CN109979591A - 一种基于图神经网络分析斑块进展因子的方法及装置 - Google Patents
一种基于图神经网络分析斑块进展因子的方法及装置 Download PDFInfo
- Publication number
- CN109979591A CN109979591A CN201910184156.2A CN201910184156A CN109979591A CN 109979591 A CN109979591 A CN 109979591A CN 201910184156 A CN201910184156 A CN 201910184156A CN 109979591 A CN109979591 A CN 109979591A
- Authority
- CN
- China
- Prior art keywords
- network
- factor
- node
- stage
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 238000003062 neural network model Methods 0.000 claims abstract description 57
- 230000006870 function Effects 0.000 claims description 56
- 238000012545 processing Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 239000000203 mixture Substances 0.000 claims description 15
- 230000000644 propagated effect Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000001902 propagating effect Effects 0.000 claims description 3
- 208000019553 vascular disease Diseases 0.000 abstract description 10
- 230000009471 action Effects 0.000 abstract description 6
- 239000010410 layer Substances 0.000 description 82
- 238000010586 diagram Methods 0.000 description 10
- 208000031481 Pathologic Constriction Diseases 0.000 description 9
- 210000001367 artery Anatomy 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 9
- 230000036262 stenosis Effects 0.000 description 9
- 208000037804 stenosis Diseases 0.000 description 9
- 239000008280 blood Substances 0.000 description 7
- 210000004369 blood Anatomy 0.000 description 7
- 230000036772 blood pressure Effects 0.000 description 7
- 150000002632 lipids Chemical group 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 4
- 208000032843 Hemorrhage Diseases 0.000 description 4
- 239000008103 glucose Substances 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 239000000779 smoke Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000002490 cerebral effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 201000001320 Atherosclerosis Diseases 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000035487 diastolic blood pressure Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000302 ischemic effect Effects 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 230000008506 pathogenesis Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000035488 systolic blood pressure Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010007687 Carotid artery stenosis Diseases 0.000 description 1
- 206010008092 Cerebral artery thrombosis Diseases 0.000 description 1
- 108010014173 Factor X Proteins 0.000 description 1
- 206010053648 Vascular occlusion Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 208000006170 carotid stenosis Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 208000035474 group of disease Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002008 hemorrhagic effect Effects 0.000 description 1
- 230000003455 independent Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000035778 pathophysiological process Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000006441 vascular event Effects 0.000 description 1
