CN109102889A - 疾病检测方法、检测服务器及计算机可读存储介质 - Google Patents
疾病检测方法、检测服务器及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109102889A CN109102889A CN201810694105.XA CN201810694105A CN109102889A CN 109102889 A CN109102889 A CN 109102889A CN 201810694105 A CN201810694105 A CN 201810694105A CN 109102889 A CN109102889 A CN 109102889A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- image
- target
- nuclear magnetic
- disease
- 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.)
- Withdrawn
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
- G16H50/30—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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种疾病检测方法,包括:检测服务器获取待测者的大脑在至少一种成像方式下所得到的至少一幅目标核磁共振图像;将至少一幅目标核磁共振图像中的每一幅目标核磁共振图像对应的目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配,以获得每一幅目标核磁共振图像对应的匹配结果;根据每一幅目标核磁共振图像对应的匹配结果预测待测者患有目标疾病的概率。本发明还提供一种检测服务器及计算机可读存储介质。本发明可以根据待测者的大脑的图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配,并根据匹配结果来预测待测者患有目标疾病的概率,以检测出待测者当前的健康状态。
Description
技术领域
本发明涉及疾病检测技术领域,尤其涉及一种疾病检测方法、检测服务器及计算机可读存储介质。
背景技术
随着科学技术的飞速发展,电子设备的不断普及,我们的生活水平不断地提高。然而,我们还是有很多问题暂时没有得到解决,例如,随着年龄的增长,患有老年痴呆症的概率越来越大,且当患有老年痴呆症时,患者的认知能力会不可避免的衰退;甚至有可能会变得更加健忘,更容易忘记他们的思路,并且更难做出决定或完成任务,这些症状都会严重影响他们的日常生活,同时也会给其家人带来无尽的麻烦。依据临床显示,如果这些病症能够在早期被诊断出来,患者的病情则可能被延缓甚至控制住。因此,找到一种可靠的检测方法来诊断潜在患者对于患者的病情控制是至关重要的。
发明内容
本发明实施例提出一种疾病检测方法、检测服务器及计算机可读存储介质,能够预测待测者患有目标疾病的概率,以检测出待测者当前的健康状态。
第一方面,为实现上述目的,本发明提出一种疾病检测方法,应用于检测服务器,其特征在于,所述方法包括:
获取待测者的大脑在至少一种成像方式下所得到的至少一幅目标核磁共振图像;
将所述至少一幅目标核磁共振图像中的每一幅目标核磁共振图像对应的目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配,以获得所述每一幅目标核磁共振图像对应的匹配结果,所述目标图像特征参数为用于检测是否患有目标疾病的参数;
根据所述每一幅目标核磁共振图像对应的匹配结果预测所述待测者患有所述目标疾病的概率。
可选地,所述图像特征参数包括图像的灰度值,所述预先建立的图像特征参数集合的建立过程包括:
获取第一目标对象在至少一种成像方式下对应的第一核磁共振图像,所述第一目标对象为患有所述目标疾病的对象;
获取第二目标对象在至少一种成像方式下对应的第二核磁共振图像,所述第二目标对象为未患有所述目标疾病的对象;
根据所述第一核磁共振图像以及所述第二核磁共振图像对应的图像的灰度值建立用于检测是否患有目标疾病的灰度值集合。
可选地,所述成像方式包括结构性磁共振成像、扩散性磁共振成像以及功能性磁共振成像中的一种或多种。
可选地,所述将所述至少一幅目标核磁共振图像中的每一幅目标核磁共振图像对应的目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配的步骤具体包括:
将所述至少一幅目标核磁共振图像中的每一幅目标核磁共振图像均按照预设的划分规则划分成N个子图像,所述N为大于1的正整数;
将划分后得到的子图像对应的子目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配。
可选地,所述根据所述每一幅目标核磁共振图像对应的匹配结果预测所述待测者患有所述目标疾病的概率的步骤,包括:
根据所述每一幅子图像对应的匹配结果计算对应的平均值,并将所述平均值作为所述待测者患有所述目标疾病的概率。
第二方面,本发明实施例提供了一种检测服务器,其特征在于,所述检测服务器包括存储器、处理器,所述处理器运行存储在所述存储器的疾病检测程序,以执行以下步骤:
获取待测者的大脑在至少一种成像方式下所得到的至少一幅目标核磁共振图像;
将所述至少一幅目标核磁共振图像中的每一幅目标核磁共振图像对应的目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配,以获得所述每一幅目标核磁共振图像对应的匹配结果,所述目标图像特征参数为用于检测是否患有目标疾病的参数;
根据所述每一幅目标核磁共振图像对应的匹配结果预测所述待测者患有所述目标疾病的概率。
