CN110491479A - 一种基于神经网络的骨质状态评估模型的构建方法 - Google Patents
一种基于神经网络的骨质状态评估模型的构建方法 Download PDFInfo
- Publication number
- CN110491479A CN110491479A CN201910640691.4A CN201910640691A CN110491479A CN 110491479 A CN110491479 A CN 110491479A CN 201910640691 A CN201910640691 A CN 201910640691A CN 110491479 A CN110491479 A CN 110491479A
- Authority
- CN
- China
- Prior art keywords
- data
- sclerotin
- assessment
- eigenmatrix
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于神经网络的骨质状态评估模型的构建方法,包括:获取多组不同骨质状态的用户的评估数据,每组评估数据均包括图像数据和文本数据;预处理多组所述评估数据,得到多组标准评估数据,建立训练样本集;基于所述训练样本集及骨质健康标准对骨质状态评估预设模型进行训练,更新骨质状态评估预设模型的参数,得到所述骨质状态评估模型;所述骨质状态评估模型用于根据用户输入的数据输出用户当前的骨质状态。本发明还提供一种基于神经网络的骨质状态评估模型的构建装置。
Description
技术领域
本发明涉及健康状态评估技术领域,特别是指一种基于神经网络的骨质状态评估模型的构建方法。
背景技术
骨骼是人体的重要的坚硬器官,具有多种功能。包括支持功能,维持身体姿势;造血功能,透过造血作用制造血球;贮存功能,贮存身体重要的矿物质,例如钙和磷以及运动功能:产生并传递力量使身体运动。骨骼的健康与个人的日常生活和生活质量息息相关。
骨骼如果受损,骨量减少,骨微结构退化,发生代谢性骨病,例如骨质疏松,致使骨强度下降,轻微创伤或日常活动时易于发生骨折,即脆性骨折。此类型骨折难于康复,致残、致死率高,常使患者生活质量下降,劳动力丧失,加重了个人与社会的经济负担。随着我国人口老龄化加剧,早期评估骨质疏松的健康状态,并使被评估者根据预估的骨骼健康状况,通过加强日常骨骼健康的防护和改善生活习性,对于预防或避免脆性骨折具有重要的意义。
老人骨折与个体因素、环境因素等都有一定的关系。个体因素包括种族、年龄、性别等;环境因素包括补钙、运动、体质量、吸烟饮酒等。因此可以运用这些信息进行骨质疏松评估。
现有的评估方法主要分为传统评估方法和基于机器学习的评估方法。医学测量中的评估方法仅以骨密度或简单的影响因素作为评估依据,在发生骨折的女性中超过一半并未达到骨质疏松的标准,评估依据单一;基于问卷形式的评估方法,没有考虑到不同风险因素之间相互关联的作用,无法发现弱相关因素组合时的潜在风险以及患骨质疏松风险的大小,并且仅依靠人为进行评估,具有较强的主观性;基于机器学习的评估方法存在评估模型较为简单,评估数据较为单一,无法对数据的特征进行准确的拟合的问题。因此,亟需一种新的模型的构建方法,更加准确的评估各因素对骨质状态的影响程度和影响机制。
发明内容
有鉴于此,本发明的目的在于提出一种新的模型的构建方法,使得所得骨质状态评估模型更加完善,评估结果更加准确。
基于上述目的本发明提供的一种基于神经网络的骨质状态评估模型的构建方法,包括:
获取多组不同骨质状态的用户的评估数据,每组评估数据均包括图像数据和文本数据;
预处理多组所述评估数据,得到多组标准评估数据,建立训练样本集;
基于所述训练样本集及骨质健康标准对骨质状态评估预设模型进行训练,更新骨质状态评估预设模型的参数,得到所述骨质状态评估模型;所述骨质状态评估模型用于根据用户输入的数据输出用户当前的骨质状态。
在其中一个实施例中,所述基于所述训练样本集及骨质健康标准对骨质状态评估预设模型进行训练,更新骨质状态评估预设模型的参数,包括:
提取所述训练样本集中的标准图像数据的特征,得到图像数据特征矩阵,所述图像数据特征矩阵中矩阵的个数与评估数据的组数相同;
编码所述训练样本集中的标准文本数据的特征,得到文本数据特征矩阵,所述文本数据特征矩阵中矩阵的个数与评估数据的组数相同;
将所述图像数据特征矩阵与所述文本数据特征矩阵进行多模态融合,得到融合之后的特征矩阵,所述融合之后的特征矩阵中矩阵的个数与评估数据的组数相同;
