CN110660041A - 基于深度神经网络的肺部退行性疾病判别技术 - Google Patents
基于深度神经网络的肺部退行性疾病判别技术 Download PDFInfo
- Publication number
- CN110660041A CN110660041A CN201910723087.8A CN201910723087A CN110660041A CN 110660041 A CN110660041 A CN 110660041A CN 201910723087 A CN201910723087 A CN 201910723087A CN 110660041 A CN110660041 A CN 110660041A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- technology
- information
- degenerative disease
- 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.)
- Withdrawn
Links
Images
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physiology (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种使用深度学习方法对肺部退行性疾病进行辅助诊断判别的技术,以统计建模的方式实现以往医务工作专家依据经验进行的病症判别。肺部退行性疾病的诊断需要综合性的分析和利用大量的检测信息和对检测数据的属性信息进行有效整理,并且不同的数据间存在着信息关联。本项发明通过属性向量化到形成属性特征矩阵作为深度卷积神经网络的输入,利用深度卷积神经网络实现对复杂信息进行综合处理和判别的能力,特别是对不同数据进行特征提取和数据间的关联性识别,形成对病症的综合判别能力。完全由机器学习建模技术来鉴定数据属性的有效性和相互的关联,为医生提供辅助诊断,从而极大的降低的医生在数据处理方面的工作量。
Description
技术领域
本发明属于涉及信息技术领域,尤其是涉及采用深度神经网络对病患的心肺功能和一系列常规的医疗检测数据进行综合判断,快速判别是否存储肺部退行性疾病的技术。采用神经网络对复杂数据特征和信息关联的发现能力,解决了人类进行疾病判别时无法快速处理大量繁复的检查数据的难点。
背景技术
随着传感器技术的不断进步,在医疗诊断领域,越来越多的检测数据可以从不同类型的高度精确的传感设备中获得,为医务工作者进行疾病判别、了解患者状态、开展治疗计划提供了更为完备的数据基础。与此同时,大量的数据也带来了信息爆炸,往往产生人力处理无法跟上数据增量的情况。同时,不同数据间存在了彼此的关联,这需要大量的人力分析、研究才能定位数据关联。因此医疗数据的发展给医务工作者即带来了更为完备的信息支撑,也带来了信息处理上的巨大挑战。
随着深度神经网络技术的发展,利用神经网络对复杂数据表达的特征提取能力和数据间信息关联的发现能力,可以为复杂的判别分类应用提供人力所不能达到的高精度、大容量数据分析能力。深度神经网络已经在图形图像识别方面取得了巨大成功,其重要因素就是目前高性能神经网络具备对复杂的图像信息进行高精度的分析处理,特别是能够提取出图像中各个部分的关联,形成对图像表达方式的判别。对于数据细节的分析能力往往超过人类的判别能力。
本项发明借助人工智能技术,特别是深度神经网络技术,将医疗数据以输入矩阵的方式进行表达。通过深度神经网络,将数据矩阵进行特征提取和信息关联定位,从而实现高效的疾病判别能力。本项发明针对的病症判别是面向肺部退行性病变的发现,通过将50余项医疗检测信息进行向量化表达,然后组合成为输入矩阵,通过深度卷机网络进行判别建模(参见附图1),从而构建出高效的神经网络判别模型,可以有效的辅助医务工作者通过检测数据快速判别病患是否存在肺部退行性病变症状。
发明内容
本项发明设计了高效的数据转换系统和神经网络建模技术,具体包括:
1.设计了对多种不同类型医疗检测数据的向量化表达方式;
a.指标等级信息:以指标等级进行表示的检测信息,‘正常’,‘略低于正常’,‘非正常’,‘明显异常’;
b.数据类信息:以数值方式表达的检测信息;
c.文本信息:以文本描述表达的检测信息;
d.图像信息:以图像类型表达的检测信息
2.向量组合技术,包括选择向量长度,和组合生成输入矩阵;