可选地,所述图像特征参数包括图像的灰度值,所述预先建立的图像特征参数集合的建立过程包括:
获取第一目标对象在至少一种成像方式下对应的第一核磁共振图像,所述第一目标对象为患有所述目标疾病的对象;
获取第二目标对象在至少一种成像方式下对应的第二核磁共振图像,所述第二目标对象为未患有所述目标疾病的对象;
根据所述第一核磁共振图像以及所述第二核磁共振图像对应的图像的灰度值建立用于检测是否患有目标疾病的灰度值集合。
可选地,所述将所述至少一幅目标核磁共振图像中的每一幅目标核磁共振图像对应的目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配的步骤具体包括:
将所述至少一幅目标核磁共振图像中的每一幅目标核磁共振图像均按照预设的划分规则划分成N个子图像,所述N为大于1的正整数;
将划分后得到的子图像对应的子目标图像特征参数与预先建立的图像特征参数集合进行匹配。
可选地,所述根据所述每一幅目标核磁共振图像对应的匹配结果预测所述待测者患有所述目标疾病的概率的步骤具体包括:
根据所述每一幅子图像对应的匹配结果计算对应的平均值,并将所述平均值作为所述待测者患有所述目标疾病的概率。
第三方面,本发明实施例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疾病检测程序,所述疾病检测程序可被至少一个处理器执行,以使所述至少一个处理器执行所述的疾病检测方法的步骤。
在本发明实施例中,检测服务器获取待测者的大脑在至少一种成像方式下所得到的至少一幅目标核磁共振图像;并将至少一幅目标核磁共振图像中的每一幅目标核磁共振图像对应的目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配,以获得每一幅目标核磁共振图像对应的匹配结果,目标图像特征参数为用于检测是否患有目标疾病的参数;最后根据每一幅目标核磁共振图像对应的匹配结果预测待测者患有所述目标疾病的概率。在检测过程中,可以根据待测者的大脑的图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配,并可以根据匹配结果来预测待测者患有目标疾病的概率,以检测出待测者当前的健康状态。
附图说明
图1是本发明检测服务器第一实施例的结构示意图;
图2是本发明检测服务器第二实施例的结构示意图;
图3是本发明检测服务器第三实施例的结构示意图;
图4是本发明疾病检测方法第一实施例的流程示意图;
图5是本发明疾病检测方法第二实施例的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
请参阅图1,图1是本发明提供的检测服务器第一实施例的结构示意图。如下所示,该检测服务器包括:第一获取单元101、匹配单元102以及预测单元103,其中,
第一获取单元101用于获取待测者的大脑在至少一种成像方式下所得到的至少一幅目标核磁共振图像。
在本发明实施例中,成像方式包括但不限于结构性磁共振成像、扩散性磁共振成像以及功能性磁共振成像。
在本发明实施例中,当需要检测待测者是否患有目标疾病的状态下,分别获取待测者的大脑在上述成像方式中的至少一种成像方式下所得到的至少一幅目标核磁共振图像。其中,由于,不同的成像方式,则可能形成不同的核磁共振图像,也即,当有几种成像方式,则会有几幅对应的核磁共振图像。其中,目标疾病可以包括但不限于老年痴呆症。
匹配单元102用于将至少一幅目标核磁共振图像中的每一幅目标核磁共振图像对应的目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配,以获得每一幅目标核磁共振图像对应的匹配结果,目标图像特征参数为用于检测是否患有目标疾病的参数。
在本发明实施例中,目标图像特征参数为用于检测是否患有目标疾病的参数,也即,针对不同的目标疾病,其对应的图像特征参数、图像特征参数对应的值或者值范围也可能会不一样。
在本发明实施例中,匹配过程实质上就是拿待测者的目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行比较;当目标图像特征参数与预先建立的图像特征参数集合中的任一个图像特征参数一样或者落在其对应的参数值范围,则认为匹配,否则认为不匹配。由于预先建立的图像特征参数集合中包括了正常者的大脑对应的图像特征参数和患病者的大脑对应的图像特征参数,因此,在后续匹配过程中,则需要求取对应的概率。
举例来说,当图像特征参数为图像的灰度值时,由于患有目标疾病所对应的核磁共振图像有一个对应的灰度值范围,为第一灰度值范围;未患有目标疾病的所对应的核磁共振图像有一个对应的灰度值范围,为第二灰度值范围;则在匹配过程中,则是将待测者对应的核磁共振图像的灰度值与预先建立的灰度值集合中的灰度值或者灰度值范围进行匹配,并求去待测者的核磁共振图像的灰度值与第一灰度值范围以及第二灰度值范围的匹配结果。
预测单元103用于根据每一幅目标核磁共振图像对应的匹配结果预测待测者患有所述目标疾病的概率。
在本发明实施例中,当得到每一幅目标核磁共振图像对应的匹配结果之后,则可以根据每一幅目标核磁共振图像对应的匹配结果预测待测者患有目标疾病的概率。举例来说,通过上述描述可知,当目标图像特征参数与预先建立的图像特征参数集合中的任一个图像特征参数一样或者落在其对应的参数值范围,则认为匹配,否则认为不匹配。若预先设置,当匹配时,将其对应的结果设置为1,当不匹配时,设置为0,则可以分别求取匹配的目标核磁共振图像和不匹配的目标核磁共振图像分别所占的比例,并将该比例作为所述至少一幅目标核磁共振图像的匹配结果。具体的,当待测试的大脑结构性磁共振成像的所匹配出的匹配结果、扩散性磁共振成像的所匹配出的匹配结果或功能性磁共振成像的所匹配出的匹配结果分别为5%,5%,15%,则根据预先设置的计算规则可得出,该待测者患有该种目标疾病的概率可以为(100-5)%*(100-5)%*(100-15)%=77%,其中,匹配结果是指待测者所对应的目标图像特征参数与预先建立的图像特征参数集合中匹配成功所对应的结果。