将所述融合之后的特征矩阵进行分类,得到多组预测骨质状态,将每组预测骨质状态与该组的实际骨质状态进行比对,基于比对结果,进行反向传播,更新骨质状态评估预模型的参数。
在其中一个实施例中,所述将图像数据特征矩阵与所述文本数据特征矩阵进行多模态融合包括:
在神经网络中,将所述图像数据特征矩阵的每组图像数据特征矩与所述文本数据特征矩阵的每组文本数据特征矩阵一一对应进行拼接,得到融合之后的特征矩阵。
在其中一个实施例中,所述图像数据包括,髋关节骨骼图像、颈椎骨骼图像、胸椎骨骼图像以及腰椎骨骼图像;所述文本数据包括民族、年龄、性别、体重、身高、骨密度值、骨折史、父母骨折史、吸烟习惯、每日酒精摄入量以及肾上腺皮质激素服用量。
在其中一个实施例中,所述预处理所述多组评估数据包括:
对所述多组评估数据中的图像数据和文本数据分别进行数据清洗、数据补全、数据转换以及数据标准化。
在其中一个实施例中,所述提取所述训练样本集中的标准图像数据的特征包括,使用卷积神经网络对标准图像数据进行特征提取,各层卷积核参数范围为32~256。
本发明还提供一种基于神经网络的骨质状态评估模型的构建装置,包括:
数据获取模块,用于获取多组不同骨质状态的用户的评估数据,每组评估数据均包括图像数据和文本数据;
数据预处理模块,用于预处理所述多组评估数据,得到多组标准评估数据,建立训练样本集;
图像数据处理模块:用于提取所述训练样本集中的标准图像数据的特征,得到图像数据特征矩阵,所述图像数据特征矩阵中矩阵的个数与评估数据的组数相同;
文本数据处理模块:用于编码所述训练样本集中的标准文本数据的特征,得到文本数据特征矩阵,所述文本数据特征矩阵中矩阵的个数与评估数据的组数相同;
特征矩阵融合模块:用于将所述图像数据特征矩阵与所述文本数据特征矩阵进行多模态融合,得到融合之后的特征矩阵,所述融合之后的特征矩阵中矩阵的个数与评估数据的组数相同;
骨质状态评估预模型参数更新模块:用于将所述融合之后的特征矩阵进行分类,得到多组预测骨质状态,将每组预测骨质状态与该组的实际骨质状态进行比对,基于比对结果,进行反向传播,更新骨质状态评估预模型的参数,得到所述骨质状态评估模型;所述骨质状态评估模型用于根据用户输入的数据输出用户当前的骨质状态。
本发明还提供一种基于神经网络的骨质状态的评估方法,包括:
获取用户的评估数据;
将所述评估数据输入预先建立的骨质状态评估模型,得到用户当前的骨质状态结果;
输出与用户当前的骨质状态结果相对应的骨质状态改善建议;
其中,所述骨质状态评估模型为上述的构建方法所得。
本发明还提供一种基于神经网络的骨质状态评估模型的构建设备,包括:处理器、存储器、总线及存储在存储器上并可在处理器上运行的计算机程序;
其中,所述处理器,存储器通过所述总线完成相互间的通信;
所述处理器执行所述计算机程序时实现如上所述的方法。
本发明还提供一种非暂态计算机可读存储介质,所述存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如上所述的方法。
从上面所述可以看出,本发明提供的基于神经网络的骨质状态评估模型的构建方法,将多组不同骨质状态的用户的图像数据与文本数据作为评估数据,并对所述评估数据进行预处理,使所述评估数据具有优良的质量,建立训练样本集;再根据所述训练样本集和骨质健康标准对骨质状态评估预模型进行训练,并通过反向传播更新神经网络参数,不断迭代,训练得到骨质状态评估模型。使得最终所得评估模型,更加完善,同时具备文本数据和图像数据的特征,同时对数据的拟合更加准确。
附图说明
图1为本发明实施例的基于神经网络的骨质状态评估模型的构建方法的流程图;
图2为本发明实施例的骨质状态评估模型的训练过程示意图;
图3为本发明实施例的基于神经网络的骨质状态的流程图。
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明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
请参阅图1,本发明提供一种基于神经网络的骨质状态评估模型的构建方法,包括:
S110,获取多组不同骨质状态的用户的评估数据,每组评估数据均包括图像数据和文本数据;
S120,预处理多组所述评估数据,得到多组标准评估数据,建立训练样本集;
S130,基于所述训练样本集及骨质健康标准对骨质状态评估预设模型进行训练,更新骨质状态评估预设模型的参数,得到所述骨质状态评估模型;所述骨质状态评估模型用于根据用户输入的数据输出用户当前的骨质状态。
