CN110349664B - 基于循环神经网络的肿瘤预测装置、终端设备及存储介质 - Google Patents

基于循环神经网络的肿瘤预测装置、终端设备及存储介质 Download PDF

Info

Publication number
CN110349664B
CN110349664B CN201910535477.2A CN201910535477A CN110349664B CN 110349664 B CN110349664 B CN 110349664B CN 201910535477 A CN201910535477 A CN 201910535477A CN 110349664 B CN110349664 B CN 110349664B
Authority
CN
China
Prior art keywords
processing information
magnetic resonance
nuclear magnetic
patient
vector
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
CN201910535477.2A
Other languages
English (en)
Other versions
CN110349664A (zh
Inventor
孔庆杰
林姝
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.)
Elite Vision Technology Shandong Co ltd
Original Assignee
Elite Vision Technology Shandong Co ltd
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 Elite Vision Technology Shandong Co ltd filed Critical Elite Vision Technology Shandong Co ltd
Priority to CN201910535477.2A priority Critical patent/CN110349664B/zh
Publication of CN110349664A publication Critical patent/CN110349664A/zh
Application granted granted Critical
Publication of CN110349664B publication Critical patent/CN110349664B/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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明适用于医疗影像技术领域，提供了基于循环神经网络的肿瘤预测装置、终端设备及存储介质，装置包括：第一预测模块，用于获取患者在当前阶段的核磁共振数据，并根据核磁共振数据预测患者在当前阶段的预测处理信息；对比模块，用于将预测处理信息与医生对患者在当前阶段的建议处理信息进行数据对比，确定患者在当前阶段的实际处理信息；第二预测模块，用于将核磁共振数据和实际处理信息进行编码后得到的核磁共振向量和实际处理向量输入预先训练完成的循环神经网络模型中，输出患者在下一阶段的肿瘤预测结果。通过循环神经网络的记忆能力，预测患者在下一阶段的肿瘤病情，解决了现有技术中医生分析判断肿瘤病情的难度增大的问题。