在本发明实施例中,第一获取单元101获取待测者的大脑在至少一种成像方式下所得到的至少一幅目标核磁共振图像;匹配单元102并将至少一幅目标核磁共振图像中的每一幅目标核磁共振图像对应的目标图像特征参数与预先建立的图像特征参数集合进行匹配,以获得每一幅目标核磁共振图像对应的匹配结果,目标图像特征参数为用于检测是否患有目标疾病的参数;最后预测单元103根据每一幅目标核磁共振图像对应的匹配结果预测待测者患有所述目标疾病的概率。由于在检测过程中,可以根据待测者的大脑的图像特征参数与预先建立的图像特征参数集合进行匹配,并可以根据匹配结果来预测待测者患有目标疾病的概率,以检测出待测者当前的健康状态。
请进一步参阅图2,图2是本发明提供的检测服务器第二实施例的结构示意图。图2是在图1的基础上进一步细化得到,除包括图1所示的所有单位外,所述检测服务器还可以包括:第二获取单元104、第三获取单元105、建立单元106以及划分单元107,其中:
第二获取单元104用于获取第一目标对象在至少一种成像方式下对应的第一核磁共振图像,第一目标对象为患有目标疾病的对象;
第三获取单元105用于获取第二目标对象在至少一种成像方式下对应的第二核磁共振图像,第二目标对象为未患有目标疾病的对象;
建立单元106根据第一核磁共振图像以及第二核磁共振图像对应的图像的灰度值建立用于检测是否患有目标疾病的灰度值集合。
划分单元107用于将至少一幅目标核磁共振图像中的每一幅目标核磁共振图像均按照预设的划分规则划分成N个子图像,N为大于1的正整数。
其中,匹配单元102将至少一幅目标核磁共振图像中的每一幅目标核磁共振图像对应的目标图像特征参数与预先建立的图像特征参数集合进行匹配,具体为:
匹配单元102将划分后得到的子图像对应的子目标图像特征参数与预先建立的图像特征参数集合进行匹配。
在本发明实施例中,检测服务器中应该预先存储建立单元106已经建立好的用于检测目标疾病的图像特征参数集合,具体的,第二获取单元104获取第一目标对象在至少一种成像方式下对应的第一核磁共振图像,并对第一核磁共振图像进行深度学习,以获取对应的图像特征参数,第一目标对象为患有目标疾病的对象;第三获取单元105再获取第二目标对象在至少一种成像方式下对应的第二核磁共振图像,,并对第二核磁共振图像进行深度学习,以获取对应的图像特征参数第二目标对象为未患有目标疾病的对象;最后建立单元106根据第一核磁共振图像以及第二核磁共振图像对应的图像的灰度值建立用于检测是否患有目标疾病的图像特征参数集合,其中,图像特征参数为用于检测是否患有目标疾病的参数,可以包括但不限于图像的灰度值。
其中,第一核磁共振图像和第二核磁共振图像的数量都是与其成像方式的种类相关,也即,当只有两种成像方式时,则第一核磁共振图像的数量为两幅;第二核磁共振图像的数量也为两幅。
进一步,为了提高建立的图像特征参数集合的准确度,划分单元107可以将若干个未患有目标疾病的目标对象大脑结构性磁共振成像的、扩散性的磁共振成像或功能性的磁共振成像的核磁共振图像分别划分为多个预设尺寸大小的子图像进行深度学习训练,然后将若干个患有目标疾病(或患病倾向)的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的核磁共振图像分别划分为多个预设尺寸大小的子图像(所述预设尺寸与正常的大脑静3D结构行磁共振成像的、扩散性磁共振成像的和功能性磁共振成像的核磁共振图像的子图像的划分的尺寸是一样)进行深度学习训练,这样的方式,通过未患有目标疾病的和患有目标疾病(或患病倾向)的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像进行训练能够得到一个训练模型,用以比较准确地识别出患病(或患病倾向)的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的的静3D的核磁共振图像。而划分为多个子图像进行训练,则得到的训练模型更加精确。其中,可以先预设大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像的各个子图像训练模型识别规则:
例如有100个子图像训练模型,当没有子图像训练模型识别出待测试的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的核磁共振图像对应的部分为患病(或患病倾向)的,则判定该待测试的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像患病(或患病倾向)的概率为0;当只有2个及2个以下子图像训练模型识别出待测试的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像对应的部分为患病(或患病倾向)的,则判定该待测试的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像患病(或患病倾向)的概率为2%;当有2个以上5个以下子图像训练模型识别出待测试的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像对应的部分为患病(或患病倾向)的,则判定该待测试的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像患病(或患病倾向)的概率为20%;当有5个以上8个以下子图像训练模型识别出待测试的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像对应的部分为患病(或患病倾向)的,则判定该待测试的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像患病(或患病倾向)的概率为50%;当有8个以上子图像训练模型识别出待测试的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像对应的部分为患病(或患病倾向)的,则判定该待测试的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像患病(或患病倾向)的概率为100%。另外,图像的训练为2D图像训练,因此,直接获取到的大脑静3D的核磁共振图像需要先转换成2D的核磁共振图像,然后进行特征数据提取,及深度学习,建立模型。