3.深度神经网络架构设计:选择高效的神经网络架构,实现对判别模型的构建。
实现对复杂数据向量化(文本和图像),本身需要借助机器学习技术的特征提取能力。在文本方面,我们使用google词向量(word2vec)模型构建文本向量化模型,并以此来实现对医疗信息描述文本的向量化实现。对图像数据(例如病患的胸透x光片),通过预先设定的状态标记(例如胸腔状态:正常、纤维化、结核等)建立实现特征提取的神经网络模型,并通过该特征提取神经网络输出特征向量,供生成输入矩阵之用。
实现对肺部退行性病变判别的神经网络模型分为如下几个步骤:
1.深度神经网络模型架构设计与选择:这里我们以对输入矩阵具有良好数据特征分析能力的卷积神经网络为基本架构,通过多层次的卷积,提取输入矩阵的数据特征和矩阵中点集的关联信息;
2.向量化工具的构建:主要针对复杂信息,包括文本和图像;对于文本,采用词向量技术,在预先收集的医疗评估文本数据集上构建词向量生成模型,该模型用来在实现对输入文本进行向量生成;与之类似,对于图像数据,通过图像和图像状态表识构建图像特征提取模型,该模型用来实现对输入图像的向量生成;
3.训练数据集的构建:将50余项相关检测数据实现向量化,对于不同类型的信息采用不同的向量化转换工具,对于复杂的信息(文本和图像)采用长向量(例如文本采用长度为64的向量,图像采用长度为128的向量);将50余项数据向量进行组合,生成输入矩阵作为训练数据,数据的标识以人工判别是非为肺部退行性病变作为标签;
4.训练判别模型;
5.应用判别模型进行医疗辅助诊断。
本项发明的上述技术方案有益结果如下:
在医疗诊断领域,越来越多的检测数据可以从不同类型的高度精确的传感设备中获得,为医务工作者进行疾病判别、了解患者状态、开展治疗计划提供了更为完备的数据基础。与此同时,大量的数据也带来了信息爆炸,往往产生人力处理无法跟上数据增量的情况。因此引入人工智能技术、通过机器学习的方式建立判别模型来实现为医务工作者进行辅助诊断的方式已经成为医疗与计算科学结合的技术趋势。本项发明提供了数据向量化技术,并以此生成以输入矩阵为表达方式的训练数据来构建针对肺部退行性病变的神经网络判别模型。该模型采用深度卷积网络实现,可以进行自动化的检测数据处理、退行性病变判别,有效的降低了医务人员的工作负担并提升了工作效率。
附图说明
图1基于参数向量化输入和深度神经网络的肺部退行性病症判别模型
图2参数向量化
图3输入矩阵构建
图4系统整体架构
具体实施方式
根据发明内容中所阐述的构建肺部退行性病变的判别门口下的步骤,其具体实现如下几节所述:
深度神经网络模型架构设计与选择:这里需要采用已经在图像判别领域取得巨大成功的深度卷积网络为基础架构,不同卷积层间需要引入信息交互。因此我们选择以卷积神经网络为基础并实现了层间交互的残差神经网络resnet。鉴于医疗诊断参数的数量和内容,本项发明采用了resnet-50作为网络架构。网络输入采用64x64的输入矩阵,数据标签分为:‘确定病变’、‘疑似病变’和‘正常’三种类型,作为向医务工作者提供辅助诊断输出。
向量化工具的构建:
a.指标等级信息:通过onehot向量来实现向量化,向量长度为4或8,取决于指标等级的数量;
b.数据类信息:通过onehot向量来实现向量化,向量长度为8,数值到向量等级的映射采用以概率分布为基础的映射方式,即对该项数据建立概率分布模型,将分布的范围按照集中度划分为8个区域,每个区域对应一个向量中的元素,对于一个检测数据,根据它所属的分布区域i,建立对应的onehot向量(参见图2a);例如血压测试数据‘90’,所述的血压数据分布区域为6,则其向量表示为[0,0,0,0,0,1,0,0],向量中的第6个元素设置为1;
c.文本信息:通过收集医疗描述信息作为建模样本,通过google词向量(word2vec)技术构建文本向量化模型,该模型可将任意输入文本转换为以浮点数为表达的输出向量,向量长度设定为64;由于向量元素中为浮点数表达,需要进行normalize处理(参见图2b),即将浮点数按照数值范围映射为整数表达,可用映射的整数数值为{0,1,2,4};
d.图像信息:通过预先设定的状态标记建立实现特征提取的神经网络模型,并通过该特征提取神经网络输出特征向量,供生成输入矩阵之用;用于实现特征提取的神经网络同样采用深度卷积网络,其架构可以相对简单,在本项发明中,我们采用googlenet架构作为特征提取的网络架构(参见图2c);为图像数据生成的特征向量长度为128.