Description

基于循环神经网络的肿瘤预测装置、终端设备及存储介质
技术领域
本发明属于医疗影像技术领域，尤其涉及基于循环神经网络的肿瘤预测装置、终端设备及存储介质。
背景技术
为了预先做好治疗准备，而对重大疾病的病情进行预测。例如，根据核磁共振影像对肿瘤患者的肿瘤病情进行预测，以了解肿瘤患者的肿瘤病情的发展趋势。但是，随着病患的增多，核磁共振影像数据也越来越多，仅仅依靠医生的专业能力及经验几乎是不可能完成对肿瘤病情的准确预测。而且，由于患者的病情趋于复杂化，因此核磁共振影像隐藏的病理越来越复杂，这导致医生分析判断肿瘤病情的难度增大。
发明内容
有鉴于此，本发明实施例提供了基于循环神经网络的肿瘤预测装置、终端设备及存储介质，以解决现有技术中医生分析判断肿瘤病情的难度增大的问题。
本发明实施例的第一方面提供了一种基于循环神经网络的肿瘤预测装置，包括：
第一预测模块，用于获取患者在当前阶段的核磁共振数据，并根据核磁共振数据预测患者在当前阶段的预测处理信息；
对比模块，用于将预测处理信息与医生对患者在当前阶段的建议处理信息进行数据对比，确定患者在当前阶段的实际处理信息；
第二预测模块，用于将核磁共振数据和实际处理信息进行编码后得到的核磁共振向量和实际处理向量输入预先训练完成的循环神经网络模型中，输出患者在下一阶段的肿瘤预测结果。
本发明实施例的第二方面提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取患者在当前阶段的核磁共振数据，并根据核磁共振数据预测患者在当前阶段的预测处理信息；
将预测处理信息与医生对患者在当前阶段的建议处理信息进行数据对比，确定患者在当前阶段的实际处理信息；
将核磁共振数据和实际处理信息进行编码后得到的核磁共振向量和实际处理向量输入预先训练完成的循环神经网络模型中，输出患者在下一阶段的肿瘤预测结果。
本发明实施例的第二方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述终端设备所实现的步骤。
本发明实施例通过第一预测模块获取患者在当前阶段的核磁共振数据，并根据核磁共振数据预测患者在当前阶段的预测处理信息；对比模块将预测处理信息与医生对患者在当前阶段的建议处理信息进行数据对比，确定患者在当前阶段的实际处理信息；第二预测模块将核磁共振数据和实际处理信息进行编码后得到的核磁共振向量和实际处理向量输入预先训练完成的循环神经网络模型中，输出患者在下一阶段的肿瘤预测结果。通过循环神经网络模型的记忆能力，预测患者在下一阶段的肿瘤预测结果，解决了现有技术中医生分析判断肿瘤病情的难度增大的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的肿瘤预测方法的示意图；
图2是本发明实施例提供的肿瘤预测装置的示意图；
图3是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1示出了本发明实施例提供的基于循环神经网络的肿瘤预测方法的步骤示意图，该方法通过如肿瘤预测装置中的各模块实现，或通过如终端设备的处理器实现。为了便于说明，仅示出与本实施例相关的部分。参照图1，基于循环神经网络的肿瘤预测方法，包括步骤S101－S103。
S101，获取患者在当前阶段的核磁共振数据，并根据所述核磁共振数据预测患者在当前阶段的预测处理信息。
可选地，上述核磁共振数据为核磁共振成像系统(如美国GE公司的1.5T超导型核磁共振成像系统(Signa，CV/1))得到的核磁共振成像(Magnetic Resonance Imaging，MRI)影像图经过图像处理方法(如粗糙曲线的圆规维数方法)得到的数据格式为矩阵(Matrix)的数据。
上述预测处理信息为基于强化学习的智能体模型根据上述当前阶段的核磁共振数据获取到的最佳策略对应的预测治疗信息，其包含但不限于患者在当前阶段治疗时的药物名称信息、药物用量信息和治疗设备信息。
在一实施例中，上述根据所述核磁共振数据预测患者在当前阶段的预测处理信息，具体包括：将所述核磁共振数据进行编码量化，得到核磁共振向量；将所述核磁共振向量输入预先建立的智能体模型中，输出所述患者在当前阶段的预测处理信息。
可选地，上述核磁共振数据的编码方式包括但不限于One－Hot编码和Multi－Hot编码。
可选地，上述智能体模型为基于Q－learning算法强化学习的模型。将MRIt结合
Figure BDA0002098862900000041
以向量的形式经过i次迭代后得到的sti输入智能体模型，智能体模型根据奖励函数(即Q(s，a)函数)的最大值输出ati；其中，MRIt
为患者在第t次检查时得到的核磁共振数据，
Figure BDA0002098862900000042
为医生根据患者在第t－1次检查是得到的核磁共振数据而给出的建议处理信息，sti为患者在第t次预测时智能体模型的状态(state，s)，ati为智能体模型根据患者在第t次检查的核磁共振向量得到的预测处理信息经过i次迭代后输出的最佳策略。
以当前阶段的核磁共振数据和上一阶段的建议处理信息作为输入值，智能体模型根据最大的奖励函数值，输出最佳策略对应的当前阶段的预测处理信息，从而实现机器根据患者的检查结果(核磁共振数据)预测患者在当前阶段的治疗方案。在一实施例中，可根据该治疗方案预测采用该治疗方案后下一阶段的肿瘤病情结果，进而实现采用机器工作以减少医生的工作量。
