CN110534193A - 一种动脉瘤破裂风险评估方法及系统 - Google Patents
一种动脉瘤破裂风险评估方法及系统 Download PDFInfo
- Publication number
- CN110534193A CN110534193A CN201910821276.9A CN201910821276A CN110534193A CN 110534193 A CN110534193 A CN 110534193A CN 201910821276 A CN201910821276 A CN 201910821276A CN 110534193 A CN110534193 A CN 110534193A
- Authority
- CN
- China
- Prior art keywords
- data
- aneurysm
- rupture
- risk evaluation
- sample
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例公开了一种动脉瘤破裂风险评估方法及系统,通过获取待处理数据,其中,所述待处理数据包括第一数据和/或第二数据;将所述待处理数据输入动脉瘤风险评估模型,获得所述待处理数据的动脉瘤风险评估结果,其中,所述动脉瘤风险评估模型是基于机器学习预先获得的模型,所述动脉瘤破裂风险评估结果包括动脉瘤破裂概率和/或重要特征因子;将所述待处理数据的动脉瘤风险评估结果进行输出。本说明书实施例提供的动脉瘤破裂风险评估方法及系统,能够排除或减少人为因素的参与,缩短耗时,实现简单快捷的进行动脉瘤破裂风险评估,为动脉瘤破裂风险评估提供客观支持。
Description
技术领域
本说明书涉及医学影像和计算机技术领域,尤其涉及一种动脉瘤破裂风险评估方法及系统。
背景技术
颅内动脉瘤多为发生在颅内动脉管壁上的异常膨出,据报道,颅内未破裂动脉瘤在我国成人中患病率可高达7%,破裂后造成蛛网膜下腔出血,可导致严重残疾或死亡。颅内动脉瘤破裂后治疗主要是清除颅内血肿并阻止血液继续流向颅内;颅内未破裂动脉瘤需要根据动脉瘤破裂风险评估结果及被观察者的病情,制定个性化管理方案,进行保守观察或手术干预。因此,动脉瘤破裂风险评估具有重要的意义。
目前,由观察者根据三维DSA(Digital subtraction angiography,数字减影血管造影)造影图像或MRA(Magnetic Resonance Angiography,磁共振血管成像)图像观察动脉瘤形态,并结合被观察者的病情,评估动脉瘤破裂风险,这种方法往往依赖观察者的经验,受主观判断影响,缺少客观支持,耗时久。
因此,需要一种新的方法,能够排除或减少人为因素的参与,缩短耗时,实现简单快捷的进行动脉瘤破裂风险评估,为动脉瘤破裂风险评估提供客观支持。
发明内容
本说明书实施例提供一种动脉瘤破裂风险评估方法及系统,用于解决以下技术问题:现有技术,由观察者根据三维DSA(Digital subtraction angiography,数字减影血管造影)造影图像或MRA(Magnetic Resonance Angiography,磁共振血管成像)图像观察动脉瘤形态,并结合被观察者的病情,评估动脉瘤破裂风险,这种方法往往依赖观察者的经验,受主观判断影响,缺少客观支持,耗时久。
本说明书实施例提供一种动脉瘤破裂风险评估方法,包括以下步骤:
获取待处理数据,其中,所述待处理数据包括第一数据和/或第二数据;
将所述待处理数据输入动脉瘤风险评估模型,获得所述待处理数据的动脉瘤风险评估结果,其中,所述动脉瘤风险评估模型是基于机器学习预先获得的模型,所述动脉瘤破裂风险评估结果包括动脉瘤破裂概率和/或重要特征因子;
将所述待处理数据的动脉瘤风险评估结果进行输出。
进一步地,所述动脉瘤风险评估模型的获取具体包括:
获取已知样本的动脉瘤数据,其中,所述动脉瘤数据包括第一数据和/或第二数据;
将所述已知样本的动脉瘤数据进行预处理,作为学习样本数据;
利用所述学习样本数据进行机器学习,获得动脉瘤风险评估模型,其中,所述机器学习算法包括随机森林算法。
进一步地,所述将所述已知样本的动脉瘤数据进行预处理,作为学习样本数据,具体包括:
将所述第一数据和/或所述第二数据进行拟合,获得第三数据;
将所述第一数据、所述第二数据和所述第三数据作为学习样本数据,其中,所述学习样本数据中属于动脉瘤破裂的数据和属于动脉瘤未破裂的数据的占比相同。
进一步地,所述学习样本数据具有数字标签,用于标注动脉瘤是否破裂,其中,0表示动脉瘤未破裂,1表示动脉瘤破裂。
进一步地,所述将所述第一数据和/或所述第二数据进行拟合,获得第三数据,具体包括:
从所述第一数据和/或所述第二数据中获取属于破裂动脉瘤的数据;
基于所述属于破裂动脉瘤的数据,利用K-近邻算法查找与所述属于破裂动脉瘤的数据在数值距离上相近的数值作为第三数据。
进一步地,所述第一数据包括被观察者的动脉瘤形态学参数,所述第二数据包括被观察者的信息参数。
本说明书实施例提供的一种动脉瘤破裂风险评估系统,包括:
输入模块,获取待处理数据,其中,所述待处理数据包括第一数据和/或第二数据;
评估模块,将所述待处理数据输入动脉瘤风险评估模型,获得所述待处理数据的动脉瘤风险评估结果,其中,所述动脉瘤风险评估模型是基于机器学习预先获得的模型,所述动脉瘤破裂风险评估结果包括动脉瘤破裂概率和/或重要特征因子;
输出模块,将所述待处理数据的动脉瘤风险评估结果进行输出。
进一步地,所述动脉瘤风险评估模型的获取具体包括:
获取已知样本的动脉瘤数据,其中,所述动脉瘤数据包括第一数据和/或第二数据;
将所述已知样本的动脉瘤数据进行预处理,作为学习样本数据;
利用所述学习样本数据进行机器学习,获得动脉瘤风险评估模型,其中,所述机器学习算法包括随机森林算法。
进一步地,所述将所述已知样本的动脉瘤数据进行预处理,作为学习样本数据,具体包括:
将所述第一数据和/或所述第二数据进行拟合,获得第三数据;
将所述第一数据、所述第二数据和所述第三数据作为学习样本数据,其中,所述学习样本数据中属于动脉瘤破裂的数据和属于动脉瘤未破裂的数据的占比相同。
进一步地,所述学习样本数据具有数字标签,用于标注动脉瘤是否破裂,其中,0表示动脉瘤未破裂,1表示动脉瘤破裂。
进一步地,所述将所述第一数据和/或所述第二数据进行拟合,获得第三数据,具体包括:
从所述第一数据和/或所述第二数据中获取属于破裂动脉瘤的数据;
基于所述属于破裂动脉瘤的数据,利用K-近邻算法查找与所述属于破裂动脉瘤的数据在数值距离上相近的数值作为第三数据。
进一步地,所述第一数据包括被观察者的动脉瘤形态学参数,所述第二数据包括被观察者的信息参数。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书实施例通过获取待处理数据,其中,所述待处理数据包括第一数据和/或第二数据;将所述待处理数据输入动脉瘤风险评估模型,获得所述待处理数据的动脉瘤风险评估结果,其中,所述动脉瘤破裂风险评估结果包括动脉瘤破裂概率和/或重要特征因子;将所述待处理数据的动脉瘤风险评估结果进行输出,能够排除或减少人为因素的参与,缩短耗时,实现简单快捷的进行动脉瘤破裂风险评估,为动脉瘤破裂风险评估提供客观支持。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,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说明书中记载的一些实施例,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为本说明书实施例提供的一种动脉瘤破裂风险评估方法的流程示意图;
图2为本说明书实施例提供的动脉瘤风险评估模型的构建流程示意图;
图3为本说明书实施例提供的一种动脉瘤破裂风险评估系统的示意图。
具体实施方式
颅内动脉瘤形态学参数对于颅内动脉瘤的诊断具有重要意义,颅内动脉瘤形态学参数可以通过医学影像获得,包括但不限于DSA、MRA。
DSA的基本原理是将注入造影剂前后拍摄的两帧X线图像经数字化输入图像计算机,通过减影、增强和再成像过程来获得清晰的纯血管影像,同时实时地显现血管影。DSA具有对比度分辨率高、检查时间短、造影剂用量少,浓度低、患者X线吸收量明显降低以及节省胶片等优点,在血管疾患的临床诊断中,具有十分重要的意义。DSA因其成像特点成为颅内动脉血管畸形和动脉瘤诊断的金标准。