作为一种可选的实施方式,在划分单元107用于将至少一幅目标核磁共振图像中的每一幅目标核磁共振图像均按照预设的划分规则划分成N个子图像之后,匹配单元102可以将划分后得到的子图像对应的子目标图像特征参数与预先建立的图像特征参数集合进行匹配,具体的,匹配单元102可以先获取划分后的每一个子图像的灰度值,再根据上述每一个子图像的灰度值计算该子图像对应的目标核磁共振图像的灰度值的平均值,最后再将此灰度值的平均值与预先建立用于检测是否患有目标疾病灰度值集合进行匹配。
在本发明实施例中,匹配过程实质上就是拿待测者的目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行比较;当目标图像特征参数与预先建立的图像特征参数集合中的任一个图像特征参数一样或者落在其对应的参数值范围,则认为匹配,否则认为不匹配。由于预先建立的图像特征参数集合中包括了正常者的大脑对应的图像特征参数和患病者的大脑对应的图像特征参数,因此,在后续匹配过程中,则需要求取对应的概率。
请进一步参阅图3,图3是本发明提供的检测服务器第三实施例的结构示意图。如图3所示,检测服务器200包括处理器201、存储器202、输入设备203、输出设备204。所述处理器201运行存储在所述存储器202的疾病检测程序。
在本发明实施例中,所称处理器201可以是中央处理单元(Central ProcessingUnit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备203可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备204可以包括显示器(LCD等)、扬声器等。
该存储器202可以包括只读存储器和随机存取存储器,并向处理器201提供指令和数据。存储器202的一部分还可以包括非易失性随机存取存储器。例如,存储器202还可以存储设备类型的信息。
其中,上述处理器201、输入设备203、则输出设备204及存储器202通过通信总线205完成相互间的通信。
具体实现中,本发明实施例中所描述的处理器201可执行本发明提供的方法的第一实施例和第二实施例中所描述的实现方式(参阅图1及图2所示),也可执行本发明实施例所描述的检测服务器的实现方式(参阅图4及图5所示),在此不再赘述。
在本发明的另一实施例中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,所述计算机程序包括疾病检测程序指令,处理器201运行存储在存储器202的疾病检测程序,以执行以下步骤:
获取待测者的大脑在至少一种成像方式下所得到的至少一幅目标核磁共振图像;
将至少一幅目标核磁共振图像中的每一幅目标核磁共振图像对应的目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配,以获得每一幅目标核磁共振图像对应的匹配结果,目标图像特征参数为用于检测是否患有目标疾病的参数;
根据每一幅目标核磁共振图像对应的匹配结果预测待测者患有所述目标疾病的概率。
在一种可选的实施方式中,图像特征参数包括图像的灰度值,其中,处理器201运行存储在存储器202中的疾病检测程序,以执行步骤建立的图像特征参数集合的建立过程具体为:
获取第一目标对象在至少一种成像方式下对应的第一核磁共振图像,第一目标对象为患有目标疾病的对象;
获取第二目标对象在至少一种成像方式下对应的第二核磁共振图像,第二目标对象为未患有目标疾病的对象;
根据所述第一核磁共振图像以及所述第二核磁共振图像对应的图像的灰度值建立用于检测是否患有目标疾病的灰度值集合。
在一种可选的实施方式中,处理器201运行存储在存储器202中的疾病检测程序,执行步骤将至少一幅目标核磁共振图像中的每一幅目标核磁共振图像对应的目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配之前,还应该执行步骤:
将至少一幅目标核磁共振图像中的每一幅目标核磁共振图像均按照预设的划分规则划分成N个子图像,N为大于1的正整数;
其中,处理器201运行存储在存储器202中的疾病检测程序,以执行步骤将至少一幅目标核磁共振图像中的每一幅目标核磁共振图像对应的目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配,具体为:
将划分后得到的子图像对应的子目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配。
在一种可选的实施方式中,处理器201运行存储在存储器202中的疾病检测程序,执行步骤根据每一幅目标核磁共振图像对应的匹配结果预测待测者患有目标疾病的概率,具体为:
根据每一幅子图像对应的匹配结果计算对应的平均值,并将所平均值作为待测者患有所述目标疾病的概率。
请参阅图4,图4是本发明提供的疾病检测方法第一实施例的流程示意图。其中,图4所示的方法应用于所述检测服务器,具体的,请参阅如下介绍:
S301、获取待测者的大脑在至少一种成像方式下所得到的至少一幅目标核磁共振图像。
在本发明实施例中,成像方式包括但不限于结构性磁共振成像、扩散性磁共振成像以及功能性磁共振成像。