具体地,步骤S110中,不同骨质状态的用户可以为骨量正常、骨量低下、骨质疏松等不同骨质健康族群。所述图像数据可以包括,髋关节骨骼图像、颈椎骨骼图像、胸椎骨骼图像以及腰椎骨骼图像等反应骨微结构的特征。所述文本数据可以包括,表征个体因素的数据和表征环境因素的数据。表征个体因素的数据可以包括民族、年龄、性别、体重、身高、腰围、臀围、胸围以及骨密度值以及骨折史等。其中,骨折史指的是骨折的次数以及骨折的发生部位。骨折史具体可以包括颅骨骨折史、髋骨骨折史、上肢骨折史、下肢骨折史以及胫骨躯干骨折史等。
获取多组不同骨质状态的用户的评估数据的方式可以为,输入填写的调查问卷形式的文本数据和拍摄的图片形式的图像数据。文本数据可为通过系统扫描录入excel表格中。图像数据可以通过jpg数据格式录入。可以理解为,每个用户的评估数据中均包括文本数据和图像数据。
步骤S120中,所述预处理所述多组评估数据包括:对所述多组评估数据中的每组图像数据和每组文本数据分别进行数据清洗、数据补全、数据转换以及数据标准化,建立训练样本集。
具体地,数据清洗包括:进行数据检误清洗,可依据骨质状态数据库内容进行数据清洗,详列数据内噪音值、孤立值、空缺值、不合理数据等内容。遗漏值插补包括:基于数据清洗结果,以多重插补法进行遗漏数据插补,以空缺值为例,依据数据属性,可能以回归分析结果、或相同属性平均结果、或其他大数据分析结果进行数据插补,经数次重复来回插补后,插补值趋于收敛为某一数值为止,达到数据数据一致性。数据转换包括:指针对数据栏位数据为达到各数据档内数据一致化,在数据清洗后进行数据转换留存时,将数据内容与格式转换为一致性标准。数据标准化包括:依据统计学方法进行数据标准化作业,即将不同来源或不同型号机器所产生的类似数据,依相同的计算定义分别汇聚整合数据分配曲线,再依分配曲线属性,应用统计方法将各数据分配曲线一致化,以此进行数据的标准化。
本发明通过对数据进行过预处理,提高建立的数据的质量,避免了数据缺失或含噪音等对建模的影响。
在一个具体的实施例中,数据清洗和数据补全可以为:对各项数据处理时,如身高、体重等数据,当发现有一定数量的缺失,且判断认为一定数量的值大于预设值,选择将该项数据去除;而当一定数量的值不大于预设值时,可以取该数据的平均值进行补全。预设值可以根据统计学方法设定,值的大小随着评估数据的组数变化。
步骤S120中,训练样本集包括多组标准图像数据和多组标准文本数据,且多组标准图像数据和多组标准文本数据分别对应,即多组中的一组标准图像数据和与之对应的一组标准文本数据来自于同一组用户的评估数据,且该组用户具有骨质状态数据。
步骤S130中,基于所述训练样本集及骨质健康标准对骨质状态评估预设模型进行训练,更新骨质状态评估预设模型的参数,指的是在神经网络中进行训练。具体可以包括:
S131,提取所述训练样本集中的标准图像数据的特征,得到图像数据特征矩阵,所述图像数据特征矩阵中矩阵的个数与评估数据的组数相同;
S132,编码所述训练样本集中的标准文本数据的特征,得到文本数据特征矩阵,所述文本数据特征矩阵中矩阵的个数与评估数据的组数相同;
S133,将所述图像数据特征矩阵与所述文本数据特征矩阵进行多模态融合,得到融合之后的特征矩阵,所述融合之后的特征矩阵中矩阵的个数与评估数据的组数相同;
S134,将所述融合之后的特征矩阵进行分类,得到多组预测骨质状态,将每组预测骨质状态与该组的实际骨质状态进行比对,基于比对结果,进行反向传播,更新骨质状态评估预模型的参数。
具体地,步骤S131中,所述提取训练样本集中的标准图像数据可以采用卷积神经网络进行特征提取。具体地,使用卷积核对标准图像进行特征提取,提取过程中进行卷积核的参数更新,以达到更精准的特征提取效果。
在一个具体的实施例中,卷积核的参数持续更新,以更加准确的提取图像数据的特征。卷积核的参数的数值范围为32~256.具体地,卷积核提取髋关节骨骼图像、颈椎骨骼图像、胸椎骨骼图像以及腰椎骨骼图像的数据特征时。
步骤S132中,编码所述训练样本集中的标准文本数据可以有多种方式,可以对文本数据进行归一化的编码或者独热编码等。具体的编码方式根据数据的类型来选取,针对连续数据,进行归一化的编码,将其控制在0-1之间。针对离散数据,进行独热编码,使用N位状态寄存器来对N个状态进行编码,每个状态都有独立的寄存器位,并且在任意时候,其中只有一位有效,如男性/女性可以编码成(1,0)/(0,1)。
步骤S133中,所述将图像数据特征矩阵与文本数据特征矩阵进行多模态融合,包括:在神经网络中,将所述图像数据特征矩阵与所述文本数据特征矩阵进行拼接,形成新的特征矩阵。所述新的特征矩阵即为融合之后的特征矩阵。