MRA基本原理是基于饱和效应、流入增强效应、流动去相位效应。MRA是将预饱和带置于3D层块的头端以饱和静脉血流,反向流动的动脉血液进入3D层块,因未被饱和从而产生MR信号。扫描时将一个较厚容积分割成多个薄层激发,减少激发容积厚度以减少流入饱和效应,且能保证扫描容积范围,获得数层相邻层面的薄层图像,使图像清晰,血管的细微结构显示好,空间分辨力提高。MRA因其高质量的成像特点,也逐步用于颅内动脉瘤的诊断。
在本申请中,基于被观察者的动脉瘤形态学参数及被观察者的信息参数,可以实现对被评估值的动脉瘤破裂风险的评估。
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例提供的一种动脉瘤破裂风险评估方法的流程示意图。该方法具体包括以下步骤:
步骤S101:获取待处理数据,其中,所述待处理数据包括第一数据和/或第二数据。
在本申请中,第一数据包括被观察者的动脉瘤形态学参数,包括但不限于:动脉瘤体积、载瘤血管平均直径、瘤体长度与瘤颈直径比值(SR)、瘤体长度与瘤颈宽度的比值(AR)、动脉瘤长径、动脉瘤高度、动脉瘤宽度、动脉瘤颈宽度、流入角度。第二数据包括被观察者的信息参数,包括但不限于:被观察者的年龄、性别、吸烟史、高血压、家族史。
在本申请的一个实施例中,基于三维DSA图像,获得被观察者的动脉瘤形态学参数。将DSA图像转换为STL图像后,测量被观察者的动脉瘤形态学参数。第一数据亦可基于三维DSA图像之外的医学影像获得,诸如MRA图像。被观察者的动脉瘤形态学参数包括属于动脉瘤破裂的数据及属于动脉瘤未破裂的数据。
在本申请的一个实施例中,被观察者的信息参数是基于被观察者的病例信息获得的。
由于被观察者可能会存在一个或多个动脉瘤,因此,待处理数据包括一个或多个动脉瘤对应的数据。
在本申请中,被观察者是本申请中动脉瘤破裂风险评估的对象。
步骤S103:将所述待处理数据输入动脉瘤风险评估模型,获得所述待处理数据的动脉瘤风险评估结果,其中,所述动脉瘤风险评估模型是基于机器学习预先获得的模型,所述动脉瘤破裂风险评估结果包括动脉瘤破裂概率和/或重要特征因子。
在本申请中,动脉瘤风险评估模型是利用已知样本的动脉瘤数据,基于机器学习获得的模型。为理解动脉瘤风险评估模型的获取,图2为本说明书实施例提供的一种动脉瘤风险评估模型的获取流程示意图,具体包括:
步骤S201:获取已知样本的动脉瘤数据,其中,所述动脉瘤数据包括第一数据和/或第二数据。
在本申请中,第一数据和/或第二数据是每个动脉瘤样本对应的数据,且每个动脉瘤样本均已知动脉瘤是否破裂,并用数字标签进行标记,其中,0表示动脉瘤未破裂,1表示动脉瘤破裂。
步骤S203:将所述已知样本的动脉瘤数据进行预处理,作为学习样本数据。
由于前述步骤S201获取的已知样本的动脉瘤数据中,可能存在属于动脉瘤破裂的数据远远低于属于动脉瘤未破裂的数据,为了保证后续动脉瘤破裂模型的准确性,因此,需要对已知样本的动脉瘤数据进行预处理。
在本申请中,将所述第一数据与所述第二数据进行拟合,获得第三数据;
将所述第一数据、所述第二数据和所述第三数据作为学习样本数据,其中,所述学习样本数据中属于动脉瘤破裂的数据和属于动脉瘤未破裂的数据的占比相同。
在本申请中,学习样本数据可以是表格形式,以供后续步骤使用。
在本申请中,对前述步骤S201获取的已知样本的动脉瘤数据进行预处理,具体包括:
从所述第一数据和/或所述第二数据中获取属于破裂动脉瘤的数据;
基于所述属于破裂动脉瘤的数据,利用K-近邻算法查找与所述属于破裂动脉瘤的数据在数值距离上相近的数值作为第三数据。
在本申请的一个实施例中,采用ADASYN算法,对第一数据和/或第二数据进行拟合,获得第三数据。具体步骤包括:
(1)计算不平衡度。
记少数类样本为ms,多数类为ml,则不平衡度为d=ms/ml,则d∈(0,1]。
(2)计算需要合成的样本数量。
G=(ml-ms)*b,b∈[0,1],当b=1时,即G等于少数类和多数类的差值,此时合成数据后的多数类个数和少数类数据正好平衡。
(3)对每个属于少数类的样本用欧式距离计算k个邻居,△为k个邻居中属于多数类的样本数目,记比例r为r=△/k,r∈[0,1]。
(4)在(3)中得到每一个少数类样本的ri,计算每个少数类样本的周围多数类的情况。
(5)对每个少数类样本计算合成样本的数目。