- 208000021331 vascular occlusion disease Diseases 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- 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
- 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
- G06T2207/30016—Brain
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于图神经网络分析斑块进展因子的方法及装置，属于神经网络技术领域，方法包括步骤：S1：构建图网络，图网络中的各结点表示影响斑块进展的各因子，各结点之间的边表示各因子之间的关系；S2：基于斑块进展的第一阶段、第二阶段时各自的因子数据，获取用于表示图网络的属性的读出函数，其中，第二阶段发生在第一阶段之后；S3：基于读出函数，对由第一阶段时的因子数据所构建的图网络进行消息传播，构建具有N层图网络的图神经网络模型，N为正整数；S4：基于图神经网络模型对各因子进行分析。本发明实施例通过构建图神经网络模型，并利用图神经网络对影响斑块进展的各因子进行分析，从而对脑血管疾病的病因分析起到一定的辅助作用。
Description
技术领域
本发明涉及神经网络技术领域，特别涉及一种基于图神经网络分析斑块进展因子的方法及装置。
背景技术
脑卒中(stroke,又称中风)因其高发病率和高死亡率而备受重视，成为一个严重的公共健康问题。它是一种急性脑血管疾病，是由于脑部血管破裂或因血管阻塞而导致血液不能流入大脑而引起脑组织损伤的一组疾病，包括缺血性和出血性两种。缺血性脑卒中占到60％以上，主要是由于动脉血管的闭塞或狭窄引起的，而动脉粥样硬化正是造成闭塞和狭窄的罪魁祸首。斑块是动脉粥样硬化的表现，斑块进展是导致缺血性脑血管事件的重要病理生理过程，斑块进展的这一过程主要表现有内中膜厚度(intima-media thickness)增加、血管管腔变窄、以及斑块内成份的变化如脂质核增大、斑块内出血、纤维帽破裂等因子的特征变化。除影响斑块进展之外，这些因子之间也会相互影响，比如脂质核增大可能导致内中膜厚度增加；此外还有年龄、体质指数(BMI)、性别、是否吸烟、是否喝酒、血压数据、血糖数据、心率数据等也会间接影响斑块的进展。
动脉斑块的发病机理相当复杂，其确切病因和发病机制尚未完全清楚，如果能在这么多可能影响斑块进展的因子中，筛选出最主要因子或者哪些是主要因子、或者最无关因子，以及这些因子间的相互关系，将会对分析斑块进展的机理具有重要意义，从而能够对脑血管疾病进行病因分析、早期预防，以便早发现早治疗；对于疾病的早期预防不仅能降低病人的治疗费用，更能减轻病人痛苦、减少社会的医疗健康投入，是一项惠及国计民生的项目。
近年来，人工智能深度学习技术及神经网络结构模型都在快速发展，在众多的神经网络模型中，卷积神经网络(CNN)应用最为广泛，卷积神经网络通常用于处理欧式数据(Euclidean data)，比如图像、语言、文本等，而不能处理非欧式数据(Non-Euclideandata)，比如社交网络、蛋白质分子联系网等。在处理特定数据结构时，图神经网络(GraphNeural Networks,GNN)更具有表征性，图神经网络是指将神经网络模型及方法用在图结构上，图(Graph)一般由结点(node)和结点间的关系-边(edge)组成。
发明内容
有鉴于此，本发明实施例提供了一种基于图神经网络分析斑块进展因子的方法及装置，通过构建图神经网络模型，并利用图神经网络对影响斑块进展的所有因子进行分析，从而对脑血管疾病的病因分析起到一定的辅助作用。
本发明实施例提供的具体技术方案如下：
第一方面，提供了一种基于图神经网络分析斑块进展因子的方法，包括：
S1：构建图网络，所述图网络中的各结点表示影响斑块进展的各因子，所述各结点之间的边表示各所述因子之间的关系；
S2：基于所述斑块进展的第一阶段、第二阶段时各自的因子数据，获取用于表示所述图网络的属性的读出函数，其中，所述第二阶段发生在所述第一阶段之后；
S3：基于所述读出函数，对由所述第一阶段时的因子数据所构建的图网络进行消息传播，构建具有N层图网络的图神经网络模型，N为正整数；
S4：基于所述图神经网络模型对各所述因子进行分析。
结合第一方面，在第一种可能的实现方式中，所述步骤S2包括：
S21：对所述第一阶段、所述第二阶段时各自的医学影像和病历信息进行处理，获取所述各自的因子数据；
S22：对所述各自的因子数据进行归一化并进行编码，得到所述第一阶段、所述第二阶段时各自对应的所述图网络的结点的状态；
S23：设定所述第一阶段时对应的所述图网络的属性为第一值、所述第二阶段时对应的所述图网络的属性为第二值，并以所述图网络的部分结点作为特征进行训练得到所述读出函数。
结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述因子分为直接影响因子和间接影响因子，所述步骤S21包括：
对所述各自的医学影像分别进行检测分割，得到多个斑块成份，并基于所述多个斑块成份，计算得到多个直接影响因子；以及
从所述各自的病历信息中分别提取出多个间接影响因子。
结合第一方面至第一方面的第二种任意一种可能的实现方式，在第三种可能的实现方式中，所述步骤S3包括：
S31：在消息传播的初始状态时，基于所述第一阶段时对应的因子数据，计算得到当前层图网络的各结点的状态，并初始化所述当前层图网络的所有边；
S32：基于所述当前层图网络的各结点的状态，利用所述读出函数，计算所述当前层图网络的属性；
S33：基于所述当前层图网络的属性，利用可学习参数计算更新所述当前图层网络的每条边的属性；
S34：针对所述当前层图网络的各结点，合计计算指向所述结点的所有边；
S35：基于步骤S34合计得到的边、所述当前层图网络的各结点的状态、所述当前层图网络的属性，计算下一层图网络的各结点的状态；
S36：将所述下一层图网络作为所述当前层图网络，并迭代执行N-1次步骤S32至步骤S35，直至得到的第N层图网络的属性为一预设值，即完成所述图神经网络模型的构建过程。
结合第一方面，在第四种可能的实现方式中，所述步骤S4包括：
S41：基于所述图神经网络模型分析各所述因子间的相互影响；和/或
S42：基于所述图神经网络模型分析各所述因子对斑块进展的影响。
结合第一方面的第四种可能的实现方式，在第五种可能的实现方式中，所述步骤S41包括：
针对被选中的因子，确定所述被选中的因子在所述图神经网络模型中所对应的结点；
统计分析所述图神经网络模型的不同层图网络中的所有指向所述对应的结点的边的值，以确定影响所述被选中的因子的其它因子的重要程度。
结合第一方面或第一方面的第五种可能的实现方式，在第六种可能的实现方式中，所述步骤S42包括：
针对各所述因子分别执行如下步骤，以计算得到各所述因子各自影响所述斑块进展的影响度：
确定所述被选中的因子在所述图神经网络模型中所对应的结点；
在所述图神经网络模型的不同层图网络中，确定以所述对应的结点作为发射起点的多个发射边；
对所述多个发射边的值进行综合运算，得到所述因子影响所述斑块进展的影响度；
对计算得到的所有的影响度进行排序，得到各所述因子影响所述斑块进展的影响度排名。
第二方面，提供了一种基于图神经网络分析斑块进展因子的装置，包括：
