CN110349652B - 一种融合结构化影像数据的医疗数据分析系统 - Google Patents

一种融合结构化影像数据的医疗数据分析系统 Download PDF

Info

Publication number
CN110349652B
CN110349652B CN201910629798.9A CN201910629798A CN110349652B CN 110349652 B CN110349652 B CN 110349652B CN 201910629798 A CN201910629798 A CN 201910629798A CN 110349652 B CN110349652 B CN 110349652B
Authority
CN
China
Prior art keywords
data
image
structured
module
medical
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
Application number
CN201910629798.9A
Other languages
English (en)
Other versions
CN110349652A (zh
Inventor
李劲松
吴君雅
胡佩君
周天舒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN201910629798.9A priority Critical patent/CN110349652B/zh
Publication of CN110349652A publication Critical patent/CN110349652A/zh
Priority to PCT/CN2020/083584 priority patent/WO2020233254A1/zh
Application granted granted Critical
Publication of CN110349652B publication Critical patent/CN110349652B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • 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

Abstract

本发明公开了一种融合结构化影像数据的医疗数据分析系统，该系统包括影像信息结构化模块、融合与预处理模块、机器学习算法模块，本发明基于Spark和Hadoop实现的分布式数据分析平台，针对医学影像数据难以和医疗电子病历中结构化数据融合分析的难点，利用影像信息结构化模块通过计算机视觉技术对医学影像数据分析并进行关键信息的结构化转化，融合电子病历系统中同一病人的其他诊断信息、人口统计学信息等结构化数据，通过数据预处理模块进行缺失值处理和分类型数据转化，结合机器学习算法模块进行数据分析和结果可视化，形成高效率的医疗数据分析系统，提高多种类多维度医疗数据的利用率，可满足研究人员不同的课题研究需求。