在一实施例中，上述方法还包括预先建立智能体模型，其中，所述预先建立智能体模型具体包括：获取每个患者在每个阶段的核磁共振数据，以及获取医生根据每个所述核磁共振数据所给出的建议处理信息；基于Q－learning算法，将所述核磁共振数据对应的核磁共振向量作为智能体模型的当前状态，将所述建议处理信息对应的建议处理向量作为所述智能体模型的动作，最大化智能体模型的奖励函数，得到强化学习后的所述智能体模型。
在本实施例中，将核磁共振数据作为智能体模型的状态(state，s)，医生根据核磁共振数据所给出的实际处理信息作为智能体模型的动作(action，a)，建立Q(s，a)函数：
Figure BDA0002098862900000051
其中，P(st+1|st,at)为在状态st选择at转换到下一状态st+1的概率，R(st+1|st,at)为在状态st选择at转换到下一状态st+1的奖励函数值，γmax Q(st,at)为Q函数的最大衰变值。
将每个患者在每个阶段的核磁共振向量作为at，对应核磁共振向量对应的建议处理向量作为st输入智能体模型以训练智能体，通过不断强化学习最大化奖励函数值R(st+1|st,at)，将最大奖励函数值对应的核磁共振向量at所对应的实际处理向量st作为智能体的最佳策略(即预测处理向量)。通过强化学习智能体，优化智能体预测的预测处理信息。
S102，将所述预测处理信息与医生对所述患者在当前阶段的建议处理信息进行数据对比，确定所述患者在当前阶段的实际处理信息。
上述建议处理信息为医生根据患者在当前阶段的核磁共振数据所给出的治疗方案。通过智能体模型将预测处理信息与建议处理信息进行数据对比，确定适合患者在当前阶段的实际处理信息，以避免机器给出的预测处理信息是误判结果而最终导致肿瘤的病情预测结果有误，从而得到更加精准的处理信息。
进一步地，可对智能体模型确定的实际处理信息进行不断迭代，以确定最终的实际处理信息，避免医生误判核磁共振数据而给出错误的建议处理信息，从而避免最终导致经过对比分析后的实际处理信息有误。
在一实施例中，上述步骤S102具体包括：将所述患者在当前阶段的所述预测处理信息和所述建议处理信息分别以向量的形式输入到智能体模型中，输出所述预设处理信息对应下一阶段的第一处理信息和所述建议处理信息对应下一阶段的第二处理信息；基于医生的选择，将所述医生选择的第一处理信息或第二处理信息作为实际处理信息。
本实施例中，将当前阶段的核磁共振数据结合预测处理信息以向量的形式输入到智能体模型中，输出第一处理信息，将当前阶段的核磁共振数据结合建议处理信息以向量的形式输入到智能体模型中，输出第二处理信息，医生可选择是否接受第一处理信息或第二处理信息，将医生所选择的第一处理信息或第二处理信息作为实际处理信息。进一步地，若医生均不接受，则医生可再次输入新的建议处理信息，将当前阶段的核磁共振数据结合新的建议处理信息以向量的形式输入到智能体模型中，输出新的第二处理信息，直至医生选择接受第一处理信息或新的第二处理信息。
需要说明的是，当该患者为首次对比分析实际处理信息时，将首次分析的建议处理信息对应的向量设置为0，直接由当前阶段的核磁共振数据得到第二处理信息。
S103，将所述核磁共振数据和所述实际处理信息进行编码后得到的核磁共振向量和实际处理向量输入预先训练完成的循环神经网络模型中，输出所述患者在下一阶段的肿瘤预测结果。
可选地，上述核磁共振数据和实际处理信息的编码方式包括但不限于One－Hot编码和Multi－Hot编码。
可选地，处理向量包括但不限于药物名称向量、药物用量向量和处理设备名称向量，其中处理向量为所述预测处理信息对应的预测处理向量、所述实际处理信息对应的实际处理向量和所述建议处理信息对应的建议处理向量中的任意一个或多个。
可选地，上述循环神经网络模型为N＊N结构的RNN经典模型或N＊M结构的Seq2Seq模型(Encoder－Decoder模型)。将核磁共振数据集合为一个序列，将实际处理信息集合为另一个序列，通过对序列编码为向量的形式输入Encoder－Decoder模型中，输出下一阶段的肿瘤预测结果。其中，可选地，根据输入的训练值不同，肿瘤预测结果为下一阶段的核磁共振向量或肿瘤病情对应的肿瘤病情向量。
在一实施例中，上述步骤S103，具体包括：将所述当前阶段的核磁共振数据输入到所述循环神经网络的编码器编码为核磁共振向量；将所述核磁共振向量结合所述实际处理信息编码为实际处理向量；将所述实际处理向量输入到所述循环神经网络的解码器解码，得到所述患者在下一阶段的肿瘤预测结果。
本实施例中，上述循环神经网络为Encoder－Decoder模型，其中，Encoder为上述编码器，Decoder为上述解码器。具体地，输入当前阶段的核磁共振数据的序列MRIt＝(MRIt1,MRIt2,...,MRItτ)和上述智能体模型输出的实际处理信息的序列
Figure BDA0002098862900000071
到编码器，编码器将MRIt结合
Figure BDA0002098862900000072
编码为实际处理向量后输出hT(循环神经网络的系统状态，T为时间步)，解码器根据hT生成新的序列(即肿瘤预测结果
Figure BDA0002098862900000073
)。实现帮助医生掌握该患者的病情，并对病情进行模拟，以实现制定有效的处理信息。