图网络构建模块，用于构建图网络，所述图网络中的各结点表示影响斑块进展的各因子，所述各结点之间的边表示各所述因子之间的关系；
读出函数获取模块，用于基于所述斑块进展的第一阶段、第二阶段时各自的因子数据，获取用于表示所述图网络的属性的读出函数，其中，所述第二阶段发生在所述第一阶段之后；
图神经网络构建模块，用于基于所述读出函数，对由所述第一阶段时的因子数据所构建的图网络进行消息传播，构建具有N层图网络的图神经网络模型，N为正整数；
因子分析模块，用于基于所述图神经网络模型对各所述因子进行分析。
结合第二方面，在第一种可能的实现方式中，所述读出函数获取模块包括：
第一处理单元，用于对所述第一阶段、所述第二阶段时各自的医学影像和病历信息进行处理，获取所述各自的因子数据；
第二处理单元，用于对所述各自的因子数据进行归一化并进行编码，得到所述第一阶段、所述第二阶段时各自对应的所述图网络的结点的状态；
函数获取单元，用于设定所述第一阶段时对应的所述图网络的属性为第一值、所述第二阶段时对应的所述图网络的属性为第二值，并以所述图网络的部分结点作为特征进行训练得到所述读出函数。
结合第二方面，在第二种可能的实现方式中，所述因子分为直接影响因子和间接影响因子，所述第一处理单元具体用于：
对所述各自的医学影像分别进行检测分割，得到多个斑块成份，并基于所述多个斑块成份，计算得到多个直接影响因子；以及
从所述各自的病历信息中分别提取出多个间接影响因子。
结合第二方面至第二方面的第二种任意一种可能的实现方式，在第三种可能的实现方式中，所述图神经网络模型构建模块包括：
初始化单元，用于在消息传播的初始状态时，基于所述第一阶段时对应的因子数据，计算得到当前层图网络的各结点的状态，并初始化所述当前层图网络的所有边；
第一计算单元，用于基于所述当前层图网络的各结点的状态，利用所述读出函数，计算所述当前层图网络的属性；
第二计算单元，用于基于所述当前层图网络的属性，利用可学习参数计算更新所述当前图层网络的每条边的属性；
第三计算单元，用于针对所述当前层图网络的各结点，合计计算指向所述结点的所有边；
第四计算单元，用于基于所述第三计算单元合计得到的边、所述当前层图网络的各结点的状态、所述当前层图网络的属性，计算下一层图网络的各结点的状态；
迭代执行单元，用于将所述下一层图网络作为所述当前层图网络，并迭代执行N-1次所述第二计算单元、所述第三计算单元和所述第四计算单元的计算，直至得到的第N层图网络的属性为一预设值，即完成所述图神经网络模型的构建过程。
结合第二方面，在第四种可能的实现方式中，所述因子分析模块具体用于：
基于所述图神经网络模型，分析各所述因子之间的相互影响和/或各所述因子对斑块进展的影响。
结合第二方面或第二方面的第四种可能的实现方式，在第五种可能的实现方式中，所述图神经网络模型构建模块具体还用于：
基于所述图神经网络模型，分析各所述因子对斑块进展的影响。
第三方面，提供了一种基于图神经网络分析斑块进展因子的装置，所述装置包括：
一个或者多个处理器；
存储器；
所述存储在所述存储器中的程序，当被所述一个或者多个处理器执行时，所述程序使所述处理器执行如上述第一方面任意一种所述的方法。
第四方面，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程序，当所述程序被处理器执行时，使得所述处理器执行如上述第一方面任意一种所述的方法。
本发明实施例提供了一种基于图神经网络分析斑块进展因子的方法及装置，通过构建图网络，可以对影响斑块进展的因子，以图的形式直观地表现了出来；通过基于斑块进展的第一阶段、第二阶段时各自的因子数据，获取用于表示图网络的属性的读出函数，从而可以便于通过读出函数，可以预测当前斑块状态时的严重程度；通过基于读出函数，对由第一阶段时的因子数据所构建的图网络进行消息传播，构建具有N层图网络的图神经网络模型，实现了以消息传播的机制模拟了斑块进展的过程，便于对脑血管疾病进行及早预防；此外，通过消息传播机制构建图神经网络，可以便于基于图神经网络模型对各因子进行分析，从而对脑血管疾病的病因分析起到一定的辅助作用。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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示出了一种基于图神经网络分析斑块进展因子的方法的流程图；
图2示出了一个图网络的示意图；
图3示出了图1中的步骤S2的流程图；
图4示出了图1中的步骤S3的流程图；
图5示出了一个三层图网络的状态变换示意图；
图6示出了一种基于图神经网络分析斑块进展因子的装置的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
实施例一
图1示出了一种基于图神经网络分析斑块进展因子的方法的流程图，该方法可以由基于图神经网络分析斑块进展因子的装置来执行，该装置可以采用软件/硬件的方式实现。如图1所示，该方法可以包括步骤：
S1：构建图网络，图网络中的各结点表示影响斑块进展的各因子，各结点之间的边表示各因子之间的关系。
其中，图网络可以表示为G＝(u,V,E)，其中V表示结点的集合，单个结点以vi表示，E表示边，即结点间的关系，单条边以ek表示，u为图的属性。
具体的，确定可能影响斑块进展的所有因子，根据各因子之间的相互影响关系，构建具有结点和边的图网络结构，其中，图网络的各结点表示各因子，各结点之间的边表示因子间可能存在的关系，构建的图网络为有向图。
示例性的，基于步骤S1构建的图网络请参见图2所示，图中的各结点以序号进行标识，各结点分别表示的因子为：1-内中膜厚度、2-管腔狭窄度、3-脂质核体积、4-斑块内出血与否、5-纤维帽厚度、6-年龄、7-体质指数、8-性别、9-是否吸烟、10-是否喝酒、11-血压数据、12-血糖数据、13-心率数据；另外，除结点6、7、8、9、10以外，其它结点还存在自环，边的起始结点和终止结点都是本结点，即结点对自己也有关联；此外，为了图的清晰程度，部分边没有画出，但是在本实施例中后续计算中这些边都是存在的，比如结点9是否吸烟除与1、13相关外，还与2、3、4、5、11、12都相关。可以理解的是，在实际应用中，可对图2所示的图网络的结点或边进行增减，以扩展适应不同的应用场景。
S2：基于斑块进展的第一阶段、第二阶段时各自的因子数据，获取用于表示图网络的属性的读出函数，其中，第二阶段发生在第一阶段之后。
本实施例中，斑块依据颈动脉狭窄程度可以被划分为多个进展阶段，包括斑块进展初期(动脉轻微狭窄时)、斑块进展中期(动脉中度狭窄时)和斑块进展后期(动脉严重狭窄时)。为更有效地对影响斑块进展的各因子进行分析，于本实施例中，以斑块进展初期作为第一阶段，以斑块进展后期作为第二阶段。
为进行数据分析，需要先采集一定量的病人信息，其中一部分病人信息为斑块较小时的第一阶段，即动脉轻微狭窄时的MR影像和病历信息；另一部分病人信息为斑块较大时的第二阶段，即动脉严重狭窄可能需要进行手术时的MR影像和病历信息。
具体的，参照图3所示，步骤S2的实现过程可以包括步骤：
S21：对第一阶段、第二阶段时各自的医学影像和病历信息进行处理，获取各自的因子数据。
本实施例中，因子可以分为直接影响因子和间接影响因子。