Description

一种融合结构化影像数据的医疗数据分析系统
技术领域
本发明属于医疗数据分析领域，尤其涉及一种融合结构化影像数据的医疗数据分析系统。
背景技术
生物医学数据广泛涉及人类健康相关的各个领域，随着新型生物/医学技术应用的普及，医疗电子病历数据的量增长迅速，呈现种类繁多、高维度多模式、内涵复杂丰富等特点，特别是生命科学组学数据、医疗影像数据等高维度非结构化医疗数据要求快速特异性分析处理能力。现有技术方案针对大数据平台实现基于Hadoop开源软件的分布式存储和并行汇总计算，提升存取能力，提高分析任务的有效调度和处理效率。
医疗电子病历数据包括人口统计学数据、临床诊断数据、检查数据、影像数据等，具有维度高、种类复杂多样、结构复杂等特点，故现有处理方法大多只是针对单一种类数据(如眼底视网膜检查数据、特定部位CT扫描数据等)进行针对性地疾病科学研究，可能存在数据量小、分析速度慢等缺点，且数据收集周期较长，很难满足准确快速分析的要求。
发明内容
本发明的目的在于针对现有生物医学数据分析模式的局限性，提出了一种融合结构化影像数据的医疗数据分析系统。
本发明是通过以下技术方案来实现的：一种融合结构化影像数据的医疗数据分析系统，该系统包括影像信息结构化模块、融合与预处理模块和机器学习算法模块：
影像信息结构化模块：该模块根据病人id从医院电子病历系统中筛选相对应的医疗影像数据，采用计算机视觉技术，利用U-Net卷积神经网络框架实现端到端的图像分割模型，以单张图像作为模型输入并得到与原图像大小相同的分割结果图，其中目标分割区域的像素点值为1，其余像素点值为0，以等距离划分原图像的长和宽，得到等面积的多个子区域，并对每个子区域赋予方位编号；根据分割结果图判断是否有目标区域，计算各个目标区域Ri的面积Si、中心点坐标(xi，yi)、横向最长距离Wi和纵向最长距离Hi，并获取目标区域Ri的方位编号Pi，将Si、(xi，yi)、Wi、Hi、Pi作为特征与病人id进行关联，形成影像信息结构化数据表。
融合与预处理模块：该模块根据影像信息结构化数据表中存在的病人id，从电子病历系统中筛选出这些病人id对应的结构化数据，以id对应的方式将结构化数据拼接到影像信息结构化数据表中，实现同一个病人的非结构化数据和结构化数据的融合；对于融合后的影像信息结构化数据表中的每个病人id，计算该病人id所有特征的缺失率，对缺失率超过阈值的病人id及其对应数据进行剔除，对未超过阈值的缺失特征进行补全。
机器学习算法模块：该模块预设若干机器学习算法，将机器学习算法封装成函数形式，由用户自行选择机器学习算法并设定算法参数；该模块接收融合与预处理模块输出的数据表，将数据表转换为dataframe格式数据，和用户设定算法参数共同作为用户选择函数的输入，完成数据分析，并以图表形式对分析结果进行可视化展示。
进一步地，所述影像信息结构化模块，以原图像中心点为中心，将原图像等面积分割成四个子区域，并给定方位编号1、2、3、4，分割结果图映射到原图像上，按目标区域Ri的中心点坐标(xi，yi)所在子区域的方位编号作为该目标区域Ri的方位编号。
进一步地，所述影像信息结构化模块中，利用像素点坐标信息计算各个目标区域Ri的Si、(xi，yi)、Wi、Hi，计算公式如下：
Figure BDA0002128359220000021
Figure BDA0002128359220000022
Figure BDA0002128359220000023
Figure BDA0002128359220000024
Figure BDA0002128359220000025
其中i为目标区域的编号i＝1,2,3,……，Ni为目标区域Ri的像素数，(xij,yij)为Ri中每个像素点的坐标，j为Ri中像素点编号，H，W分别为原图像的高和宽，Nwi为目标区域Ri的横向最长像素数，Nhi为目标区域Ri的纵向最长像素数，p为图像中像素与真实长度比例尺。
进一步地，所述影像信息结构化模块中，加入图形分析单元(GPU)加速图像分析速度，并通过python高性能计算库Numba实现Spark集群和GPU的联合使用。
进一步地，所述融合与预处理模块中，对未超过阈值的缺失特征进行补全具体为：
对于数值型特征，生成随机数x实现数据插值补全，x∈[xmin,xmax]，xmin,xmax分别为该特征在数据表中的最小值和最大值；