在一实施例中，上述方法还包括预先训练所述循环神经网络模型，其中，所述预先训练所述循环神经网络模型，具体包括：获取每个患者的在每个阶段的核磁共振数据和实际处理信息；将所述每个阶段的核磁共振数据和所述实际处理信息进行编码量化，得到所述每个阶段的核磁共振向量和实际处理向量；将所述每个阶段的核磁共振向量和实际处理向量作为训练数据，对所述循环神经网络模型进行训练。
本实施例中，将每个患者在每个阶段实际测量的核磁共振数据的序列MRIt＝(MRIt1,MRIt2,...,MRItτ)结合对应的实际处理信息的序列
Figure BDA0002098862900000074
集合为新的序列Xt＝(X1,X2,...Xtτ)作为输入，患者在下一阶段实际测量的肿瘤检查结果(核磁共振数据)的序列
Figure BDA0002098862900000081
作为输出，训练循环神经网络模型：
Figure BDA0002098862900000082
其中，T为时间步，sT-1为内部状态，其与系统状态有关；θ为循环单元内部的权重系数，其为待确定的模型参数；τ为序列长度，tτ≠(t+1)τ。当对应的对数似然条件概率函数
Figure BDA0002098862900000083
取最大值时，训练结束，将对应的θ值作为循环神经网络模型的模型参数。进一步地，训练过程采用梯度下降算法，优选为随机梯度下降算法(SGD)。
在一实施例中，上述方法还包括：将所述循环神经网络模型的模型参数作为初始值，将实际测量的下一阶段的核磁共振数据对应的核磁共振向量作为训练真实值，更新所述循环神经网络模型的模型参数。
上述模型参数为循环单元内部的权重系数θ。在一实施例中，设定学习率为1e-5，以实际测量的下一阶段的核磁共振数据MRIt+1作为输入的训练真实值，迭代20次，以更新循环神经网络模型的模型参数。随着患者的复查次数越多，训练真实值越多，所更新模型参数后的循环神经网络模型就越适合该患者，从而实现定制化模型。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图2示出了本发明实施例提供的基于循环神经网络的肿瘤预测装置的结构示意图，本装置可实现上述肿瘤预测方法的步骤。为了便于说明，仅示出与本实施例相关的部分。参照图2，基于循环神经网络的肿瘤预测装置200，包括：
第一预测模块201，用于获取患者在当前阶段的核磁共振数据，并根据所述核磁共振数据预测患者在当前阶段的预测处理信息；
对比模块202，用于将所述预测处理信息与医生对所述患者在当前阶段的建议处理信息进行数据对比，确定所述患者在当前阶段的实际处理信息；
第二预测模块203，用于将所述核磁共振数据和所述实际处理信息进行编码后得到的核磁共振向量和实际处理向量输入预先训练完成的循环神经网络模型中，输出所述患者在下一阶段的肿瘤预测结果。
在一实施例中，上述装置还包括建立模块，用于预先建立智能体模型。
在一实施例中，上述装置还包括训练模块，用于预先训练所述循环神经网络模型。
在一实施例中，上述装置还包括更新模块，用于将所述循环神经网络模型的模型参数作为初始值，将实际测量的下一阶段的核磁共振数据对应的核磁共振向量作为训练真实值，更新所述循环神经网络模型的模型参数。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图3是本发明一实施例提供的终端设备的示意图。如图3所示，该实施例的终端设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32，例如核磁共振数据编码为核磁共振向量的程序。所述处理器30执行所述计算机程序32时实现上述肿瘤预测方法任一实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块201至203的功能。
示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述终端设备3中的执行过程。例如，所述计算机程序32可以被分割成第一预测模块、对比模块和第二预测模块，各模块具体功能如下：第一预测模块，用于获取患者在当前阶段的核磁共振数据，并根据所述核磁共振数据预测患者在当前阶段的预测处理信息；对比模块，用于将所述预测处理信息与医生对所述患者在当前阶段的建议处理信息进行数据对比，确定所述患者在当前阶段的实际处理信息；第二预测模块，用于将所述核磁共振数据和所述实际处理信息进行编码后得到的核磁共振向量和实际处理向量输入预先训练完成的循环神经网络模型中，输出所述患者在下一阶段的肿瘤预测结果。
所述终端设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是终端设备3的示例，并不构成对终端设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，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。
所述存储器31可以是所述终端设备3的内部存储单元，例如终端设备3的硬盘或内存。所述存储器31也可以是所述终端设备3的外部存储设备，例如所述终端设备3上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述终端设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