在本发明实施例中,当需要检测待测者是否患有目标疾病的状态下,分别获取待测者的大脑在上述成像方式中的至少一种成像方式下所得到的至少一幅目标核磁共振图像。其中,由于,不同的成像方式,则可能形成不同的核磁共振图像,也即,当有几种成像方式,则会有几幅对应的核磁共振图像。其中,目标疾病可以包括但不限于老年痴呆症。
S302、将至少一幅目标核磁共振图像中的每一幅目标核磁共振图像对应的目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配,以获得每一幅目标核磁共振图像对应的匹配结果。
在本发明实施例中,目标图像特征参数为用于检测是否患有目标疾病的参数,也即,针对不同的目标疾病,其对应的图像特征参数、图像特征参数对应的值或者值范围也可能会不一样。
在本发明实施例中,匹配过程实质上就是拿待测者的目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行比较;当目标图像特征参数与预先建立的图像特征参数集合中的任一个图像特征参数一样或者落在其对应的参数值范围,则认为匹配,否则认为不匹配。由于预先建立的图像特征参数集合中包括了正常者的大脑对应的图像特征参数和患病者的大脑对应的图像特征参数,因此,在后续匹配过程中,则需要求取对应的概率。
举例来说,当图像特征参数为图像的灰度值时,由于患有目标疾病所对应的核磁共振图像有一个对应的灰度值范围,为第一灰度值范围;未患有目标疾病的所对应的核磁共振图像有一个对应的灰度值范围,为第二灰度值范围;则在匹配过程中,则是将待测者对应的核磁共振图像的灰度值与预先建立的灰度值集合中的灰度值或者灰度值范围进行匹配,并求去待测者的核磁共振图像的灰度值与第一灰度值范围以及第二灰度值范围的匹配结果。
S303、根据每一幅目标核磁共振图像对应的匹配结果预测待测者患有目标疾病的概率。
在本发明实施例中,当得到每一幅目标核磁共振图像对应的匹配结果之后,则可以根据每一幅目标核磁共振图像对应的匹配结果预测待测者患有目标疾病的概率。举例来说,通过上述描述可知,当目标图像特征参数与预先建立的图像特征参数集合中的任一个图像特征参数一样或者落在其对应的参数值范围,则认为匹配,否则认为不匹配。若预先设置,当匹配时,将其对应的结果设置为1,当不匹配时,设置为0,则可以分别求取匹配的目标核磁共振图像和不匹配的目标核磁共振图像分别所占的比例,并将该比例作为所述至少一幅目标核磁共振图像的匹配结果。具体的,当待测试的大脑结构性磁共振成像的所匹配出的匹配结果、扩散性磁共振成像的所匹配出的匹配结果或功能性磁共振成像的所匹配出的匹配结果分别为5%,5%,15%,则根据预先设置的计算规则可得出,该待测者患有该种目标疾病的概率可以为(100-5)%*(100-5)%*(100-15)%=77%,其中,匹配结果是指待测者所对应的目标图像特征参数与预先建立的图像特征参数集合中匹配的结果。
在本发明实施例中,检测服务器获取待测者的大脑在至少一种成像方式下所得到的至少一幅目标核磁共振图像;并将至少一幅目标核磁共振图像中的每一幅目标核磁共振图像对应的目标图像特征参数与预先建立的图像特征参数集合进行匹配,以获得每一幅目标核磁共振图像对应的匹配结果,目标图像特征参数为用于检测是否患有目标疾病的参数;最后根据每一幅目标核磁共振图像对应的匹配结果预测待测者患有所述目标疾病的概率。由于在检测过程中,可以根据待测者的大脑的图像特征参数与预先建立的图像特征参数集合进行匹配,并可以根据匹配结果来预测待测者患有目标疾病的概率,以检测出待测者当前的健康状态。
请进一步参阅图5,图5是本发明提供的疾病检测方法第二实施例的流程示意图;详情请参照如下描述:
S401、获取待测者的大脑在至少一种成像方式下所得到的至少一幅目标核磁共振图像。
在本发明实施例中,步骤S401和图4中的步骤S301一样,在此不再赘述,详情请参阅图4中的关于步骤S301的描述。
S402、将至少一幅目标核磁共振图像中的每一幅目标核磁共振图像均按照预设的划分规则划分成N个子图像,N为大于1的正整数。
S403、将划分后得到的子图像对应的子目标图像特征参数与预先建立的图像特征参数集合进行匹配,以获得每一幅目标核磁共振图像对应的匹配结果,目标图像特征参数为用于检测是否患有目标疾病的参数。
在本发明实施例中,为了提高建立的图像特征参数集合的准确度,可以将若干个未患有目标疾病的目标对象大脑结构性磁共振成像的、扩散性的磁共振成像或功能性的磁共振成像的核磁共振图像分别划分为多个预设尺寸大小的子图像进行深度学习训练,然后将若干个患有目标疾病(或患病倾向)的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的核磁共振图像分别划分为多个预设尺寸大小的子图像(所述预设尺寸与正常的大脑静3D结构行磁共振成像的、扩散性磁共振成像的和功能性磁共振成像的核磁共振图像的子图像的划分的尺寸是一样)进行深度学习训练,这样的方式,通过未患有目标疾病的和患有目标疾病(或患病倾向)的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像进行训练能够得到一个训练模型,用以比较准确地识别出患病(或患病倾向)的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的的静3D的核磁共振图像。而划分为多个子图像进行训练,则得到的训练模型更加精确。其中,可以先预设大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像的各个子图像训练模型识别规则:
例如有100个子图像训练模型,当没有子图像训练模型识别出待测试的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的核磁共振图像对应的部分为患病(或患病倾向)的,则判定该待测试的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像患病(或患病倾向)的概率为0;当只有2个及2个以下子图像训练模型识别出待测试的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像对应的部分为患病(或患病倾向)的,则判定该待测试的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像患病(或患病倾向)的概率为2%;当有2个以上5个以下子图像训练模型识别出待测试的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像对应的部分为患病(或患病倾向)的,则判定该待测试的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像患病(或患病倾向)的概率为20%;当有5个以上8个以下子图像训练模型识别出待测试的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像对应的部分为患病(或患病倾向)的,则判定该待测试的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像患病(或患病倾向)的概率为50%;当有8个以上子图像训练模型识别出待测试的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像对应的部分为患病(或患病倾向)的,则判定该待测试的大脑结构性磁共振成像的、扩散性磁共振成像的或功能性磁共振成像的静3D的核磁共振图像患病(或患病倾向)的概率为100%。另外,图像的训练为2D图像训练,因此,直接获取到的大脑静3D的核磁共振图像需要先转换成2D的核磁共振图像,然后进行特征数据提取,及深度学习,建立模型。
S404、根据每一幅子图像对应的匹配结果预测待测者患有所述目标疾病的概率。
在本发明实施例中,在将划分后得到的子图像对应的子目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配,以获得每一幅目标核磁共振图像对应的匹配结果之后,则可以根据每一幅目标核磁共振图像对应的匹配结果预测待测者患有所述目标疾病的概率。具体的,根据每一幅目标核磁共振图像对应的匹配结果计算对应的平均值,并将平均值作为待测者患有目标疾病的概率。
举例来说,当待测试的大脑结构性磁共振成像的所匹配出的匹配结果、扩散性磁共振成像的所匹配出的匹配结果或功能性磁共振成像的所匹配出的匹配结果分别为10%,5%,15%,则可以将10%加上5%加上15%的和除以3,等于10%,则可以将10%作为该待测患者患有目标疾病的概率。
在本发明实施例中,由于求取平均值、方差或者标准差等,均可以计算出能够描述该数据变化的变化趋势,因此,上述所举例的将平均值作为预测该待测患者患有目标疾病的概率的方法只是其中一种可选的方式。
在本发明实施例中,检测服务器将待测者的目标核磁共振图像划分成N个子图像,从而可以进一步提高检测的准确性。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的检测服务器和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,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。另外,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,也可以是电的,机械的或其它的形式连接。
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发明实施例方案的目的。
另外,在本发明各个实施例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,也可以是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,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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介质中。基于这样的理解,本发明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介质中,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例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种疾病检测方法,应用于检测服务器,其特征在于,所述方法包括:
获取待测者的大脑在至少一种成像方式下所得到的至少一幅目标核磁共振图像;
将所述至少一幅目标核磁共振图像中的每一幅目标核磁共振图像对应的目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配,以获得所述每一幅目标核磁共振图像对应的匹配结果,所述目标图像特征参数为用于检测是否患有目标疾病的参数;
根据所述每一幅目标核磁共振图像对应的匹配结果预测所述待测者患有所述目标疾病的概率。
2.根据权利要求1所述的疾病检测方法,其特征在于,所述图像特征参数包括图像的灰度值,所述预先建立的图像特征参数集合的建立过程包括:
获取第一目标对象在至少一种成像方式下对应的第一核磁共振图像,所述第一目标对象为患有所述目标疾病的对象;
获取第二目标对象在至少一种成像方式下对应的第二核磁共振图像,所述第二目标对象为未患有所述目标疾病的对象;
根据所述第一核磁共振图像以及所述第二核磁共振图像对应的图像的灰度值建立用于检测是否患有目标疾病的灰度值集合。
3.根据权利要求2所述的疾病检测方法,其特征在于,所述成像方式包括结构性磁共振成像、扩散性磁共振成像以及功能性磁共振成像中的一种或多种。