对于分类型特征，随机取该特征在数据表中出现的类别进行数据插值补全。
进一步地，所述融合与预处理模块中，对于分类型特征，在特征补全后，采用OneHotEncoder函数映射，将该特征的每个元素转化为一个可以用来计算的数值，即OneHot型数据，使之适用于通用机器学习算法。
进一步地，所述机器学习算法模块中的机器学习算法包括线性回归、逻辑回归、支持向量机、随机森林等。
进一步地，该系统还包括分布式数据分析平台：该平台由三台服务器构成，通过部署Hadoop和Spark集群实现一台主服务器(Master)和两台从服务器(Slave)间数据的分布式存取和任务调度及并行化计算。
本发明的有益效果是：本发明在实际应用过程中具有计算效率高、数据利用率大、操作简单且普遍适用于医疗数据分析课题的研究，可以达到实用的水平。具体如下：
1)根据研究者对生物医学数据可能存在的数据要求和分析要求，本发明针对医院电子病历系统中的疾病检查诊断、人口统计学等结构化数据和医疗影像数据等非结构化数据综合，可提高生物医学数据的利用率。
2)针对医学影像数据难以和医疗电子病历中结构化数据融合分析的难点，利用计算机视觉技术将医学图像关键信息进行结构化转化，并融合电子病历系统中相同id的其他数据，通过数据预处理模块，利用机器学习算法综合分析数据，形成高效率高利用率的医疗数据分析系统，可满足研究人员不同的课题研究需求。
3)采用Spark和Hadoop开源软件实现数据分布式存取和并行汇总计算以及计算资源有效调度，在影像信息结构化模块加入图形处理单元(GPU)提高高维度高容量数据处理速度，综合提高分析处理速度，更好地实现数据处理的高效性。
附图说明
图1医疗数据分析系统流程图；
图2影像信息结构化模块示意图；
图3原图像方位编码示意图；
图4融合与预处理模块示意图；
图5机器学习算法模块示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
如图1所示，本发明提供的一种融合结构化影像数据的医疗数据分析系统，该系统包括：
一、影像信息结构化模块
如图2所示，该模块根据病人id从医院电子病历系统中筛选相对应的医疗影像数据(非结构化数据)，采用计算机视觉技术，利用基于Olaf Ronneberger的U-Net卷积神经网络框架实现端到端的图像分割模型，以单张图像作为模型输入并得到与原图像大小相同的分割结果图，其中目标分割区域的像素点值为1，其余像素点值为0，以等距离划分原图像的长和宽，得到等面积的多个子区域，并对每个子区域赋予方位编号；以下为一个方位编号的实例：
如图3所示，以原图像中心点为中心，将原图像等面积分割成四个子区域，并给定方位编号1、2、3、4，分割结果图映射到原图像上，按目标区域Ri的中心点坐标(xi，yi)所在子区域的方位编号作为该目标区域Ri的方位编号。
根据分割结果图判断是否有目标区域，计算各个目标区域Ri的面积Si、中心点坐标(xi，yi)、横向最长距离Wi和纵向最长距离Hi，并获取目标区域Ri的方位编号Pi，将Si、(xi，yi)、Wi、Hi、Pi作为特征与病人id进行关联，形成影像信息结构化数据表。
利用像素点坐标信息计算各个目标区域Ri的Si、(xi，yi)、Wi、Hi，计算公式如下：
Figure BDA0002128359220000041
Figure BDA0002128359220000042
Figure BDA0002128359220000043
Figure BDA0002128359220000044
Figure BDA0002128359220000045
其中i为目标区域的编号i＝1,2,3,……，Ni为目标区域Ri的像素数，(xij,yij)为Ri中每个像素点的坐标(j为Ri中像素点编号)，H，W分别为原图像的高和宽，Nwi为目标区域Ri的横向最长像素数，Nhi为目标区域Ri的纵向最长像素数，p为图像中像素与真实长度比例尺。
为克服图像数据容量大、处理速度慢的缺点，并保证在研究人员的单次数据分析研究中图像分析速度与结构型数据分析速度差在可接受范围内，该模块加入图形分析单元(GPU)加速图像分析速度，并通过python高性能计算库Numba实现Spark集群和GPU的联合使用。
二、融合与预处理模块