(6)在每个待合成的少数类样本周围k个邻居中选择1个少数类样本,根据下列等式进行合成。
重复合成直到满足需要步骤(5)合成的数目为止。
步骤S205:利用所述学习样本数据进行机器学习,获得动脉瘤风险评估模型,其中,所述机器学习算法包括随机森林算法。
在本申请中,动脉瘤风险评估模型是基于机器学习方法预先获得的模型,其中,所述机器学习算法包括随机森林算法。随机森林是一种有监督算法,该算法创建了一个森林,并具有某种方式随机性,该“森林”是决策树的集成。
在本申请中,决策树算法采用CART算法进行特征提取。CART树是二叉树,在生成子树时,是选择一个特征一个取值作为切分点,生成两个子树;选择特征和切分点的依据是基尼指数,选择基尼指数最小的特征及切分点生成子树。
在本申请的一个实施例中,采用Bootstrap随机有放回抽样的方法对学习样本数据进行采样,生成100个训练集;
基于得到的100个训练集进行训练,得到100棵决策树模型,该决策树模型是基于CART算法进行特征提取获得的,需要特别说明的是,基于CART算法进行特征提取时,根据信息增益和/或信息增益比和/或基尼指数提取,实现特征提取;决策树的最大深度不超过8层。
将100棵决策树组成随机森林,以少数服从多数投票得到最后的评估结果,获得动脉瘤风险评估模型。
采用本申请提供的动脉瘤破裂风险评估模型,将被观察者的动脉瘤数据输入动脉瘤风险评估模型,动脉瘤风险评估模型会输出包括动脉瘤破裂概率和/或重要特征因子。在本申请中,被观察者的动脉瘤数据包括但不限于:第一数据函数和/或第二数据函数,亦即被观察者的动脉瘤形态学参数和/或被观察者的信息参数。在本申请中,重要特征因子反应了与动脉瘤破裂风险的相干性。重要特征因子可以为一种特征,也可以为多种特征。重要特征因子是基于动脉瘤风险评估模型,从第二数据中的提取的部分信息参数,诸如高血压、吸烟史。
在本申请的一个实施例中,利用本申请提供的动脉瘤风险评估模型,将待处理数据输入动脉瘤风险评估模型,得到被观察者的动脉瘤破裂风险的概率为70%,可以作为后续诊断治疗的辅助参考,决定是否实施手术治疗。
本申请实施例提供的方法,可以实现一组或多组动脉瘤数据输入动脉瘤风险评估模型,得到动脉瘤破裂风险的评估结果。在本申请中,一组动脉瘤数据为一个动脉瘤所对应的数据,包括第一数据和/或第二数据。
本说明书实施例提供的方法,能够排除或减少人为因素的参与,缩短耗时,实现简单快捷的进行动脉瘤破裂风险评估,为动脉瘤破裂风险评估提供客观支持。
本说明书实施例提供的评估方法,在实际应用时,可以封装为软件,用于辅助观察者在进行未破裂动脉瘤治疗决策时,快速得到合理可靠的预测结果和/或影响该动脉瘤破裂风险的重要影响因子。
基于同样的思路,本说明书实施例还提供了一种动脉瘤破裂风险评估系统,图3为本说明书实施例提供的一种动脉瘤破裂风险评估系统的示意图,该系统包括:
输入模块301,获取待处理数据,其中,所述待处理数据包括第一数据和/或第二数据;
评估模块303,将所述待处理数据输入动脉瘤风险评估模型,获得所述待处理数据的动脉瘤风险评估结果,其中,所述动脉瘤风险评估模型是基于机器学习预先获得的模型,所述动脉瘤破裂风险评估结果包括动脉瘤破裂概率和/或重要特征因子;
输出模块305,将所述待处理数据的动脉瘤风险评估结果进行输出。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例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,本说明书实施例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。
本说明书是参照根据本说明书实施例的方法、设备(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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种动脉瘤破裂风险评估方法,其特征在于,包括:
获取待处理数据,其中,所述待处理数据包括第一数据和/或第二数据;
将所述待处理数据输入动脉瘤风险评估模型,获得所述待处理数据的动脉瘤风险评估结果,其中,所述动脉瘤风险评估模型是基于机器学习预先获得的模型,所述动脉瘤破裂风险评估结果包括动脉瘤破裂概率和/或重要特征因子;