4.根据权利要求2或3所述的疾病检测方法,其特征在于,所述将所述至少一幅目标核磁共振图像中的每一幅目标核磁共振图像对应的目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配的步骤具体包括:
将所述至少一幅目标核磁共振图像中的每一幅目标核磁共振图像均按照预设的划分规则划分成N个子图像,所述N为大于1的正整数;
将划分后得到的子图像对应的子目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配。
5.根据权利要求4所述的疾病检测方法,其特征在于,所述根据所述每一幅目标核磁共振图像对应的匹配结果预测所述待测者患有所述目标疾病的概率的步骤,包括:
根据所述每一幅子图像对应的匹配结果计算对应的平均值,并将所述平均值作为所述待测者患有所述目标疾病的概率。
6.一种检测服务器,其特征在于,所述检测服务器包括存储器、处理器,其中,所述处理器运行存储在所述存储器的疾病检测程序,以执行以下步骤:
获取待测者的大脑在至少一种成像方式下所得到的至少一幅目标核磁共振图像;
将所述至少一幅目标核磁共振图像中的每一幅目标核磁共振图像对应的目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配,以获得所述每一幅目标核磁共振图像对应的匹配结果,所述目标图像特征参数为用于检测是否患有目标疾病的参数;
根据所述每一幅目标核磁共振图像对应的匹配结果预测所述待测者患有所述目标疾病的概率。
7.根据权利要求6所述的检测服务器,其特征在于,所述图像特征参数包括图像的灰度值,所述预先建立的图像特征参数集合的建立过程包括:
获取第一目标对象在至少一种成像方式下对应的第一核磁共振图像,所述第一目标对象为患有所述目标疾病的对象;
获取第二目标对象在至少一种成像方式下对应的第二核磁共振图像,所述第二目标对象为未患有所述目标疾病的对象;
根据所述第一核磁共振图像以及所述第二核磁共振图像对应的图像的灰度值建立用于检测是否患有目标疾病灰度值集合。
8.根据权利要求7所述的检测服务器,其特征在于,所述将所述至少一幅目标核磁共振图像中的每一幅目标核磁共振图像对应的目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配的步骤具体包括:
将所述至少一幅目标核磁共振图像中的每一幅目标核磁共振图像均按照预设的划分规则划分成N个子图像,所述N为大于1的正整数;
将划分后得到的子图像对应的子目标图像特征参数与预先建立的图像特征参数集合中的图像特征参数进行匹配。
9.根据权利要求8所述的检测服务器,其特征在于,所述根据所述每一幅目标核磁共振图像对应的匹配结果预测所述待测者患有所述目标疾病的概率的步骤具体包括:
根据所述每一幅子图像对应的匹配结果计算对应的平均值,并将所述平均值作为所述待测者患有所述目标疾病的概率。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有疾病检测程序,所述疾病检测程序可被至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-5中任一项所述的疾病检测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810694105.XA CN109102889A (zh) | 2018-06-29 | 2018-06-29 | 疾病检测方法、检测服务器及计算机可读存储介质 |
PCT/CN2018/107613 WO2020000721A1 (zh) | 2018-06-29 | 2018-09-26 | 疾病检测方法、检测服务器及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810694105.XA CN109102889A (zh) | 2018-06-29 | 2018-06-29 | 疾病检测方法、检测服务器及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109102889A true CN109102889A (zh) | 2018-12-28 |
Family
ID=64845426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810694105.XA Withdrawn CN109102889A (zh) | 2018-06-29 | 2018-06-29 | 疾病检测方法、检测服务器及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109102889A (zh) |
WO (1) | WO2020000721A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977905A (zh) * | 2019-04-04 | 2019-07-05 | 北京百度网讯科技有限公司 | 用于处理眼底图像的方法和装置 |
CN110033863A (zh) * | 2019-04-23 | 2019-07-19 | 科大讯飞股份有限公司 | 应用于临床决策支持系统的不合理疾病诊断检测方法、装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2984601A4 (en) * | 2013-04-13 | 2016-12-07 | Univ Pennsylvania | SYSTEM AND METHOD FOR ANALYSIS OF MEDICAL IMAGES AND PROBABILISTIC DIAGNOSIS |
CN103646183A (zh) * | 2013-12-24 | 2014-03-19 | 张擎 | 一种基于人工神经网络和多模态mri的阿尔茨海默病智能判别分析方法 |