如图4所示，该模块根据影像信息结构化数据表中存在的病人id，从电子病历系统中筛选出这些病人id对应的结构化数据(结构化数据可以包括多个特征，例如分类型特征、数值型特征)，以id对应的方式将结构化数据拼接到影像信息结构化数据表中，实现同一个病人的非结构化数据和结构化数据的融合；对于融合后的影像信息结构化数据表中的每个病人id，计算该病人id所有特征的缺失率，对缺失率超过阈值(阈值可设置为60％)的病人id及其对应数据进行剔除，对未超过阈值的缺失特征进行补全。
对未超过阈值的缺失特征进行补全可以采用以下方式：
对于数值型特征，生成随机数x实现数据插值补全，x∈[xmin,xmax]，xmin,xmax分别为该特征在数据表中的最小值和最大值；
对于分类型特征，随机取该特征在数据表中出现的类别进行数据插值补全。
对于分类型特征，在特征补全后，可以采用OneHotEncoder函数映射，将该特征的每个元素(即每个病人id对应该特征的数据)转化为一个可以用来计算的数值，即OneHot型数据，使之适用于通用机器学习算法。
三、机器学习算法模块
如图5所示，该模块预设若干机器学习算法，机器学习算法包括线性回归、逻辑回归、支持向量机、随机森林等；将机器学习算法封装成函数形式，由用户自行选择机器学习算法并设定算法参数；该模块接收融合与预处理模块输出的数据表，将数据表转换为dataframe格式数据，和用户设定算法参数共同作为用户选择函数的输入，在分布式数据分析平台完成数据分析，并以图表形式对分析结果进行可视化展示。
四、分布式数据分析平台
该系统还可以包括分布式数据分析平台，该平台由三台服务器构成，通过部署Hadoop和Spark集群实现一台主服务器(Master)和两台从服务器(Slave)间数据的分布式存取和任务调度及并行化计算。
以下给出一个本发明医疗数据分析系统的具体使用场景：
当用户发起分析请求时如研究药物A对肺结核治疗的影响，即预测用药持续一年后肺结核是否痊愈，其过程如下：
(1)首先在医院电子病历系统及相关联数据库系统中筛选诊断为肺结核且使用了药物A和相同条件下未使用药物A的病人，根据病人id号整理成相对应的结构化文本数据和胸部CT影像数据，存储在分布式数据分析平台；
(2)影像信息结构化模块：该类型胸部CT图像大小为512*512，每幅图像经过已训练好的U-Net卷积神经网络模型，输出相应的分割结果图，根据像素点计数，S1像素个数N1为1144，S2像素个数N2为8876，p为21.4mm计算可得：
Figure BDA0002128359220000051
Figure BDA0002128359220000052
选择最大分割区域面积，Nw2＝72，Nh2＝84，继续计算：
Figure BDA0002128359220000053
Figure BDA0002128359220000061
对于同一个病人id的不同CT图像分析所得结果，选择Si最大的分析结果，根据设计好的特征名称，对所有病人id的图像数据分析完成后形成结构化信息数据。
(3)融合与预处理模块：相同病人id对应的结构化文本数据以dataframe格式读取，数据内容包括patientId(病人id)、是否用药、性别、年龄、是否吸烟、是否喝酒等，根据病人id匹配融合影像结构化信息数据和结构化文本数据，计算各个病人id对应的数据缺失率，对于缺失率超过60％的数据进行剔除，缺失率低于60％的缺失数据进行中位数插值，对于如是否用药等字符型数据根据“是”——“[1,0]”、“否”——“[0,1]”规则进行OneHotEncoder函数映射，形成统一数值型的可计算数据。
(4)机器学习算法模块：针对预测用药持续一年后肺结核痊愈的准确性问题，选择逻辑回归算法，设定最大迭代次数为1000等参数，将预处理后的数据以dataframe的格式读取，并通过接口调用的方式将数据、算法模型、算法参数等传入分析函数中，待计算完成后，得到分析结果，如性别统计饼图、年龄分布统计柱状图、预测准确率0.94，和可视化图像PR曲线、POC曲线，至此完成系统分析流程。
以上仅为本发明的实施实例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，不经过创造性劳动所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (7)