训练数据集的构建:在生成特征向量后,需要将50多个特征向量组合成为一个64x64的输入矩阵。特征向量按照顺序排列的方式构成一个长度为4096的向量,再按照64为单位转换成64x64的矩阵表达(参见图3),每个元素可有{0,1,2,3}4种状态表达。数据标签分为类:‘确定病变’、‘疑似病变’和‘正常’。
训练判别模型;以输入数据为64x64的矩阵、每个矩阵元素最多有{0,1,2,3}4种状态表达(主要用于文本数据的特征向量)、数据标签可根据用户要求设置分类数量的训练数据来训练resnet-50深度残差网络。
应用判别模型进行医疗辅助诊断:生成的resnet-50深度残差网络可以用于肺部退行性病变状态的判别,为医务人员提供辅助诊疗。首先将病患的诊疗检测数据通过前述的向量化工具进行向量化,组成输入矩阵,输入至训练好的resnet-50模型即可得到对不同症状的判别分类(例如‘确定肺部退行性病变’、‘疑似病变’或‘正常’)。
Claims (11)
1.基于深度神经网络的肺部退行性疾病判别技术,包括:提供了一种使用深度学习方法对肺部退行性疾病进行辅助诊断判别的技术,通过创新性的利用深度卷积网络对复杂数据属性的判别能力,对肺部退行性疾病涉及的大量检测数据和属性信息(检测项目)进行统一的特征提取的关联发掘,以统计建模的方式实现以往医务工作专家依据经验进行的病症判别。肺部退行性疾病的诊断需要综合性的分析和利用大量的检测信息和对检测数据的属性信息进行有效整理,并且不同的数据间存在着信息关联。深度神经网络技术具有识别复杂信息输入和提取信息内在关联方式的能力,因此通过深度卷积神经网络构建对复杂信息进行综合处理和判别的能力,特别是对不同数据进行特征提取和数据间的关联性识别,可以作为以机器学习方式处理肺部退行性疾病诊断的有效途径。本项发明通过属性向量化到形成属性特征矩阵,并以卷积神经网络对特征矩阵进行归类分析,形成病症判别能力。本项发明可以帮助医务工作者在肺部退行性病症诊断中灵活引入各类数据属性的组合,进行综合判别。该技术无需医生鉴别不同的属性信息是否对病患的肺部退行性疾病产生影响,或与其他病理检测信息存在关联,而是由机器学习建模技术来鉴定数据属性的有效性和相互的关联,为医生提供辅助诊断,从而极大的降低的医生在数据处理方面的工作量。
本项发明设计了高效的数据转换系统和神经网络建模技术,具体包括:A.设计了对多种不同类型医疗检测数据的向量化表达方式;
a.指标等级信息:以指标等级进行表示的检测信息,‘正常’,‘略低于正常’,‘非正常’,‘明显异常’;
b.数据类信息:以数值方式表达的检测信息;
c.文本信息:以文本描述表达的检测信息;
d.图像信息:以图像类型表达的检测信息
B.向量组合技术,包括选择向量长度,和组合生成输入矩阵;C.深度神经网络架构设计:选择高效的神经网络架构,实现对判别模型的构建。
2.基于深度神经网络的肺部退行性疾病判别技术,其特征在于通过对各类诊疗信息进行特征向量提取,生成面向深度残差网络的输入矩阵,并由深度残差网络实现对病症状态和类型的判别。
3.基于深度神经网络的肺部退行性疾病判别技术,其特征在于对指标型数据通过onehot向量进行特征表达,生成特征向量。
4.基于深度神经网络的肺部退行性疾病判别技术,其特征在于对数值类型的数据通过概率分布模型实现以onehot向量的方式进行特征表达,生成特征向量。
5.基于深度神经网络的肺部退行性疾病判别技术,其特征在于对文本数据通过词向量(word2vec)方式生成特征向量,并进行normalize,形成onehot特征向量。
6.基于深度神经网络的肺部退行性疾病判别技术,其特征在于文本数据的特征向量进行normalize,可将浮点数据类型依照概率分布映射为(0,1,2,3)4个整数表达。
7.基于深度神经网络的肺部退行性疾病判别技术,其特征在于对图像类数据通过googlenet模型作为特征提取模型,生成特征向量。
8.基于深度神经网络的肺部退行性疾病判别技术,其特征在于将指标类数据、数值类数据、文本类数据和图像类数据通过特征向量拼接的方式,生成特征矩阵,作为判别模型的输入。
9.基于深度神经网络的肺部退行性疾病判别技术,其特征在输入矩阵表示为64x64,指标类和数值类数据的特征向量长度为8,文本类数据的特征向量长度为64,图像类数据的特征向量长度为128。
10.基于深度神经网络的肺部退行性疾病判别技术,其特征在于采用深度残差网络resnet50作为判别模型。
11.基于深度神经网络的肺部退行性疾病判别技术,其特征在于特征提取模型与病症判别模型彼此独立,例如文本特征向量生成采用word2vec技术,未来也可采用bert等预训练模型来提取文本特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910723087.8A CN110660041A (zh) | 2019-08-06 | 2019-08-06 | 基于深度神经网络的肺部退行性疾病判别技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910723087.8A CN110660041A (zh) | 2019-08-06 | 2019-08-06 | 基于深度神经网络的肺部退行性疾病判别技术 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110660041A true CN110660041A (zh) | 2020-01-07 |
Family
ID=69036432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910723087.8A Withdrawn CN110660041A (zh) | 2019-08-06 | 2019-08-06 | 基于深度神经网络的肺部退行性疾病判别技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110660041A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914854A (zh) * | 2020-07-21 | 2020-11-10 | 同济大学 | 一种基于神经网络的喷雾特征提取方法、设备及存储介质 |