内中膜厚度、管腔狭窄度、脂质核体积、斑块内出血与否、纤维帽厚度会直接影响斑块的进展，称为直接影响因子；年龄、体质指数、性别、是否吸烟、是否喝酒、血压数据、血糖数据、心率数据会间接影响斑块的进展，称为间接影响因子。
在步骤S21中，可以对第一阶段、第二阶段时各自的医学影像分别进行检测分割，得到多个斑块成份，并基于多个斑块成份，计算得到多个直接影响因子；以及从各自的病历信息中分别提取出多个间接影响因子。
具体的，对各自的医学影像(如MR影像)分别进行图像处理技术，包括采用卷积神经网络(如Mask-RCNN网络或U-net网络)、活动轮廓等方法，检测分割得到内中膜、脂质核、纤维帽等斑块成份；并利用内中膜、脂质核、纤维帽等斑块成份，计算得到内中膜厚度、管腔狭窄程度、脂质核体积、纤维帽厚度等直接影响因子的值；以及
基于各自的病历信息得到年龄、体质指数、性别、是否吸烟、是否喝酒、血压数据、血糖数据、心率数据等间接影响因子的值。
S22：对各自的因子数据进行归一化并进行编码，得到第一阶段、第二阶段时各自对应的图网络的结点的状态。
本实施例中，由于在构建的图网络中的每个结点所表示的因子数据，其数值类型都不尽相同，为便于计算，需要将这些数据作统一处理。比如是否吸烟、是否喝酒、斑块内出血与否都为二值数据，以1表示是，以0表示否；年龄为离散数据，其它则都为连续性数据，但这些连续性数据，不同的因子其取值范围不同，比如年龄一般为1到110，心率数据为30到180等，无法直接使用这些数据，需要进行归一化处理。
在步骤S22中，归一化处理可以采用线性归一化的方法，具体过程如下：
对每一个因子X，统计并记录数据库中该因子的最大值Xmax以及最小值Xmin，然后该因子中的每个值都调整为这样所有值的取值范围都被归一化至区间[0，1]。比如年龄中，最大值为68，最小值为36，若某值为50，则被调整为归一化处理也可以采用其他方式，本发明实施例对此不作具体限定。
在步骤S22中，对归一化后得到的归一化数据进行编码，具体过程如下：
若归一化数据为标量数据，则直接将归一化数据编码为结点的状态值；
若归一化数据为向量数据，则将向量数据编码为结点的状态值。
具体来说，图网络中的结点可以用标量、向量、或者是图来表示。本实施例中绝大部分的因子的值都是标量，可直接将因子的值编码为结点的值，而极个别的因子值为向量，比如血压，包括舒张压和收缩压，值可能为(80，120)，在对血压进行归一化时，其舒张压和收缩压需要分别进行归一化，归一化后值可能为(0.72，0.65)，然后将此长度为2的一维向量编码为结点的值。此处需要注意的是，在后续步骤S3中对图网络进行消息传播时，编码为结点的值的向量数据需要再转为标量数据，比如取两值的比，之后再进行消息传播。
此外，需要说明的是，图网络中的边一般表示权重，即以标量的形式进行表示，边ek表示结点vi至vj间的关系，如果是双向边，则有两个值分别进行表征，比如以em表示vj至vi间的关系。
S23：设定第一阶段时对应的图网络的属性为第一值、第二阶段时对应的图网络的属性为第二值，并以图网络的部分结点作为特征进行训练得到读出函数。
其中，图网络表示为G＝(u,V,E)，u为图的属性，可由读出函数(readoutfunction)来表示/计算。
于本实施例中，u表征为斑块/血管的疾病严重程度，为了便于表示，第一阶段，即动脉轻微狭窄时，令u＝0；第二阶段，即动脉严重狭窄时，令u＝1。读出函数可由结点、或边、或结点与边相结合的形式表示，本实施例中选取图网络的部分结点来表示读出函数，所选的结点为因变量，包括内中膜厚度、管腔狭窄度、脂质核体积、斑块内出血与否、纤维帽厚度、血压、血糖和心率数据等，而不考虑年龄、性别、吸烟喝酒等自变量。这样，图网络的属性，即读出函数，转换成二分类问题，可由因变量以一定的函数形式表示。此处，可由经典的支持向量机(SVM)进行训练表示，多个因变量即为多维特征；也可以使用逻辑回归或其它机器学习方法训练得到读出函数，本实施例对此不作具体限定。
本发明实施例中，通过获取用于表示图网络的属性的读出函数，在得知图网络中的所有结点的值的情形下，能够利用读出函数，计算出图网络的属性，从而可以预测出当前斑块进展的严重程度。
S3：基于读出函数，对由第一阶段时的因子数据所构建的图网络进行消息传播，构建具有N层图网络的图神经网络模型，N为正整数。
由于斑块造成动脉轻微狭窄时，如果不进行治疗，将会发生一定的变化，即为斑块进展，这一变化过程如果利用计算机以图的形式表示的话，可以利用图的消息传播(message passing)机制。基于图的消息传播仿真出其进展过程，以此构建得到图神经网络，将会有极大临床意义，因此本发明实施例只对轻微狭窄时(即第一阶段)的数据所构建的图进行消息传播。
本实施例中，参照图4所示，步骤S3的实现过程可以包括步骤：
S31：在消息传播的初始状态时，基于第一阶段时对应的因子数据，计算得到当前层图网络的各结点的状态，并初始化当前层图网络的所有边。
具体的，在消息传播的初始状态时，基于第一阶段时对应的因子数据，可以计算得到当前层图网络的各结点的状态值；
初始化当前层图网络的所有边的值都为0。
S32：基于当前层图网络的各结点的状态，利用读出函数，计算当前层图网络的属性。
具体的，利用步骤S2得到的读出函数可以计算当前层图网络的属性u，即
S33：基于当前层图网络的属性，利用可学习参数计算更新当前图层网络的每条边的属性。
具体的，通过计算公式依次更新计算当前图层网络的每条边的属性，其中ek和e′k分别表示更新前后的边的属性，其中在第一次更新时，边都初始化为0，vrk和vsk分别表示有向边的终结点和起始结点，u为当前层图网络的属性，为可计算学习参数。
S34：针对当前层图网络的各结点，合计计算指向结点的所有边。
具体的，针对当前层图网络的每个结点，合计(aggregate)指向该结点的所有边，即其中为所有指向该结点的边的集合，包括多个边；其中，每个边包括该边的属性或值(e′k)、边的起点(sk，即sender node)、边的终点(rk，即receiver node)，函数ρ需要满足对输入顺序的不变性，比如可选择为累加、求平均、求最大等运算操作，ρ的输入为多个变量，输出为单个变量。于本实施例中采用累加计算，即，将指向该结点的所有边进行求和运算。需要说明的是，在该步骤为当前层图网络中的每个结点都依次进行合计计算。
S35：基于步骤S34合计得到的边、当前层图网络的各结点的状态、当前层图网络的属性，计算下一层图网络的各结点的状态。
具体的，根据步骤S34合计的边、当前层图网络的结点的状态、当前层图网络的属性，基于计算公式依次更新当前层图网络中每个结点的状态，其中为可计算学习参数。
S36：将下一层图网络作为当前层图网络，并迭代执行N-1次步骤S32至步骤S35，直至得到的第N层图网络的属性为一预设值，即完成图神经网络模型的构建过程。
其中，迭代过程简单而言就是用第t层图网络的状态去更新第t+1层图网络的状态，最终得到全图收敛的状态。一次迭代即完成了一次层间传播，通过N-1次迭代可以构建得到具有N个层次的图网络结构的图神经网络模型，并从中得到不同层次的图网络的所有边的值。于本实施例中将图神经网络设置为了四层，则需迭代3次。
示例性的，如图5所示，图5为一个三层图网络的状态变换示意图，在图5中，以结点的大小象征其值的变化，边的粗细象征边的值的变化。