1.一种融合结构化影像数据的医疗数据分析系统，其特征在于，该系统包括：
(1)影像信息结构化模块：该模块根据病人id从医院电子病历系统中筛选相对应的医疗影像数据，采用计算机视觉技术，利用U-Net卷积神经网络框架实现端到端的图像分割模型，以单张图像作为模型输入并得到与原图像大小相同的分割结果图，其中目标分割区域的像素点值为1，其余像素点值为0，以等距离划分原图像的长和宽，得到等面积的多个子区域，并对每个子区域赋予方位编号；根据分割结果图判断是否有目标区域，计算各个目标区域Ri的面积Si、中心点坐标(xi，yi)、横向最长距离Wi和纵向最长距离Hi，并获取目标区域Ri的方位编号Pi，将Si、(xi，yi)、Wi、Hi、Pi作为特征与病人id进行关联，形成影像信息结构化数据表；利用像素点坐标信息计算各个目标区域Ri的Si、(xi，yi)、Wi、Hi，计算公式如下：
Figure FDA0003300651090000011
Figure FDA0003300651090000012
Figure FDA0003300651090000013
Figure FDA0003300651090000014
Figure FDA0003300651090000015
其中i为目标区域的编号i＝1，2，3，......，Ni为目标区域Ri的像素数，(xij，yij)为Ri中每个像素点的坐标，j为Ri中像素点编号，H，W分别为原图像的高和宽，Nwi为目标区域Ri的横向最长像素数，Nhi为目标区域Ri的纵向最长像素数，p为图像中像素与真实长度比例尺；
(2)融合与预处理模块：该模块根据影像信息结构化数据表中存在的病人id，从电子病历系统中筛选出这些病人id对应的结构化数据，以id对应的方式将结构化数据拼接到影像信息结构化数据表中，实现同一个病人的非结构化数据和结构化数据的融合；对于融合后的影像信息结构化数据表中的每个病人id，计算该病人id所有特征的缺失率，对缺失率超过阈值的病人id及其对应数据进行剔除，对未超过阈值的缺失特征进行补全；
(3)机器学习算法模块：该模块预设若干机器学习算法，将机器学习算法封装成函数形式，由用户自行选择机器学习算法并设定算法参数；该模块接收融合与预处理模块输出的数据表，将数据表转换为dataframe格式数据，和用户设定算法参数共同作为用户选择函数的输入，完成数据分析，并以图表形式对分析结果进行可视化展示。
2.根据权利要求1所述一种融合结构化影像数据的医疗数据分析系统，其特征在于：所述影像信息结构化模块，以原图像中心点为中心，将原图像等面积分割成四个子区域，并给定方位编号1、2、3、4，分割结果图映射到原图像上，按目标区域Ri的中心点坐标(xi，yi)所在子区域的方位编号作为该目标区域Ri的方位编号。
3.根据权利要求1所述一种融合结构化影像数据的医疗数据分析系统，其特征在于：所述影像信息结构化模块中，加入图形分析单元GPU加速图像分析速度，并通过python高性能计算库Numba实现Spark集群和GPU的联合使用。
4.根据权利要求1所述一种融合结构化影像数据的医疗数据分析系统，其特征在于：所述融合与预处理模块中，对未超过阈值的缺失特征进行补全具体为：
对于数值型特征，生成随机数x实现数据插值补全，x∈[xmin，xmax]，xmin，xmax分别为该特征在数据表中的最小值和最大值；
对于分类型特征，随机取该特征在数据表中出现的类别进行数据插值补全。
5.根据权利要求1所述一种融合结构化影像数据的医疗数据分析系统，其特征在于：所述融合与预处理模块中，对于分类型特征，在特征补全后，采用OneHotEncoder函数映射，将该特征的每个元素转化为一个可以用来计算的数值，即OneHot型数据，使之适用于通用机器学习算法。
6.根据权利要求1所述一种融合结构化影像数据的医疗数据分析系统，其特征在于：所述机器学习算法模块中的机器学习算法包括线性回归、逻辑回归、支持向量机、随机森林等。
7.根据权利要求1所述一种融合结构化影像数据的医疗数据分析系统，其特征在于：该系统还包括分布式数据分析平台：该平台由三台服务器构成，通过部署Hadoop和Spark集群实现一台主服务器(Master)和两台从服务器(Slave)间数据的分布式存取和任务调度及并行化计算。
CN201910629798.9A 2019-07-12 2019-07-12 一种融合结构化影像数据的医疗数据分析系统 Active CN110349652B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910629798.9A CN110349652B (zh) 2019-07-12 2019-07-12 一种融合结构化影像数据的医疗数据分析系统
PCT/CN2020/083584 WO2020233254A1 (zh) 2019-07-12 2020-04-07 一种融合结构化影像数据的医疗数据分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910629798.9A CN110349652B (zh) 2019-07-12 2019-07-12 一种融合结构化影像数据的医疗数据分析系统