将所述待处理数据的动脉瘤风险评估结果进行输出。
2.如权利要求1所述的方法,其特征在于,所述动脉瘤风险评估模型的获取具体包括:
获取已知样本的动脉瘤数据,其中,所述动脉瘤数据包括第一数据和/或第二数据;
将所述已知样本的动脉瘤数据进行预处理,作为学习样本数据;
利用所述学习样本数据进行机器学习,获得动脉瘤风险评估模型,其中,所述机器学习算法包括随机森林算法。
3.如权利要求2所述的方法,其特征在于,所述将所述已知样本的动脉瘤数据进行预处理,作为学习样本数据,具体包括:
将所述第一数据和/或所述第二数据进行拟合,获得第三数据;
将所述第一数据、所述第二数据和所述第三数据作为学习样本数据,其中,所述学习样本数据中属于动脉瘤破裂的数据和属于动脉瘤未破裂的数据的占比相同。
4.如权利要求2或3所述的方法,其特征在于,所述学习样本数据具有数字标签,用于标注动脉瘤是否破裂,其中,0表示动脉瘤未破裂,1表示动脉瘤破裂。
5.如权利要求3所述的方法,其特征在于,所述将所述第一数据和/或所述第二数据进行拟合,获得第三数据,具体包括:
从所述第一数据和/或所述第二数据中获取属于破裂动脉瘤的数据;
基于所述属于破裂动脉瘤的数据,利用K-近邻算法查找与所述属于破裂动脉瘤的数据在数值距离上相近的数值作为第三数据。
6.如权利要求1所述的方法,其特征在于,所述第一数据包括被观察者的动脉瘤形态学参数,所述第二数据包括被观察者的信息参数。
7.一种动脉瘤破裂风险评估系统,其特征在于,包括:
输入模块,获取待处理数据,其中,所述待处理数据包括第一数据和/或第二数据;
评估模块,将所述待处理数据输入动脉瘤风险评估模型,获得所述待处理数据的动脉瘤风险评估结果,其中,所述动脉瘤风险评估模型是基于机器学习预先获得的模型,所述动脉瘤破裂风险评估结果包括动脉瘤破裂概率和/或重要特征因子;
输出模块,将所述待处理数据的动脉瘤风险评估结果进行输出。
8.如权利要求7所述的系统,其特征在于,所述动脉瘤风险评估模型的获取具体包括:
获取已知样本的动脉瘤数据,其中,所述动脉瘤数据包括第一数据和/或第二数据;
将所述已知样本的动脉瘤数据进行预处理,作为学习样本数据;
利用所述学习样本数据进行机器学习,获得动脉瘤风险评估模型,其中,所述机器学习算法包括随机森林算法。
9.如权利要求8所述的系统,其特征在于,所述将所述已知样本的动脉瘤数据进行预处理,作为学习样本数据,具体包括:
将所述第一数据和/或所述第二数据进行拟合,获得第三数据;
将所述第一数据、所述第二数据和所述第三数据作为学习样本数据,其中,所述学习样本数据中属于动脉瘤破裂的数据和属于动脉瘤未破裂的数据的占比相同。
10.如权利要求8或9所述的系统,其特征在于,所述学习样本数据具有数字标签,用于标注动脉瘤是否破裂,其中,0表示动脉瘤未破裂,1表示动脉瘤破裂。
11.如权利要求9所述的系统,其特征在于,所述将所述第一数据和/或所述第二数据进行拟合,获得第三数据,具体包括:
从所述第一数据和/或所述第二数据中获取属于破裂动脉瘤的数据;
基于所述属于破裂动脉瘤的数据,利用K-近邻算法查找与所述属于破裂动脉瘤的数据在数值距离上相近的数值作为第三数据。
12.如权利要求7所述的系统,其特征在于,所述第一数据包括被观察者的动脉瘤形态学参数,所述第二数据包括被观察者的信息参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910821276.9A CN110534193A (zh) | 2019-09-02 | 2019-09-02 | 一种动脉瘤破裂风险评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910821276.9A CN110534193A (zh) | 2019-09-02 | 2019-09-02 | 一种动脉瘤破裂风险评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110534193A true CN110534193A (zh) | 2019-12-03 |
Family