值得注意的是，在对不同的输入数据进行消息传递过程中，图网络中相同位置的边的权重值是共享的(即相同的)，只是相同位置的结点的值不同，最后都演化至血管/斑块严重状态，即最终的图网络的全局属性相同。
在消息传播完成之后，需要再通过步骤S2得到的读出函数将最后一层图网络的最终状态读出，为模拟斑块进展至严重狭窄，此时的读出的金标准的值需要都至为1，即得到具有N层图网络的图神经网络模型。
在构建图神经网络时，消息传播中所使用的可计算学习参数可以利用后向传播(Back Propagation，BP)、通过梯度下降的方法进行学习更新，损失函数可以设置为最终一层的读出函数的值与金标准的值(都为1)的差，即loss＝∑(RO(Gend)-1)，∑表示对当前输入的所有训练数据的大小求累加，即batch size的大小，当损失函数值降至期望值以内、或者达到其它终止条件时，即训练完成。
本发明实施例中，通过对第一阶段时的因子数据所构建的图网络进行消息传播，以消息传播的机制模拟了斑块进展的过程，能够便于对脑血管疾病进行及早预防；此外，通过消息传播机制构建图神经网络，并在消息传播的过程中得到了不同层图网络的所有边的值，可以便于后续对各斑块进展因子进行分析，进而对脑血管疾病的病因分析起到一定的辅助作用。
S4：基于图神经网络模型对各因子进行分析。
具体的，该过程可以包括：
S41：基于所述图神经网络模型分析各所述因子间的相互影响；和/或
S42：基于所述图神经网络模型分析各所述因子对斑块进展的影响。
本实施例中，为了分析各因子间的相互影响，可以先选择其中的一个因子，确定该因子在图神经网络中所对应的结点，然后统计分析图神经网络的不同层图网络中的所有指向该结点的边的值，即可得到影响该因子的其它因子的重要程度。对于具有N层网络结构的图神经网络模型，同一条边在上下层中含有N-1个权重值。计算一个因子产生的影响，即计算一条边的综合影响，需要将这N-1个权重值进行综合运算得到累计值，其中，可以采用累加、或求平方和等计算方式进行综合运算。然后依次计算所有影响该结点的所有边的累计值。最后对这些累计值进行排序，即可得到影响该因子的其它因子的重要程度顺序。以此类推，可以依次分析出每个因子受别的因子影响的重要程度顺序。
示例性的，若选择内中膜厚度作为待分析斑块进展因子，分析其它因子对内中膜厚度的影响，从图2所示的图网络中可知，内中膜厚度对应结点1，可能会影响它的其他因子所对应的结点有2、3、6、7、8、9、10、11、12、13，对于采用四层网络结构(即N＝4)的图神经网络模型，同一条边在上下层中含有三个权重值，针对管腔狭窄度这一因子对内中膜厚度产生的影响，即计算结点2与结点1之间的一条边的综合影响，需要将这该条边的三个权重值进行综合运算得到累计值g，然后依次计算其他影响该结点1的所有边的累计值g。最后对这些累计值进行排序，即可得到影响内中膜厚度的其它因子的重要程度顺序。
本实施例中，也可以分析每个因子对斑块进展的影响。每个因子，即每个结点，在各层次的图网络中都是多个边的发射起点，可以对每个结点的发射边的权重进行综合运算，包括求和、或者求平均、指数和等运算，得到该结点的影响力q，该结点的影响力q作为该结点所对应的因子影响斑块进展的影响度，然后依次计算得到所有的结点影响力q，对它们按大至小进行排序，即可得到它们对网络内消息传播时产生的影响力顺序，即各因子对斑块进展的因子影响程度。
本发明实施例中，通过基于图神经网络模型，分析各因子之间的相互影响，以及分析各因子对斑块进展的整体影响，能够在可能影响斑块进展的所有因子中，筛选出最主要因子或者哪些是主要因子、或者最无关因子，以及这些因子间的相互关系，能够对分析斑块进展的机理具有重要意义，从而能够对脑血管疾病的病因分析起到一定的辅助作用、有益于早期预防。
本发明实施例提供的一种基于图神经网络分析斑块进展因子的方法，通过构建图网络，可以对影响斑块进展的因子，以图的形式直观地表现了出来；通过基于斑块进展的第一阶段、第二阶段时各自的因子数据，获取用于表示图网络的属性的读出函数，从而可以便于通过读出函数，可以预测当前斑块状态时的严重程度；通过基于读出函数，对由第一阶段时的因子数据所构建的图网络进行消息传播，构建具有N层图网络的图神经网络模型，实现了以消息传播的机制模拟了斑块进展的过程，便于对脑血管疾病进行及早预防；此外，通过消息传播机制构建图神经网络，可以便于基于图神经网络模型对各因子进行分析，从而能够对脑血管疾病的病因分析起到一定的辅助作用。
实施例二
作为对实施例一中的基于图神经网络分析斑块进展因子的方法的实现，本发明实施例还提供一种基于图神经网络分析斑块进展因子的装置，参照图6所示，该装置包括：
图网络构建模块61，用于构建图网络，图网络中的各结点表示影响斑块进展的各因子，各结点之间的边表示各因子之间的关系；
读出函数获取模块62，用于基于斑块进展的第一阶段、第二阶段时各自的因子数据，获取用于表示图网络的属性的读出函数，其中，第二阶段发生在第一阶段之后；
图神经网络构建模块63，用于基于读出函数，对由第一阶段时的因子数据所构建的图网络进行消息传播，构建具有N层图网络的图神经网络模型，N为正整数；
因子分析模块64，用于基于图神经网络模型对各因子进行分析。
进一步地，读出函数获取模块62包括：
第一处理单元，用于对第一阶段、第二阶段时各自的医学影像和病历信息进行处理，获取各自的因子数据；
第二处理单元，用于对各自的因子数据进行归一化并进行编码，得到第一阶段、第二阶段时各自对应的图网络的结点的状态；
函数获取单元，用于设定第一阶段时对应的图网络的属性为第一值、第二阶段时对应的图网络的属性为第二值，并以图网络的部分结点作为特征进行训练得到读出函数。
进一步地，因子分为直接影响因子和间接影响因子，第一处理单元具体用于：
对各自的医学影像分别进行检测分割，得到多个斑块成份，并基于多个斑块成份，计算得到多个直接影响因子；以及
从各自的病历信息中分别提取出多个间接影响因子。
进一步地，图神经网络模型构建模块63包括：
初始化单元，用于在消息传播的初始状态时，基于第一阶段时对应的因子数据，计算得到当前层图网络的各结点的状态，并初始化当前层图网络的所有边；
第一计算单元，用于基于当前层图网络的各结点的状态，利用读出函数，计算当前层图网络的属性；
第二计算单元，用于基于当前层图网络的属性，利用可学习参数计算更新当前图层网络的每条边的属性；
第三计算单元，用于针对当前层图网络的各结点，合计计算指向结点的所有边；
第四计算单元，用于基于第三计算单元合计得到的边、当前层图网络的各结点的状态、当前层图网络的属性，计算下一层图网络的各结点的状态；
迭代执行单元，用于将下一层图网络作为当前层图网络，并迭代执行N-1次第二计算单元、第三计算单元和第四计算单元的计算，直至得到的第N层图网络的属性为一预设值，即完成图神经网络模型的构建过程。
进一步地，因子分析模块64具体用于：
基于图神经网络模型，分析各因子之间的相互影响和/或各因子对斑块进展的影响。
进一步地，图神经网络模型构建模块具体还用于：
基于图神经网络模型，分析各因子对斑块进展的影响。
本实施例提供的基于图神经网络分析斑块进展因子的装置，与本发明实施例所提供的基于图神经网络分析斑块进展因子的方法属于同一发明构思，可执行本发明任意实施例所提供的基于图神经网络分析斑块进展因子的方法，具备执行基于图神经网络分析斑块进展因子的方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例提供的基于图神经网络分析斑块进展因子的方法，此处不再加以赘述。