Publications (2)

Publication Number Publication Date
CN110349652A CN110349652A (zh) 2019-10-18
CN110349652B true CN110349652B (zh) 2022-02-22

Family

ID=68176006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910629798.9A Active CN110349652B (zh) 2019-07-12 2019-07-12 一种融合结构化影像数据的医疗数据分析系统

Country Status (2)

Country Link
CN (1) CN110349652B (zh)
WO (1) WO2020233254A1 (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110349652B (zh) * 2019-07-12 2022-02-22 之江实验室 一种融合结构化影像数据的医疗数据分析系统
CN113127555A (zh) * 2019-12-30 2021-07-16 北京阿博茨科技有限公司 一种数据可视化画法匹配装置及方法
CN111191733B (zh) * 2020-01-02 2020-09-29 平安科技（深圳）有限公司 多数据来源的数据融合方法、装置、电子设备及存储介质
CN111260209B (zh) * 2020-01-14 2022-03-11 山东大学 电子病历与医学影像结合的心血管疾病风险预测评估系统
CN111598883B (zh) * 2020-05-20 2023-05-26 重庆工程职业技术学院 获取云数据医学影像的标定标签设备和工作方法
CN112365939B (zh) * 2020-10-14 2023-04-07 山东大学 一种基于医疗健康大数据的数据治理方法及系统
CN112612823B (zh) * 2020-12-14 2022-07-19 南京铁道职业技术学院 一种基于PySpark和Pandas融合的大数据时序分析方法
CN112819831B (zh) * 2021-01-29 2024-04-19 北京小白世纪网络科技有限公司 基于卷积Lstm及多模型融合的分割模型生成方法及装置
CN113782212A (zh) * 2021-04-19 2021-12-10 东华医为科技有限公司 一种数据处理系统
CN113674837A (zh) * 2021-07-20 2021-11-19 中电通商数字技术(上海)有限公司 一种高性能、高容错、可扩展的医学数据采集方法及系统
CN113627495B (zh) * 2021-07-27 2024-04-16 上海齐网网络科技有限公司 医疗数据融合方法、系统及服务器
CN113808747B (zh) * 2021-10-11 2023-12-26 南昌大学第二附属医院 一种缺血性脑卒中复发预测方法
CN114255840B (zh) * 2022-02-25 2022-06-24 广州科犁医学研究有限公司 基于临床研究数据的智能数据处理系统
CN114999638B (zh) * 2022-07-19 2022-12-30 武汉蓝嵊科技有限公司 基于人工智能医疗诊断用的大数据可视化处理方法及系统
CN115131642B (zh) * 2022-08-30 2022-12-27 之江实验室 一种基于多视子空间聚类的多模态医学数据融合系统
CN115145906B (zh) * 2022-09-02 2023-01-03 之江实验室 一种面向结构化数据的预处理和补全方法
CN116627680B (zh) * 2023-07-20 2023-10-03 河北神玥软件科技股份有限公司 一种基于多源数据融合的云管理平台及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102238162A (zh) * 2010-12-03 2011-11-09 元润康联（上海）科技有限公司 一种医院间非结构化信息归档的方法
CN103116643A (zh) * 2013-02-25 2013-05-22 江苏物联网研究发展中心 基于Hadoop的智慧医疗数据管理方法
CN108335734A (zh) * 2018-02-07 2018-07-27 深圳安泰创新科技股份有限公司 临床图像记录方法、装置及计算机可读存储介质
CN108389614A (zh) * 2018-03-02 2018-08-10 西安交通大学 基于图像分割与卷积神经网络构建医学影像图谱的方法
CN109829892A (zh) * 2019-01-03 2019-05-31 众安信息技术服务有限公司 一种预测模型的训练方法、使用该模型的预测方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1636210A (zh) * 2001-11-02 2005-07-06 美国西门子医疗解决公司 用于临床试验的病人数据挖掘
US20170083665A1 (en) * 2015-09-23 2017-03-23 Siemens Healthcare Gmbh Method and System for Radiology Structured Report Creation Based on Patient-Specific Image-Derived Information
CN106846317B (zh) * 2017-02-27 2021-09-17 北京连心医疗科技有限公司 一种基于特征提取和相似匹配的医学影像检索方法
CN109544561A (zh) * 2018-11-07 2019-03-29 杭州迪英加科技有限公司 细胞标注方法、系统和装置
CN109830303A (zh) * 2019-02-01 2019-05-31 上海众恒信息产业股份有限公司 基于互联网一体化医疗平台的临床数据挖掘分析与辅助决策方法
CN110349652B (zh) * 2019-07-12 2022-02-22 之江实验室 一种融合结构化影像数据的医疗数据分析系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102238162A (zh) * 2010-12-03 2011-11-09 元润康联（上海）科技有限公司 一种医院间非结构化信息归档的方法
CN103116643A (zh) * 2013-02-25 2013-05-22 江苏物联网研究发展中心 基于Hadoop的智慧医疗数据管理方法
CN108335734A (zh) * 2018-02-07 2018-07-27 深圳安泰创新科技股份有限公司 临床图像记录方法、装置及计算机可读存储介质
CN108389614A (zh) * 2018-03-02 2018-08-10 西安交通大学 基于图像分割与卷积神经网络构建医学影像图谱的方法
CN109829892A (zh) * 2019-01-03 2019-05-31 众安信息技术服务有限公司 一种预测模型的训练方法、使用该模型的预测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
云计算技术在海量电子病历数据分析中的应用研究;张东林;《太原学院学报(自然科学版)》;20180315(第01期);全文 *
任意比例及位置多窗口视频合成显示设计;翟广超;《中国优秀硕士学位论文全文数据库信息科技辑》;20190515;全文 *