在一个具体的实施例中,步骤S131至S133的具体实现过程如下:图像数据可以用值为0-255之间的矩阵来表示,“0”表示纯黑色,“255”表示纯白色,中间的数字从小到大表示由黑到白的过渡色:
[[0,0,0,...,24,25,25],
[0,0,0,...,23,25,25],
[0,1,2,...,22,22,23],
...,
[0,2,3,...,233,234,244],
[0,2,3,...,233,244,245],
[0,2,3,...,233,234,243]]。
经过归一化之后会将图像数据矩阵的值转变成0-1之间的值。图像经过卷积神经网络之后会产生一个多维的特征向量,如256维。其他文本数据特征矩阵例如:身高[184],体重[75],男[1],年龄[22],将其归一化之后合并为一个向量:[0.78,0.55,1,0.32](这里是4维向量)并映射成更高维的向量,如64维,并将图像数据的特征向量与文本数据的特征向量进行拼接得到256+64维的总特征向量。
步骤S134中,将融合之后的特征矩阵进行分类,得多组预测骨质状态。具体可以为,使用Softmax分类器,将多组融合之后的特征矩阵,进行二进制分类,获得到多组预测的骨质状态。再将每组预测的骨质状态与该组数据中用户实际的骨质状态进行损失函数计算,再进行反向传播。反向传播具体可以理解为,首先根据多组预测的骨质状态与实际骨质状态的对比结果,将训练样本集中的多组评估数据,分为与实际骨质状态相符的评估数据组和与实际骨质状态不相符的评估数据组,并更新神经网络的参数,将与实际骨质状态不相符的评估数据组重新进行步骤S131至S133的操作,如此进行不断迭代,直至所有的预测骨质状态与真实骨质状态的损失函数很小之后再停止训练,得到骨质状态评估模型(请参阅图2)。
本发明实施例还提供一种基于神经网络的骨质状态评估模型的构建装置,包括:
数据获取模块,用于获取多组不同骨质状态的用户的评估数据,每组评估数据均包括图像数据和文本数据;
数据预处理模块,用于预处理所述多组评估数据,得到多组标准图像数据和多组标准文本数据,建立训练样本集;
骨质状态评估模型建立模块:用于基于训练样本集及骨质健康标准对骨质状态评估预设模型进行训练,更新骨质状态评估预设模型的参数,得到所述骨质状态评估模型;所述骨质状态评估模型用于根据用户输入的数据输出用户当前的骨质状态。
具体地,所述骨质状态评估模型建立模块包括:
图像数据处理模块:用于提取所述多组标准图像数据中的每组标准图像数据的特征,得到多组图像数据特征矩阵;
文本数据处理模块:用于编码所述多组标准文本数据的每组标准文本数据的特征,得到多组文本数据特征矩阵;
特征矩阵融合模块:用于将所述多组图像数据特征矩阵与所述多组文本数据特征矩阵进行多模态融合,得到多组融合之后的特征矩阵;
骨质状态评估预模型参数更新模块:用于将所述多组融合之后的特征矩阵进行分类,得到多组预测骨质状态,将每组预测骨质状态与该组的实际骨质状态进行比对,基于比对结果,进行反向传播,更新骨质状态评估预模型的参数。
本发明提供的基于神经网络的骨质状态评估模型的构建方法,将多组不同骨质状态的用户的图像数据与文本数据作为评估数据,并对多组所述评估数据进行预处理,使所述多组评估数据具有优良的质量,建立训练样本集;再根据所述训练样本集和骨质健康标准对骨质状态评估预模型进行训练,并通过反向传播更新神经网络参数,不断迭代,训练得到骨质状态评估模型。使得最终所得评估模型,更加完善,同时具备文本数据和图像数据的特征,同时对数据的拟合更加准确。
请参阅图3,本发明实施例还一种基于神经网络的骨质状态的评估方法,包括:
S210,获取用户的评估数据;
S220,将所述评估数据输入预先建立的骨质状态评估模型,得到用户当前的骨质状态结果;
S230,输出与用户当前的骨质状态结果相对应的骨质状态改善建议;
其中,步骤S220中,所述骨质状态评估模型为基于上述的构建方法所得。
具体地,步骤S210中,获取用户的评估数据,可以为在系统中扫描录入填写的调查问卷形式的文本数据和拍摄的图片形式的图像数据,也可以为用户手动输入文本数据和图像数据。
步骤S230中,骨质状态健康改善建议可以为运动、饮食、生活习性及健康照护的建议等。
在评估骨质状态结果后,再输出针对评估结果的建议,以改善骨质状态,从而可以避免或降低骨折的概率。骨质状态可以为骨质健康、骨质不足和骨质疏松等。
本发明实施例还提供了一种基于神经网络的骨质状态评估模型的构建设备,包括:处理器、存储器、总线及存储在存储器上并可在处理器上运行的计算机程序;
其中,所述处理器,存储器通过所述总线完成相互间的通信;
所述处理器执行所述计算机程序时实现如上所述的方法。