此外，本发明另一实施例还提供了一种基于图神经网络分析斑块进展因子的装置，装置包括：
一个或者多个处理器；
存储器；
所述存储在所述存储器中的程序，当被所述一个或者多个处理器执行时，所述程序使所述处理器执行如实施例一所述的方法。
此外，本发明另一实施例还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程序，当所述程序被处理器执行时，使得所述处理器执行如上述实施例一所述的方法。
本领域内的技术人员应明白，本发明实施例中的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例中是参照根据本发明实施例中实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例中范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (15)
1.一种基于图神经网络分析斑块进展因子的方法，其特征在于，包括步骤：
S1：构建图网络，所述图网络中的各结点表示影响斑块进展的各因子，所述各结点之间的边表示各所述因子之间的关系；
S2：基于所述斑块进展的第一阶段、第二阶段时各自的因子数据，获取用于表示所述图网络的属性的读出函数，其中，所述第二阶段发生在所述第一阶段之后；
S3：基于所述读出函数，对由所述第一阶段时的因子数据所构建的图网络进行消息传播，构建具有N层图网络的图神经网络模型，N为正整数；
S4：基于所述图神经网络模型对各所述因子进行分析。
2.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：
S21：对所述第一阶段、所述第二阶段时各自的医学影像和病历信息进行处理，获取所述各自的因子数据；
S22：对所述各自的因子数据进行归一化并进行编码，得到所述第一阶段、所述第二阶段时各自对应的所述图网络的结点的状态；
S23：设定所述第一阶段时对应的所述图网络的属性为第一值、所述第二阶段时对应的所述图网络的属性为第二值，并以所述图网络的部分结点作为特征进行训练得到所述读出函数。
3.根据权利要求2所述的方法，其特征在于，所述因子分为直接影响因子和间接影响因子，所述步骤S21包括：
对所述各自的医学影像分别进行检测分割，得到多个斑块成份，并基于所述多个斑块成份，计算得到多个直接影响因子；以及
从所述各自的病历信息中分别提取出多个间接影响因子。
4.根据权利要求1至3任意一项所述的方法，其特征在于，所述步骤S3包括：
S31：在消息传播的初始状态时，基于所述第一阶段时对应的因子数据，计算得到当前层图网络的各结点的状态，并初始化所述当前层图网络的所有边；
S32：基于所述当前层图网络的各结点的状态，利用所述读出函数，计算所述当前层图网络的属性；
S33：基于所述当前层图网络的属性，利用可学习参数计算更新所述当前图层网络的每条边的属性；
S34：针对所述当前层图网络的各结点，合计计算指向所述结点的所有边；
S35：基于步骤S34合计得到的边、所述当前层图网络的各结点的状态、所述当前层图网络的属性，计算下一层图网络的各结点的状态；
S36：将所述下一层图网络作为所述当前层图网络，并迭代执行N-1次步骤S32至步骤S35，直至得到的第N层图网络的属性为一预设值，即完成所述图神经网络模型的构建过程。
5.根据权利要求1所述的方法，其特征在于，所述步骤S4包括：
S41：基于所述图神经网络模型分析各所述因子间的相互影响；和/或
S42：基于所述图神经网络模型分析各所述因子对斑块进展的影响。
6.根据权利要求5所述的方法，其特征在于，所述步骤S41包括：
针对被选中的因子，确定所述被选中的因子在所述图神经网络模型中所对应的结点；
统计分析所述图神经网络模型的不同层图网络中的所有指向所述对应的结点的边的值，以确定影响所述被选中的因子的其它因子的重要程度。
7.根据权利要求5或6所述的方法，其特征在于，所述步骤S42包括：
针对各所述因子分别执行如下步骤，以计算得到各所述因子各自影响所述斑块进展的影响度：
确定所述因子在所述图神经网络模型中所对应的结点；
在所述图神经网络模型的不同层图网络中，确定以所述对应的结点作为发射起点的多个发射边；
对所述多个发射边的值进行综合运算，得到所述因子影响所述斑块进展的影响度；
对计算得到的所有的影响度进行排序，得到各所述因子影响所述斑块进展的影响度排名。
8.一种基于图神经网络分析斑块进展因子的装置，其特征在于，包括：
图网络构建模块，用于构建图网络，所述图网络中的各结点表示影响斑块进展的各因子，所述各结点之间的边表示各所述因子之间的关系；
读出函数获取模块，用于基于所述斑块进展的第一阶段、第二阶段时各自的因子数据，获取用于表示所述图网络的属性的读出函数，其中，所述第二阶段发生在所述第一阶段之后；
图神经网络构建模块，用于基于所述读出函数，对由所述第一阶段时的因子数据所构建的图网络进行消息传播，构建具有N层图网络的图神经网络模型，N为正整数；
因子分析模块，用于基于所述图神经网络模型对各所述因子进行分析。
9.根据权利要求8所述的装置，其特征在于，所述读出函数获取模块包括：
第一处理单元，用于对所述第一阶段、所述第二阶段时各自的医学影像和病历信息进行处理，获取所述各自的因子数据；
第二处理单元，用于对所述各自的因子数据进行归一化并进行编码，得到所述第一阶段、所述第二阶段时各自对应的所述图网络的结点的状态；
函数获取单元，用于设定所述第一阶段时对应的所述图网络的属性为第一值、所述第二阶段时对应的所述图网络的属性为第二值，并以所述图网络的部分结点作为特征进行训练得到所述读出函数。
10.根据权利要求8所述的装置，其特征在于，所述因子分为直接影响因子和间接影响因子，所述第一处理单元具体用于：
对所述各自的医学影像分别进行检测分割，得到多个斑块成份，并基于所述多个斑块成份，计算得到多个直接影响因子；以及
从所述各自的病历信息中分别提取出多个间接影响因子。
11.根据权利要求8至10任意一项所述的装置，其特征在于，所述图神经网络模型构建模块包括：
初始化单元，用于在消息传播的初始状态时，基于所述第一阶段时对应的因子数据，计算得到当前层图网络的各结点的状态，并初始化所述当前层图网络的所有边；
第一计算单元，用于基于所述当前层图网络的各结点的状态，利用所述读出函数，计算所述当前层图网络的属性；
第二计算单元，用于基于所述当前层图网络的属性，利用可学习参数计算更新所述当前图层网络的每条边的属性；
第三计算单元，用于针对所述当前层图网络的各结点，合计计算指向所述结点的所有边；
第四计算单元，用于基于所述第三计算单元合计得到的边、所述当前层图网络的各结点的状态、所述当前层图网络的属性，计算下一层图网络的各结点的状态；
迭代执行单元，用于将所述下一层图网络作为所述当前层图网络，并迭代执行N-1次所述第二计算单元、所述第三计算单元和所述第四计算单元的计算，直至得到的第N层图网络的属性为一预设值，即完成所述图神经网络模型的构建过程。
12.根据权利要求8所述的装置，其特征在于，所述图神经网络模型构建模块具体用于：