Also Published As

Publication number Publication date
WO2020233254A1 (zh) 2020-11-26
CN110349652A (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
CN110349652B (zh) 一种融合结构化影像数据的医疗数据分析系统
Gautam et al. Prevalence and diagnosis of neurological disorders using different deep learning techniques: a meta-analysis
Ortiz-Echeverri et al. A new approach for motor imagery classification based on sorted blind source separation, continuous wavelet transform, and convolutional neural network
CN109222972B (zh) 一种基于深度学习的fMRI全脑数据分类方法
JP2018529134A (ja) ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー
CN108597605B (zh) 一种个人健康生活大数据采集与分析系统
WO2021151295A1 (zh) 患者治疗方案的确定方法、装置、计算机设备及介质
Pałczyński et al. Study of the few-shot learning for ECG classification based on the PTB-XL dataset
CN113707264A (zh) 基于机器学习的药物推荐方法、装置、设备及介质
CN116110597B (zh) 一种基于数字孪生的患者病症类别智能分析方法及装置
Yao et al. EEG-based emotion recognition by exploiting fused network entropy measures of complex networks across subjects
Kim et al. Accelerating 3D convolutional neural network with channel bottleneck module for EEG-based emotion recognition
CN111681247A (zh) 肺叶肺段分割模型训练方法和装置
Choi et al. Comparison of selection criteria for model selection of support vector machine on physiological data with inter-subject variance
Kim et al. Emotional stress recognition using electroencephalogram signals based on a three-dimensional convolutional gated self-attention deep neural network
Shang et al. Identification of common oral disease lesions based on U-Net
Krishnamoorthy et al. StimulEye: An intelligent tool for feature extraction and event detection from raw eye gaze data
Xiao et al. Fatigue Driving Recognition Method Based on Multi-Scale Facial Landmark Detector
CN113283465B (zh) 一种弥散张量成像数据分析方法及装置
CN109887603A (zh) 一种计算机辅助医疗数据处理系统及方法
Zhong et al. Gated recurrent unit network for psychological stress classification using electrocardiograms from wearable devices
CN114613477A (zh) 基于深度学习的心理监护方法、装置、设备及存储介质
Zhang et al. Deep Learning Modeling of Cardiac Arrhythmia Classification on Information Feature Fusion Image with Attention Mechanism
Zhang et al. Research progress of ECG monitoring equipment and algorithms based on polymer materials
CN113010783A (zh) 基于多模态心血管疾病信息的医疗推荐方法、系统及介质

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