) * | 2020-04-22 | 2020-08-18 | 上海全景云医学影像诊断有限公司 | 基于增量学习的x光正位胸片多任务检测方法 |
CN112071421A (zh) * | 2020-09-01 | 2020-12-11 | 深圳高性能医疗器械国家研究院有限公司 | 一种深度学习预估方法及其应用 |
CN112216383A (zh) * | 2020-10-26 | 2021-01-12 | 山东众阳健康科技集团有限公司 | 基于证素和深度学习的中医智能问诊舌诊综合系统 |
CN112669972A (zh) * | 2020-12-30 | 2021-04-16 | 华南师范大学 | 基于大数据深度学习的中医个人风险分合协同预测方法 |
CN112819750A (zh) * | 2020-12-31 | 2021-05-18 | 北京鹰之眼智能健康科技有限公司 | 基于深度学习的肥胖症远红外图像证候分型方法和系统 |
CN112971718A (zh) * | 2021-02-05 | 2021-06-18 | 北京鹰之眼智能健康科技有限公司 | 证候识别方法、装置、电子设备及存储介质 |
CN113012811A (zh) * | 2020-08-17 | 2021-06-22 | 杭州泉脉科技有限公司 | 一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法 |
CN113257372A (zh) * | 2020-02-12 | 2021-08-13 | 阿里巴巴集团控股有限公司 | 口腔健康管理相关系统、方法、装置及设备 |
WO2022047627A1 (zh) * | 2020-09-01 | 2022-03-10 | 深圳高性能医疗器械国家研究院有限公司 | 一种深度学习预估方法及其应用 |
CN114360718A (zh) * | 2022-03-10 | 2022-04-15 | 之江实验室 | 一种基于特征拟合的pet/ct自动肺癌诊断分类系统及构建方法 |
CN116189884A (zh) * | 2023-04-24 | 2023-05-30 | 成都中医药大学 | 一种基于面部视觉的多模态融合中医体质判别方法及系统 |
CN112819750B (zh) * | 2020-12-31 | 2024-05-28 | 北京鹰之眼智能健康科技有限公司 | 基于深度学习的肥胖症远红外图像证候分型方法和系统 |
-
2018
- 2018-07-12 CN CN201810763009.6A patent/CN108986912A/zh active Pending
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109700433A (zh) * | 2018-12-28 | 2019-05-03 | 深圳铁盒子文化科技发展有限公司 | 一种舌象诊断系统和舌诊移动终端 |
CN109712707A (zh) * | 2018-12-29 | 2019-05-03 | 深圳和而泰数据资源与云技术有限公司 | 一种舌诊方法、装置、计算设备及计算机存储介质 |
CN110119775B (zh) * | 2019-05-08 | 2021-06-08 | 腾讯科技(深圳)有限公司 | 医疗数据处理方法、装置、系统、设备和存储介质 |
CN110119775A (zh) * | 2019-05-08 | 2019-08-13 | 腾讯科技(深圳)有限公司 | 医疗数据处理方法、装置、系统、设备和存储介质 |
CN110991535A (zh) * | 2019-12-04 | 2020-04-10 | 中山大学 | 一种基于多类型医学数据的pCR预测方法 |
CN111223553A (zh) * | 2020-01-03 | 2020-06-02 | 大连理工大学 | 一种两阶段深度迁移学习中医舌诊模型 |
CN111223553B (zh) * | 2020-01-03 | 2023-08-08 | 大连理工大学 | 一种两阶段深度迁移学习中医舌诊模型 |
CN113257372B (zh) * | 2020-02-12 | 2024-05-07 | 阿里巴巴集团控股有限公司 | 口腔健康管理相关系统、方法、装置及设备 |
CN113257372A (zh) * | 2020-02-12 | 2021-08-13 | 阿里巴巴集团控股有限公司 | 口腔健康管理相关系统、方法、装置及设备 |
CN111341437A (zh) * | 2020-02-21 | 2020-06-26 | 山东大学齐鲁医院 | 基于舌图像的消化道疾病判断辅助系统 |
CN111341437B (zh) * | 2020-02-21 | 2022-02-11 | 山东大学齐鲁医院 | 基于舌图像的消化道疾病判断辅助系统 |
CN111553890A (zh) * | 2020-04-22 | 2020-08-18 | 上海全景云医学影像诊断有限公司 | 基于增量学习的x光正位胸片多任务检测方法 |
CN111553890B (zh) * | 2020-04-22 | 2021-01-08 | 上海全景云医学影像诊断有限公司 | 基于增量学习的x光正位胸片多任务检测方法 |
CN113012811A (zh) * | 2020-08-17 | 2021-06-22 | 杭州泉脉科技有限公司 | 一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法 |
CN113012811B (zh) * | 2020-08-17 | 2023-11-03 | 杭州泉脉科技有限公司 | 一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法 |
WO2022047627A1 (zh) * | 2020-09-01 | 2022-03-10 | 深圳高性能医疗器械国家研究院有限公司 | 一种深度学习预估方法及其应用 |
CN112071421A (zh) * | 2020-09-01 | 2020-12-11 | 深圳高性能医疗器械国家研究院有限公司 | 一种深度学习预估方法及其应用 |
CN112216383A (zh) * | 2020-10-26 | 2021-01-12 | 山东众阳健康科技集团有限公司 | 基于证素和深度学习的中医智能问诊舌诊综合系统 |