ID=68665990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910821276.9A Pending CN110534193A (zh) | 2019-09-02 | 2019-09-02 | 一种动脉瘤破裂风险评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110534193A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111584077A (zh) * | 2020-04-08 | 2020-08-25 | 北京市神经外科研究所 | 一种动脉瘤破裂风险评估方法及系统 |
CN111584076A (zh) * | 2020-04-08 | 2020-08-25 | 北京市神经外科研究所 | 一种动脉瘤破裂风险评估方法及系统 |
WO2021098768A1 (zh) * | 2019-11-22 | 2021-05-27 | 强联智创(北京)科技有限公司 | 一种动脉瘤破裂风险评估方法及系统 |
CN113130078A (zh) * | 2021-05-11 | 2021-07-16 | 首都医科大学附属北京天坛医院 | 一种预测颅内动脉瘤闭塞的方法、装置以及设备 |
CN116092680A (zh) * | 2023-03-08 | 2023-05-09 | 成都工业学院 | 基于随机森林算法的腹主动脉瘤早期预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016094330A2 (en) * | 2014-12-08 | 2016-06-16 | 20/20 Genesystems, Inc | Methods and machine learning systems for predicting the liklihood or risk of having cancer |
CN109907732A (zh) * | 2019-04-09 | 2019-06-21 | 广州新脉科技有限公司 | 一种颅内动脉瘤破裂风险的评估方法及系统 |
CN109961850A (zh) * | 2019-03-19 | 2019-07-02 | 肖仁德 | 一种评估颅内动脉瘤破裂风险的方法、装置、计算机设备 |
-
2019
- 2019-09-02 CN CN201910821276.9A patent/CN110534193A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016094330A2 (en) * | 2014-12-08 | 2016-06-16 | 20/20 Genesystems, Inc | Methods and machine learning systems for predicting the liklihood or risk of having cancer |
CN109961850A (zh) * | 2019-03-19 | 2019-07-02 | 肖仁德 | 一种评估颅内动脉瘤破裂风险的方法、装置、计算机设备 |
CN109907732A (zh) * | 2019-04-09 | 2019-06-21 | 广州新脉科技有限公司 | 一种颅内动脉瘤破裂风险的评估方法及系统 |
Non-Patent Citations (1)
Title |
---|
J.J. LIU 等: "Prediction of rupture risk in anterior communicating artery aneurysms with a feed-forward artificial neural network", 《EUROPEAN RADIOLOGY》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021098768A1 (zh) * | 2019-11-22 | 2021-05-27 | 强联智创(北京)科技有限公司 | 一种动脉瘤破裂风险评估方法及系统 |