本发明实施例所述骨质状态评估模型的构建设备的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
本发明实施例还提供一种非暂态计算机可读存储介质,所述存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如上所述的方法。
本发明实施例所述的计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本发明难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本发明难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本发明的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于神经网络的骨质状态评估模型的构建方法,其特征在于,包括:
获取多组不同骨质状态的用户的评估数据,每组评估数据均包括图像数据和文本数据;
预处理多组所述评估数据,得到多组标准评估数据,建立训练样本集;
基于所述训练样本集及骨质健康标准对骨质状态评估预设模型进行训练,更新骨质状态评估预设模型的参数,得到所述骨质状态评估模型;所述骨质状态评估模型用于根据用户输入的数据输出用户当前的骨质状态。
2.根据权利要求1所述的基于神经网络的骨质状态评估模型的构建方法,其特征在于,所述基于所述训练样本集及骨质健康标准对骨质状态评估预设模型进行训练,更新骨质状态评估预设模型的参数,包括:
提取所述训练样本集中的标准图像数据的特征,得到图像数据特征矩阵,所述图像数据特征矩阵中矩阵的个数与评估数据的组数相同;
编码所述训练样本集中的标准文本数据的特征,得到文本数据特征矩阵,所述文本数据特征矩阵中矩阵的个数与评估数据的组数相同;
将所述图像数据特征矩阵与所述文本数据特征矩阵进行多模态融合,得到融合之后的特征矩阵,所述融合之后的特征矩阵中矩阵的个数与评估数据的组数相同;
将所述融合之后的特征矩阵进行分类,得到多组预测骨质状态,将每组预测骨质状态与该组的实际骨质状态进行比对,基于比对结果,进行反向传播,更新骨质状态评估预模型的参数。
3.根据权利要求2所述的基于神经网络的骨质状态评估模型的构建方法,其特征在于,所述将所述图像数据特征矩阵与所述文本数据特征矩阵进行多模态融合包括:
在神经网络中,将所述图像数据特征矩阵的每组图像数据特征矩与所述文本数据特征矩阵的每组文本数据特征矩阵一一对应进行拼接,得到多组融合之后的特征矩阵。
4.根据权利要求1所述的基于神经网络的骨质状态评估模型的构建方法,其特征在于,所述图像数据包括,髋关节骨骼图像、颈椎骨骼图像、胸椎骨骼图像以及腰椎骨骼图像;所述文本数据包括民族、年龄、性别、体重、身高、骨密度值、骨折史、父母骨折史、吸烟习惯、每日酒精摄入量以及肾上腺皮质激素服用量。
5.根据权利要求1所述的基于神经网络的骨质状态评估模型的构建方法,其特征在于,所述预处理所述多组评估数据包括:
对所述多组评估数据中的图像数据和文本数据分别进行数据清洗、数据补全、数据转换以及数据标准化。
6.根据权利要求2所述的基于神经网络的骨质状态评估模型的构建方法,其特征在于,所述提取所述训练样本集中的标准图像数据的特征包括,使用神经网络对标准图像数据进行特征提取,各层卷积核参数范围为32~256。
7.一种应用于权利要求1-6所述的基于神经网络的骨质状态评估模型的构建方法的构建装置,其特征在于,包括:
数据获取模块,用于获取多组不同骨质状态的用户的评估数据,每组评估数据均包括图像数据和文本数据;
数据预处理模块,用于预处理所述多组评估数据,得到多组标准评估数据,建立训练样本集;
图像数据处理模块:用于提取所述训练样本集中的标准图像数据的特征,得到图像数据特征矩阵,所述图像数据特征矩阵中矩阵的个数与评估数据的组数相同;
文本数据处理模块:用于编码所述训练样本集中的标准文本数据的特征,得到文本数据特征矩阵,所述文本数据特征矩阵中矩阵的个数与评估数据的组数相同;
特征矩阵融合模块:用于将所述图像数据特征矩阵与所述文本数据特征矩阵进行多模态融合,得到融合之后的特征矩阵,所述融合之后的特征矩阵中矩阵的个数与评估数据的组数相同;
骨质状态评估预模型参数更新模块:用于将所述融合之后的特征矩阵进行分类,得到多组预测骨质状态,将每组预测骨质状态与该组的实际骨质状态进行比对,基于比对结果,进行反向传播,更新骨质状态评估预模型的参数,得到所述骨质状态评估模型;所述骨质状态评估模型用于根据用户输入的数据输出用户当前的骨质状态。