CN112244882A (zh) * | 2020-10-30 | 2021-01-22 | 北京中科心研科技有限公司 | 一种基于多模态生理数据的疾病预警方法和装置 |
CN113435310A (zh) * | 2021-06-24 | 2021-09-24 | 中国科学技术大学 | 一种基于深度神经网络的视网膜数据采集处理方法及系统 |
CN118280566A (zh) * | 2024-06-04 | 2024-07-02 | 成都科瑞普医疗器械有限公司 | 一种用于非医疗诊断的肾脏功能评估方法 |
-
2019
- 2019-08-06 CN CN201910723087.8A patent/CN110660041A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914854A (zh) * | 2020-07-21 | 2020-11-10 | 同济大学 | 一种基于神经网络的喷雾特征提取方法、设备及存储介质 |
CN112244882A (zh) * | 2020-10-30 | 2021-01-22 | 北京中科心研科技有限公司 | 一种基于多模态生理数据的疾病预警方法和装置 |
CN112244882B (zh) * | 2020-10-30 | 2023-06-02 | 北京中科心研科技有限公司 | 一种基于多模态生理数据的疾病预警方法和装置 |
CN113435310A (zh) * | 2021-06-24 | 2021-09-24 | 中国科学技术大学 | 一种基于深度神经网络的视网膜数据采集处理方法及系统 |
CN118280566A (zh) * | 2024-06-04 | 2024-07-02 | 成都科瑞普医疗器械有限公司 | 一种用于非医疗诊断的肾脏功能评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110660041A (zh) | 基于深度神经网络的肺部退行性疾病判别技术 | |
WO2020207377A1 (zh) | 一种图像识别模型训练及图像识别方法、装置及系统 | |
Yadav et al. | Lung-GANs: unsupervised representation learning for lung disease classification using chest CT and X-ray images | |
CN109544518B (zh) | 一种应用于骨骼成熟度评估的方法及其系统 | |
CN106951719A (zh) | 临床诊断模型的构建方法及构建系统、临床诊断系统 | |
CN109670177A (zh) | 一种基于lstm实现医学语义归一化的控制方法及控制装置 | |
CN107038343A (zh) | 临床诊断模型的构建方法及构建系统、临床诊断系统 | |
WO2020224433A1 (zh) | 基于机器学习的目标对象属性预测方法及相关设备 | |
CN115223715A (zh) | 一种基于多模态信息融合的癌症预测方法与系统 | |
CN118098482B (zh) | 基于5g技术的智慧医疗管理系统及方法 | |
CN111477320B (zh) | 治疗效果预测模型的构建系统、治疗效果预测系统及终端 | |
Kumar et al. | Lungcov: A diagnostic framework using machine learning and Imaging Modality | |
Hou et al. | Periphery-aware COVID-19 diagnosis with contrastive representation enhancement | |
Bishnoi et al. | Artificial intelligence techniques used in medical sciences: a review | |
CN113342973A (zh) | 一种基于疾病二分类器的辅助诊断模型的诊断方法 | |
CN116864140A (zh) | 一种心内科术后护理监测数据处理方法及其系统 | |
Taherinezhad et al. | COVID-19 crisis management: Global appraisal using two-stage DEA and ensemble learning algorithms | |
CN117012373B (zh) | 一种葡萄胎辅助检查模型的训练方法、应用方法及系统 | |
Ali et al. | Pneumonia detection in chest X-ray images: Handling class imbalance | |
CN117727467A (zh) | 基于大数据的护理临床决策支持系统及方法 | |
CN113360643A (zh) | 一种基于短文本分类的电子病历数据质量评价方法 | |
CN117012370A (zh) | 多模态疾病辅助推理系统、方法、终端及存储介质 | |
CN116630062A (zh) | 一种医保欺诈行为检测方法、系统、存储介质 | |
He et al. | Midcn: A multiple instance deep convolutional network for image classification | |
CN116313141A (zh) | 一种基于知识图谱的不明原因发热智能问诊方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200107 |