CN111584077A (zh) * | 2020-04-08 | 2020-08-25 | 北京市神经外科研究所 | 一种动脉瘤破裂风险评估方法及系统 |
CN111584076A (zh) * | 2020-04-08 | 2020-08-25 | 北京市神经外科研究所 | 一种动脉瘤破裂风险评估方法及系统 |
CN113130078A (zh) * | 2021-05-11 | 2021-07-16 | 首都医科大学附属北京天坛医院 | 一种预测颅内动脉瘤闭塞的方法、装置以及设备 |
CN116092680A (zh) * | 2023-03-08 | 2023-05-09 | 成都工业学院 | 基于随机森林算法的腹主动脉瘤早期预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110517780A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN110534193A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN109493348A (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
WO2020083374A1 (en) | Method and system for measuring morphological parameters of an intracranial aneurysm image | |
CN111081378B (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN109584997B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN109448004B (zh) | 一种基于中心线的颅内血管图像的截取方法及系统 | |
CN109448003A (zh) | 一种颅内动脉血管图像分割方法及系统 | |
CN109472780B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN110517242A (zh) | 一种动脉瘤的分析方法及装置 | |
CN109472823B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN109584169A (zh) | 一种基于中心线的颅内血管图像的截取方法及系统 | |
CN111584077A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN109816650A (zh) | 一种基于二维dsa图像的目标区域识别方法及其系统 | |
CN109671066A (zh) | 一种基于头颅ct影像的脑梗死判断的方法及系统 | |
CN111127428A (zh) | 一种基于颅脑影像数据的目标区域的提取方法及系统 | |
CN109389637A (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN109658399A (zh) | 一种头颈斑块图像识别方法及装置 | |
CN109447967A (zh) | 一种颅内动脉瘤图像的分割方法及系统 | |
CN117333529B (zh) | 一种基于模板匹配的血管超声内膜自动化测量方法及系统 | |
CN109671067A (zh) | 一种基于头颅ct影像的核心梗死体积的测量方法及系统 | |
CN111584076A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN111223089B (zh) | 一种动脉瘤的检测方法、装置及计算机可读存储介质 | |
CN110503642A (zh) | 一种基于dsa图像的定位方法及系统 | |
CN110739078B (zh) | 一种动脉瘤破裂风险评估方法及系统 |
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 |