基于所述图神经网络模型，分析各所述因子之间的相互影响和/或各所述因子对斑块进展的影响。
13.根据权利要求8或12所述的装置，其特征在于，所述图神经网络模型构建模块具体还用于：
基于所述图神经网络模型，分析各所述因子对斑块进展的影响。
14.一种基于图神经网络分析斑块进展因子的装置，其特征在于，包括：
一个或者多个处理器；
存储器；
所述存储在所述存储器中的程序，当被所述一个或者多个处理器执行时，所述程序使所述处理器执行如权利要求1至7任意一项所述的方法。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序，当所述程序被处理器执行时，使得所述处理器执行如权利要求1至7任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910184156.2A CN109979591B (zh) | 2019-03-12 | 2019-03-12 | 一种基于图神经网络分析斑块进展因子的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910184156.2A CN109979591B (zh) | 2019-03-12 | 2019-03-12 | 一种基于图神经网络分析斑块进展因子的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109979591A true CN109979591A (zh) | 2019-07-05 |
| CN109979591B CN109979591B (zh) | 2021-01-01 |
Family
ID=67078478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910184156.2A Active CN109979591B (zh) | 2019-03-12 | 2019-03-12 | 一种基于图神经网络分析斑块进展因子的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109979591B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110705709A (zh) * | 2019-10-14 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 训练图神经网络模型的方法和装置 |
| CN111681204A (zh) * | 2020-04-30 | 2020-09-18 | 北京深睿博联科技有限责任公司 | 基于图神经网络的ct肋骨骨折病灶关系建模方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100086532A1 (en) * | 2006-07-05 | 2010-04-08 | The Scripps Research Institute | Chimeric zinc finger recombinases optimized for catalysis by directed evolution |
| RU2009100519A (ru) * | 2009-06-01 | 2010-12-10 | Федеральное государственное учреждение здравоохранения "Иркутский ордена Трудового Красного Знамени научно-исследовательский против | Способ обнаружения антигенов чумного микроба |
| CN104794321A (zh) * | 2014-01-21 | 2015-07-22 | 中国科学院上海生命科学研究院 | 用于对前疾病状态进行检测的检测装置及检测方法 |
| CN105518684A (zh) * | 2013-08-27 | 2016-04-20 | 哈特弗罗公司 | 用于预测冠状动脉病变的位置、开始、和/或变化的系统和方法 |
| CN106447645A (zh) * | 2016-04-05 | 2017-02-22 | 天津大学 | 增强ct图像中冠脉钙化检测及量化装置和方法 |
| CN109091167A (zh) * | 2018-06-29 | 2018-12-28 | 东南大学 | 冠状动脉粥样硬化斑块增长的预测方法 |
-
2019
- 2019-03-12 CN CN201910184156.2A patent/CN109979591B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100086532A1 (en) * | 2006-07-05 | 2010-04-08 | The Scripps Research Institute | Chimeric zinc finger recombinases optimized for catalysis by directed evolution |
| RU2009100519A (ru) * | 2009-06-01 | 2010-12-10 | Федеральное государственное учреждение здравоохранения "Иркутский ордена Трудового Красного Знамени научно-исследовательский против | Способ обнаружения антигенов чумного микроба |
| CN105518684A (zh) * | 2013-08-27 | 2016-04-20 | 哈特弗罗公司 | 用于预测冠状动脉病变的位置、开始、和/或变化的系统和方法 |
| CN104794321A (zh) * | 2014-01-21 | 2015-07-22 | 中国科学院上海生命科学研究院 | 用于对前疾病状态进行检测的检测装置及检测方法 |
| CN106447645A (zh) * | 2016-04-05 | 2017-02-22 | 天津大学 | 增强ct图像中冠脉钙化检测及量化装置和方法 |
| CN109091167A (zh) * | 2018-06-29 | 2018-12-28 | 东南大学 | 冠状动脉粥样硬化斑块增长的预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| BENEDIKT BUNZ: "Graph neural networks and boolean satisfiability", 《COMPUTERING REVIEWS》 * |
| 孙夏: "基于卷积神经网络的颈动脉斑块超声图像特征识别", 《中国医疗器械信息》 * |