CN112669972A (zh) * | 2020-12-30 | 2021-04-16 | 华南师范大学 | 基于大数据深度学习的中医个人风险分合协同预测方法 |
CN112819750A (zh) * | 2020-12-31 | 2021-05-18 | 北京鹰之眼智能健康科技有限公司 | 基于深度学习的肥胖症远红外图像证候分型方法和系统 |
CN112819750B (zh) * | 2020-12-31 | 2024-05-28 | 北京鹰之眼智能健康科技有限公司 | 基于深度学习的肥胖症远红外图像证候分型方法和系统 |
CN112971718A (zh) * | 2021-02-05 | 2021-06-18 | 北京鹰之眼智能健康科技有限公司 | 证候识别方法、装置、电子设备及存储介质 |
CN114360718A (zh) * | 2022-03-10 | 2022-04-15 | 之江实验室 | 一种基于特征拟合的pet/ct自动肺癌诊断分类系统及构建方法 |
CN114360718B (zh) * | 2022-03-10 | 2022-07-12 | 之江实验室 | 一种基于特征拟合的pet/ct自动肺癌诊断分类系统及构建方法 |
CN116189884B (zh) * | 2023-04-24 | 2023-07-25 | 成都中医药大学 | 一种基于面部视觉的多模态融合中医体质判别方法及系统 |
CN116189884A (zh) * | 2023-04-24 | 2023-05-30 | 成都中医药大学 | 一种基于面部视觉的多模态融合中医体质判别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986912A (zh) | 基于深度学习的中医胃病舌像信息智能化处理方法 | |
Zhang et al. | A seven-layer convolutional neural network for chest CT-based COVID-19 diagnosis using stochastic pooling | |
Kolb | Grounded theory and the constant comparative method: Valid research strategies for educators | |
CN109222914A (zh) | 基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法 | |
Li et al. | Cell classification using convolutional neural networks in medical hyperspectral imagery | |
Attallah | DIAROP: automated deep learning-based diagnostic tool for retinopathy of prematurity | |
CN106296699A (zh) | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 | |
CN108717869A (zh) | 基于卷积神经网络的糖尿病视网膜并发症诊断辅助系统 | |
CN109102899A (zh) | 基于机器学习与大数据的中医智能辅助系统及方法 | |
CN109192299A (zh) | 一种基于卷积神经网络的医疗分析辅助系统 | |
CN108511056A (zh) | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 | |
CN105825064A (zh) | 日常性中医疗法智能咨询系统 | |
Aslam et al. | Neurological Disorder Detection Using OCT Scan Image of Eye | |
CN109615012A (zh) | 基于机器学习的就诊数据异常识别方法、设备及存储介质 | |
CN108986911A (zh) | 一种中医辩证论治数据处理方法 | |
Wu et al. | Expert-level diagnosis of nasal polyps using deep learning on whole-slide imaging | |
CN111524580A (zh) | 一种基于神经网络的病毒筛查与防疫系统及方法 | |
CN117077786A (zh) | 一种基于知识图谱的数据知识双驱动智能医疗对话系统和方法 | |
Liu et al. | A novel transfer learning model for traditional herbal medicine prescription generation from unstructured resources and knowledge | |
CN109102882A (zh) | 一种中医辩证论治系统 | |
CN109636421A (zh) | 基于机器学习的就诊数据异常识别方法、设备及存储介质 | |
Lam et al. | Overall and differential attrition in mindfulness-based interventions: A meta-analysis | |
CN107680677A (zh) | 基于脑网络分析的神经精神疾病分类方法 | |
Liao et al. | Convolutional herbal prescription building method from multi-scale facial features | |
Lin et al. | Ded: Diagnostic evidence distillation for acne severity grading on face images |
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: 20181211 |
|
RJ01 | Rejection of invention patent application after publication |