8.一种基于神经网络的骨质状态的评估方法,其特征在于,包括:
获取用户的评估数据;
将所述评估数据输入预先建立的骨质状态评估模型,得到用户当前的骨质状态结果;
输出与用户当前的骨质状态结果相对应的骨质状态改善建议;
其中,所述骨质状态评估模型为权利要求1-6所述的构建方法所得。
9.一种基于神经网络的骨质状态评估模型的构建设备,其特征在于,包括:处理器、存储器、总线及存储在存储器上并可在处理器上运行的计算机程序;
其中,所述处理器,存储器通过所述总线完成相互间的通信;
所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910640691.4A CN110491479A (zh) | 2019-07-16 | 2019-07-16 | 一种基于神经网络的骨质状态评估模型的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910640691.4A CN110491479A (zh) | 2019-07-16 | 2019-07-16 | 一种基于神经网络的骨质状态评估模型的构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110491479A true CN110491479A (zh) | 2019-11-22 |
Family
ID=68547194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910640691.4A Pending CN110491479A (zh) | 2019-07-16 | 2019-07-16 | 一种基于神经网络的骨质状态评估模型的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110491479A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950636A (zh) * | 2020-08-14 | 2020-11-17 | 暨南大学附属第一医院(广州华侨医院) | 基于深度学习的腰椎x射线图像分类方法 |
CN112309578A (zh) * | 2020-11-03 | 2021-02-02 | 南通市第一人民医院 | 一种提高骨质疏松性椎体骨折患者康复效率的方法及系统 |
CN112735585A (zh) * | 2021-04-02 | 2021-04-30 | 四川京炜数字科技有限公司 | 基于神经网络和机器学习的关节炎康复诊疗方法及系统 |
CN113230086A (zh) * | 2021-04-21 | 2021-08-10 | 广州中医药大学(广州中医药研究院) | 一种防骨质疏松的锻炼装置 |
CN114936141A (zh) * | 2022-07-22 | 2022-08-23 | 浙江中控技术股份有限公司 | 分布式控制系统的控制回路的性能评估方法及系统 |
CN114974580A (zh) * | 2022-04-22 | 2022-08-30 | 上海铂桐医疗科技有限公司 | 骨折风险检测数据的处理方法及系统 |
WO2024066722A1 (zh) * | 2022-09-27 | 2024-04-04 | 京东方科技集团股份有限公司 | 目标模型的获取方法、预后评估值确定方法、装置、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100256504A1 (en) * | 2007-09-25 | 2010-10-07 | Perception Raisonnement Action En Medecine | Methods and apparatus for assisting cartilage diagnostic and therapeutic procedures |
CN107591200A (zh) * | 2017-08-25 | 2018-01-16 | 卫宁健康科技集团股份有限公司 | 基于深度学习及影像组学的骨龄标记识别评估方法及系统 |
CN108498075A (zh) * | 2017-02-24 | 2018-09-07 | 西门子保健有限责任公司 | 骨骼健康的个性化评估 |
CN109118487A (zh) * | 2018-08-23 | 2019-01-01 | 合肥工业大学 | 基于非下采样轮廓波变换和卷积神经网络的骨龄评估方法 |