| 李小英: "基于相似性网络的疾病miRNAs预测方法研究及应用", 《中国博士学位论文全文数据库 基础科学辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110705709A (zh) * | 2019-10-14 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 训练图神经网络模型的方法和装置 |
| CN110705709B (zh) * | 2019-10-14 | 2021-03-23 | 支付宝(杭州)信息技术有限公司 | 训练图神经网络模型的方法和装置 |
| CN111681204A (zh) * | 2020-04-30 | 2020-09-18 | 北京深睿博联科技有限责任公司 | 基于图神经网络的ct肋骨骨折病灶关系建模方法及装置 |
| CN111681204B (zh) * | 2020-04-30 | 2023-09-26 | 北京深睿博联科技有限责任公司 | 基于图神经网络的ct肋骨骨折病灶关系建模方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109979591B (zh) | 2021-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tripathy et al. | A framework for intelligent medical diagnosis using rough set with formal concept analysis | |
| CN109785928A (zh) | 诊疗方案推荐方法、装置及存储介质 | |
| CN107582037A (zh) | 基于脉搏波设计医疗产品的方法 | |
| CN109800789A (zh) | 基于图网络的糖尿病视网膜病变分类方法及装置 | |
| CN109979591A (zh) | 一种基于图神经网络分析斑块进展因子的方法及装置 | |
| CN111785366B (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
| Jamshidi et al. | Symptom prediction and mortality risk calculation for COVID-19 using machine learning | |
| EP3796226A1 (en) | Data conversion/symptom scoring | |
| CN109829892A (zh) | 一种预测模型的训练方法、使用该模型的预测方法及装置 | |
| KR102304339B1 (ko) | 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치 | |
| CN107292385A (zh) | 一种类Alexnet网络的模型训练方法和装置 | |
| Kwakye et al. | Machine learning-based classification algorithms for the prediction of coronary heart diseases | |
| CN116992980A (zh) | 一种基于超网络和联邦学习的预后预测预警模型训练方法、系统及设备 | |
| CN113345581B (zh) | 一种基于集成学习的脑卒中溶栓后出血概率预测方法 | |
| Duan et al. | MADNN: A multi-scale attention deep neural network for arrhythmia classification | |
| Murshid et al. | Data mining techniques to predict chronic kidney disease | |
| Mushtaq et al. | A review on predicting brain stroke using machine learning | |
| CN112052795B (zh) | 一种基于多尺度时空特征聚合的视频行为识别方法 | |
| CN116898451A (zh) | 用具有多尺度注意力机制的神经网络实现房颤预测的方法 | |
| Ben-Assayag et al. | Train on small, play the large: Scaling up board games with alphazero and gnn | |
| CN110012238A (zh) | 多媒体拼接方法、装置、终端及存储介质 | |
| CN109117946A (zh) | 神经网络计算处理模型 | |
| Omankwu et al. | Hybrid deep learning model for heart disease prediction using recurrent neural network (RNN) | |
| Zakur et al. | Apriori Algorithm and Hybrid Apriori Algorithm in the Data Mining: A Comprehensive Review | |
| Lee et al. | Self-supervised contrastive learning for predicting game strategies |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240306 Address after: Room 1179, W Zone, 11th Floor, Building 1, No. 158 Shuanglian Road, Qingpu District, Shanghai, 201702 Patentee after: Shanghai Zhongan Information Technology Service Co.,Ltd. Country or region after: China Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee before: ZHONGAN INFORMATION TECHNOLOGY SERVICE Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240415 Address after: Room 1179, W Zone, 11th Floor, Building 1, No. 158 Shuanglian Road, Qingpu District, Shanghai, 201702 Patentee after: Shanghai Zhongan Information Technology Service Co.,Ltd. Country or region after: China Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee before: ZHONGAN INFORMATION TECHNOLOGY SERVICE Co.,Ltd. Country or region before: China |