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、或者计算机软件和电子硬件的结合来实现。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。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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。
所述集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read－Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于循环神经网络的肿瘤预测装置，其特征在于，包括：
第一预测模块，用于获取患者在当前阶段的核磁共振数据，并根据所述核磁共振数据预测患者在当前阶段的预测处理信息；对比模块，用于将所述预测处理信息与医生对所述患者在当前阶段的建议处理信息进行数据对比，确定所述患者在当前阶段的实际处理信息；
第二预测模块，用于将所述核磁共振数据和所述实际处理信息进行编码后得到的核磁共振向量和实际处理向量输入预先训练完成的循环神经网络模型中，输出所述患者在下一阶段的肿瘤预测结果；所述对比模块，具体用于：将所述患者在当前阶段的所述预测处理信息和所述建议处理信息分别以向量的形式输入到智能体模型中，输出所述预测处理信息对应下一阶段的第一处理信息和所述建议处理信息对应下一阶段的第二处理信息；基于医生的选择，将所述医生选择的第一处理信息或第二处理信息作为实际处理信息。
2.根据权利要求1所述的基于循环神经网络的肿瘤预测装置，其特征在于，所述根据所述核磁共振数据预测患者在当前阶段的预测处理信息，具体包括：将所述核磁共振数据进行编码量化，得到核磁共振向量；将所述核磁共振向量输入预先建立的智能体模型中，输出所述患者在当前阶段的预测处理信息。
3.根据权利要求1所述的基于循环神经网络的肿瘤预测装置，其特征在于，还包括更新模块，所述更新模块用于将所述循环神经网络模型的模型参数作为初始值，将实际测量的下一阶段的核磁共振数据对应的核磁共振向量作为训练真实值，更新所述循环神经网络模型的模型参数。
4.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现以下步骤：获取患者在当前阶段的核磁共振数据，并根据所述核磁共振数据预测患者在当前阶段的预测处理信息；
将所述预测处理信息与医生对所述患者在当前阶段的建议处理信息进行数据对比，确定所述患者在当前阶段的实际处理信息；将所述核磁共振数据和所述实际处理信息进行编码后得到的核磁共振向量和实际处理向量输入预先训练完成的循环神经网络模型中，输出所述患者在下一阶段的肿瘤预测结果；所述将所述预测处理信息与医生对所述患者在当前阶段的建议处理信息进行数据对比，确定所述患者在当前阶段的实际处理信息，具体包括：将所述患者在当前阶段的所述预测处理信息和所述建议处理信息分别以向量的形式输入到智能体模型中，输出所述预测处理信息对应下一阶段的第一处理信息和所述建议处理信息对应下一阶段的第
二处理信息；基于医生的选择，将所述医生选择的第一处理信息或第二处理信息作为实际处理信息。
5.根据权利要求4所述的终端设备，其特征在于，所述根据所述核磁共振数据预测患者在当前阶段的预测处理信息，具体包括：将所述核磁共振数据进行编码量化，得到核磁共振向量；将所述核磁共振向量输入预先建立的智能体模型中，输出所述患者在当前阶段的预测处理信息。
6.根据权利要求4所述的终端设备，其特征在于，所述将所述核磁共振数据和所述实际处理信息进行编码后得到的核磁共振向量和实际处理向量输入预先训练完成的循环神经网络模型中，输出所述患者在下一阶段的肿瘤预测结果，具体包括：将所述当前阶段的核磁共振数据输入到所述循环神经网络的编码器编码为核磁共振向量；将所述核磁共振向量结合所述实际处理信息编码为实际处理向量；将所述实际处理向量输入到所述循环神经网络的解码器解码，得到所述患者在下一阶段的肿瘤预测结果。
7.根据权利要求4所述的终端设备，其特征在于，所述步骤还包括：将所述循环神经网络模型的模型参数作为初始值，将实际测量的下一阶段的核磁共振数据对应的核磁共振向量作为训练真实值，更新所述循环神经网络模型的模型参数。
8.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求4-7任一项所述终端设备所实现的步骤。
CN201910535477.2A 2019-06-18 2019-06-18 基于循环神经网络的肿瘤预测装置、终端设备及存储介质 Active CN110349664B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910535477.2A CN110349664B (zh) 2019-06-18 2019-06-18 基于循环神经网络的肿瘤预测装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910535477.2A CN110349664B (zh) 2019-06-18 2019-06-18 基于循环神经网络的肿瘤预测装置、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN110349664A CN110349664A (zh) 2019-10-18
CN110349664B true CN110349664B (zh) 2022-05-27