CN109256212A (zh) * | 2018-08-17 | 2019-01-22 | 上海米因医疗器械科技有限公司 | 骨健康评估模型构建方法、装置、设备、介质及评估方法 |
CN109460707A (zh) * | 2018-10-08 | 2019-03-12 | 华南理工大学 | 一种基于深度神经网络的多模态动作识别方法 |
CN109859159A (zh) * | 2018-11-28 | 2019-06-07 | 浙江大学 | 一种基于多模态分割网络的宫颈病变区域分割方法和装置 |
-
2019
- 2019-07-16 CN CN201910640691.4A patent/CN110491479A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100256504A1 (en) * | 2007-09-25 | 2010-10-07 | Perception Raisonnement Action En Medecine | Methods and apparatus for assisting cartilage diagnostic and therapeutic procedures |
CN108498075A (zh) * | 2017-02-24 | 2018-09-07 | 西门子保健有限责任公司 | 骨骼健康的个性化评估 |
CN107591200A (zh) * | 2017-08-25 | 2018-01-16 | 卫宁健康科技集团股份有限公司 | 基于深度学习及影像组学的骨龄标记识别评估方法及系统 |
CN109256212A (zh) * | 2018-08-17 | 2019-01-22 | 上海米因医疗器械科技有限公司 | 骨健康评估模型构建方法、装置、设备、介质及评估方法 |
CN109118487A (zh) * | 2018-08-23 | 2019-01-01 | 合肥工业大学 | 基于非下采样轮廓波变换和卷积神经网络的骨龄评估方法 |
CN109460707A (zh) * | 2018-10-08 | 2019-03-12 | 华南理工大学 | 一种基于深度神经网络的多模态动作识别方法 |
CN109859159A (zh) * | 2018-11-28 | 2019-06-07 | 浙江大学 | 一种基于多模态分割网络的宫颈病变区域分割方法和装置 |
Non-Patent Citations (4)
Title |
---|
XUN CHEN ET AL.: "Bone Age Assessment with X-Ray Images Based on Contourlet Motivated Deep Convolutional Networks", 《2018 IEEE 20TH INTERNATIONAL WORKSHOP ON MULTIMEDIA SIGNAL PROCESSING (MMSP)》 * |
刘鸣谦等: "基于多维度特征融合的深度学习骨龄评估模型", 《第二军医大学学报》 * |
董军: "《"心迹"的计算 隐性知识的人工智能途径》", 31 December 2016, 上海:上海科学技术出版社 * |
蔡圆媛著: "《大数据环境下基于知识整合的语义计算技术与应用》", 31 August 2018, 北京:北京理工大学出版社 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950636A (zh) * | 2020-08-14 | 2020-11-17 | 暨南大学附属第一医院(广州华侨医院) | 基于深度学习的腰椎x射线图像分类方法 |
CN112309578A (zh) * | 2020-11-03 | 2021-02-02 | 南通市第一人民医院 | 一种提高骨质疏松性椎体骨折患者康复效率的方法及系统 |
CN112735585A (zh) * | 2021-04-02 | 2021-04-30 | 四川京炜数字科技有限公司 | 基于神经网络和机器学习的关节炎康复诊疗方法及系统 |
CN113230086A (zh) * | 2021-04-21 | 2021-08-10 | 广州中医药大学(广州中医药研究院) | 一种防骨质疏松的锻炼装置 |
CN113230086B (zh) * | 2021-04-21 | 2022-02-22 | 广州中医药大学(广州中医药研究院) | 一种防骨质疏松的锻炼装置 |