CN107016395B (zh) * | 2017-03-18 | 2021-02-26 | 复旦大学 | 稀疏表示的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别系统 |
CN107731283A (zh) * | 2017-10-23 | 2018-02-23 | 清华大学 | 一种基于多子空间建模的图像预选系统 |
-
2018
- 2018-06-29 CN CN201810694105.XA patent/CN109102889A/zh not_active Withdrawn
- 2018-09-26 WO PCT/CN2018/107613 patent/WO2020000721A1/zh active Application Filing
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977905A (zh) * | 2019-04-04 | 2019-07-05 | 北京百度网讯科技有限公司 | 用于处理眼底图像的方法和装置 |
CN109977905B (zh) * | 2019-04-04 | 2021-08-06 | 北京百度网讯科技有限公司 | 用于处理眼底图像的方法和装置 |
US11232560B2 (en) | 2019-04-04 | 2022-01-25 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for processing fundus image |
CN110033863A (zh) * | 2019-04-23 | 2019-07-19 | 科大讯飞股份有限公司 | 应用于临床决策支持系统的不合理疾病诊断检测方法、装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2020000721A1 (zh) | 2020-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ozenne et al. | The precision–recall curve overcame the optimism of the receiver operating characteristic curve in rare diseases | |
Wang et al. | Interactive algorithms for improving incomplete linguistic preference relations based on consistency measures | |
CN107591207A (zh) | 一种疫情排查方法、装置、系统及设备 | |
CN110047095A (zh) | 基于目标检测的跟踪方法、装置及终端设备 | |
JP2015062817A5 (ja) | 脳活動解析装置、脳活動解析方法、判別器生成装置、判別器生成方法、バイオマーカー装置およびプログラム、健康管理装置およびプログラム、ならびに判別器のプログラム | |
CN108078581B (zh) | 基于卷积神经网络的肺癌良恶性判别系统和实现装置 | |
WO2014175542A1 (ko) | 생체 나이 예측 장치 및 방법 | |
CN105094494A (zh) | 指纹识别方法、装置及电子设备 | |
CN104006740B (zh) | 物体检测方法和物体检测装置 | |
CN109102889A (zh) | 疾病检测方法、检测服务器及计算机可读存储介质 | |
CN112560974B (zh) | 一种信息融合、车辆信息获取方法及装置 | |
CN108955901A (zh) | 一种红外测温方法、系统及终端设备 | |
WO2020187987A1 (en) | Population-level gaussian processes for clinical time series forecasting | |
US9883817B2 (en) | Management, assessment and treatment planning for inflammatory bowel disease | |
CN109555977A (zh) | 漏水噪声检测的设备和识别方法 | |
CN105407496B (zh) | 一种识别无线传感器网络中错误测量值的方法 | |
CN107526941A (zh) | 拷贝数变异检测预处理装置、检测装置、判定装置和系统 | |
CN110348215A (zh) | 异常对象识别方法、装置、电子设备及介质 | |
CN101596125A (zh) | 一种具备直观显示的健康信息显示系统、方法及其接口 | |
Bhave et al. | Deep learning to detect left ventricular structural abnormalities in chest X-rays | |
CN104116505B (zh) | 脉搏估计装置 | |
US10331936B2 (en) | Duplicate pattern reconstructions | |
CN113298345B (zh) | 异常行为的检测方法、装置、电子设备及介质 | |
US20120270192A1 (en) | Behavior estimation apparatus, behavior estimation method, and computer readable medium | |
CN114470719A (zh) | 一种全自动姿态矫正训练方法及系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181228 |