Family

ID=68182435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910535477.2A Active CN110349664B (zh) 2019-06-18 2019-06-18 基于循环神经网络的肿瘤预测装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN110349664B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111899883B (zh) * 2020-09-29 2020-12-15 平安科技（深圳）有限公司 少样本或零样本的疾病预测设备、方法、装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1724698A2 (en) * 2005-05-12 2006-11-22 Sysmex Corporation A treatment effect prediction system, a treatment effect prediction method, and a computer program product thereof
CN105993016A (zh) * 2014-02-04 2016-10-05 奥普蒂马塔公司 用于预测医疗效果的方法和系统
CN107346369A (zh) * 2017-05-11 2017-11-14 北京紫宸正阳科技有限公司 一种医疗信息处理方法及装置
CN109346183A (zh) * 2018-09-18 2019-02-15 山东大学 基于循环神经网络模型rnn的疾病诊断预测系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1724698A2 (en) * 2005-05-12 2006-11-22 Sysmex Corporation A treatment effect prediction system, a treatment effect prediction method, and a computer program product thereof
CN105993016A (zh) * 2014-02-04 2016-10-05 奥普蒂马塔公司 用于预测医疗效果的方法和系统
CN107346369A (zh) * 2017-05-11 2017-11-14 北京紫宸正阳科技有限公司 一种医疗信息处理方法及装置
CN109346183A (zh) * 2018-09-18 2019-02-15 山东大学 基于循环神经网络模型rnn的疾病诊断预测系统

Also Published As

Publication number Publication date
CN110349664A (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
US11756209B2 (en) Method and apparatus for automated target and tissue segmentation using multi-modal imaging and ensemble machine learning models
CN109300107B (zh) 磁共振血管壁成像的斑块处理方法、装置和计算设备
CN112639833A (zh) 可自适应神经网络
CN109215014B (zh) Ct图像预测模型的训练方法、装置、设备及存储介质
US11848098B2 (en) Identifying anomalous brain data
CN112037885B (zh) 放疗计划中的剂量预测方法、装置、计算机设备及存储介质
KR102427709B1 (ko) 뇌질환 진단을 위한 다중 모달리티 의료 영상 분석 방법 및 장치
WO2023045482A1 (zh) 基于长距离注意力模型重建的多层磁共振成像方法及装置
CN108682009A (zh) 一种阿尔茨海默症预测方法、装置、设备及介质
CN111462264A (zh) 医学图像重建方法、医学图像重建网络训练方法和装置
CN112767504A (zh) 用于图像重建的系统和方法
CN113256592B (zh) 图像特征提取模型的训练方法、系统及装置
US20220222540A1 (en) Predicting brain data using machine learning models
CN111863247B (zh) 基于结构磁共振影像的大脑年龄级联精炼预测方法及系统
CN109035316B (zh) 核磁共振图像序列的配准方法及设备
CN109559360A (zh) 一种pet图像重建方法、装置和计算设备
CN114944229A (zh) 基于深度学习和磁共振结构脑影像的脑龄预测方法
WO2021184195A1 (zh) 医学图像重建方法、医学图像重建网络训练方法和装置
CN110349664B (zh) 基于循环神经网络的肿瘤预测装置、终端设备及存储介质
CN112085162A (zh) 基于神经网络的磁共振脑组织分割方法、装置、计算设备及存储介质
Wein et al. Forecasting brain activity based on models of spatiotemporal brain dynamics: A comparison of graph neural network architectures
CN112101438B (zh) 一种左右眼分类方法、装置、服务器和存储介质
US20240005508A1 (en) Systems and methods for image segmentation
CN114066986B (zh) 三维坐标的确定方法、装置、电子设备及存储介质
CN115527686A (zh) 多数据源医学数据分析模型训练方法、装置、设备和介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201230

Address after: 271100 1340, NO.67 Huiyuan street, Laiwu high tech Zone, Jinan City, Shandong Province

Applicant after: Elite vision technology (Shandong) Co.,Ltd.

Address before: 8 / F, building B, Tongfang information port, No. 11, Langshan Road, Nanshan District, Shenzhen, Guangdong 518000

Applicant before: RISEYE INTELLIGENT TECHNOLOGY (SHENZHEN) Co.,Ltd.

GR01 Patent grant
GR01 Patent grant