CN114974580A (zh) * | 2022-04-22 | 2022-08-30 | 上海铂桐医疗科技有限公司 | 骨折风险检测数据的处理方法及系统 |
CN114936141A (zh) * | 2022-07-22 | 2022-08-23 | 浙江中控技术股份有限公司 | 分布式控制系统的控制回路的性能评估方法及系统 |
CN114936141B (zh) * | 2022-07-22 | 2022-11-04 | 浙江中控技术股份有限公司 | 分布式控制系统的控制回路的性能评估方法及系统 |
WO2024066722A1 (zh) * | 2022-09-27 | 2024-04-04 | 京东方科技集团股份有限公司 | 目标模型的获取方法、预后评估值确定方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110491479A (zh) | 一种基于神经网络的骨质状态评估模型的构建方法 | |
CN110443798B (zh) | 一种基于磁共振图像的自闭症检测方法、装置及系统 | |
CN107016438B (zh) | 一种基于中医辨证人工神经网络算法模型的系统 | |
Yang et al. | Sex Determination of Three‐Dimensional Skull Based on Improved Backpropagation Neural Network | |
CN107247971B (zh) | 一种超声甲状腺结节风险指标的智能分析方法及系统 | |
Morales Martinez et al. | Learning osteoarthritis imaging biomarkers from bone surface spherical encoding | |
CN111275691B (zh) | 一种基于深度学习的小样本肿瘤坏死率分类预测装置 | |
CN110491520A (zh) | 一种基于半监督学习的骨质状态评估模型的构建方法 | |
Hosseini-Asl et al. | 3-D lung segmentation by incremental constrained nonnegative matrix factorization | |
CN112465905A (zh) | 基于深度学习的磁共振成像数据的特征脑区定位方法 | |
CN109712693A (zh) | 一种智能病理诊断方法及系统 | |
CN110321827A (zh) | 一种基于人脸疼痛表情视频的疼痛水平评估方法 | |
CN115147600A (zh) | 基于分类器权重转换器的gbm多模态mr图像分割方法 | |
CN117036386A (zh) | 一种使用扩散模型生成数据的颈椎mri图像自监督分割方法 | |
Liu et al. | Integrated learning approach based on fused segmentation information for skeletal fluorosis diagnosis and severity grading | |
CN114972340A (zh) | 一种大脑老化预警系统及预警方法 | |
He et al. | An improved AlexNet model for automated skeletal maturity assessment using hand X-ray images | |
CN115601346A (zh) | 一种基于深度学习的多模态mri对膝关节软骨损伤的多层次分类方法 | |
CN117010971B (zh) | 一种基于人像识别的智能健康险提供方法及系统 | |
CN113269774B (zh) | 一种mri图像的帕金森病分类及标注病灶区域的方法 | |
CN114093507A (zh) | 边缘计算网络中基于对比学习的皮肤病智能分类方法 | |
CN113436128A (zh) | 一种双鉴别器多模态mr图像融合方法、系统及终端 | |
CN113421250A (zh) | 一种基于无病变影像训练的眼底疾病智能诊断方法 | |
CN113488163A (zh) | 一种基于机器视觉的肌少症识别方法、装置、设备及介质 | |
CN111681767B (zh) | 一种电子病历数据处理方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191122 |