CN110786839A - 瞬时无波形比值的生成方法、装置、设备及介质 - Google Patents
瞬时无波形比值的生成方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN110786839A CN110786839A CN201911158605.2A CN201911158605A CN110786839A CN 110786839 A CN110786839 A CN 110786839A CN 201911158605 A CN201911158605 A CN 201911158605A CN 110786839 A CN110786839 A CN 110786839A
- Authority
- CN
- China
- Prior art keywords
- target point
- current
- pressure waveform
- coordinates
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 210000000709 aorta Anatomy 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 82
- 238000012360 testing method Methods 0.000 claims description 75
- 230000006870 function Effects 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 12
- 206010002906 aortic stenosis Diseases 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003205 diastolic effect Effects 0.000 description 5
- 230000005284 excitation Effects 0.000 description 5
- OIRDTQYFTABQOQ-KQYNXXCUSA-N adenosine Chemical compound C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](CO)[C@@H](O)[C@H]1O OIRDTQYFTABQOQ-KQYNXXCUSA-N 0.000 description 4
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 208000025494 Aortic disease Diseases 0.000 description 2
- 239000002126 C01EB10 - Adenosine Substances 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 229960005305 adenosine Drugs 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000010989 Bland-Altman Methods 0.000 description 1
- 229930188970 Justin Natural products 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003143 atherosclerotic effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002966 stenotic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Theoretical Computer Science (AREA)
- Veterinary Medicine (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Cardiology (AREA)
- Vascular Medicine (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本申请提供了一种瞬时无波形比值的生成方法、装置、设备及介质,所述方法包括:利用设有特征增强层的人工神经网络的自学习能力,建立主动脉的压力波形特征与目标点坐标之间的对应关系;获取患者的当前主动脉的当前压力波形特征;通过所述对应关系,确定与所述当前压力波形特征对应的当前目标点坐标;具体地,确定与所述压力波形特征对应的当前目标点坐标,包括:将所述对应关系中与所述当前压力波形特征相同的压力波形特征所对应的目标点坐标,确定为所述当前目标点坐标;依据所述当前目标点坐标生产当前瞬时无波形比值。利用了高层次空间信息对目标点定位,使得信息表达鲁棒性更强,增加了特征增强层,能定位由个体差异性带来的不显着特征点。
Description
技术领域
本申请涉及医学检测领域,特别是瞬时无波形比值的生成方法、装置、设备及介质。
背景技术
心血管疾病是全球的头号死因,冠状动脉粥样硬化性主动脉病(冠心病)是世界范围内最重要的心血管疾病之一。临床上,有两种冠状动脉内生理指标可用于诊断冠状动脉疾病,需要使用腺苷的血流储备分数和无需使用腺苷的瞬时无波形比值。
瞬时无波形比是通过在无波动期间测量整个冠状动脉病变处的静息压力梯度来计算的。一直以来,瞬时无波形比值是心电图、无波动期间的狭窄远端压力和主动脉压共同来确定的。2015年,Sayan Sen和Justin E.Davies等人在《美国主动脉病学会杂志》提出,通过在静止的主动脉压力波形上准确定位目标点可以确定无波动期。这些目标点包括峰值,重博切迹和舒张末期的压力最低点。这是基于低层次形态学特征学习的方法,并且由于个体差异性有些特征点不显着。
现有技术对准确定位目标点有一定缺陷,(1)在临床瞬时无波形比值计算方法中:只运用了形态学特征;存在不显着点无法准确定位来计算瞬时无波形比值。
(2)检测计算瞬时无波形比值所需的三个目标点的难度高:很难对稀疏信号进行良好的特征表达;已存在的深度学习方法很难增强不显着但重要的特征点。
发明内容
鉴于所述问题,提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的瞬时无波形比值的生成方法、装置、设备及介质,包括:
一种瞬时无波形比值的生成方法,包括:
利用设有特征增强层的人工神经网络的自学习能力,建立主动脉的压力波形特征与目标点坐标之间的对应关系;
获取患者的当前主动脉的当前压力波形特征;
通过所述对应关系,确定与所述当前压力波形特征对应的当前目标点坐标;具体地,确定与所述压力波形特征对应的当前目标点坐标,包括:将所述对应关系中与所述当前压力波形特征相同的压力波形特征所对应的目标点坐标,确定为所述当前目标点坐标;
依据所述当前目标点坐标生产当前瞬时无波形比值。
进一步地,
所述压力波形特征,包括:现性特征和/或隐性特征,和/或由按设定规律自所述现性特征、所述隐性特征中提取的特征组成的一维或两维以上的数组;其中,
所述现性特征,包括:患者的性别、年龄、身高、体重;
和/或,
所述隐性特征,包括:稀疏信号的高层次空间信息,与低层次形态学特征;其中,所述隐性特征通过特征重标定对特征数据进行预筛选;
和/或,
所述对应关系,包括:函数关系;所述压力波形特征为所述函数关系的输入参数,所述目标点坐标为所述函数关系的输出参数;
确定与所述当前压力波形特征对应的当前目标点坐标,还包括:
当所述对应关系包括函数关系时,将所述当前压力波形特征输入所述函数关系中,确定所述函数关系的输出参数为当前目标点坐标。
进一步地,所述建立主动脉的压力波形特征与目标点坐标之间的对应关系的步骤,包括:
获取用于建立所述压力波形特征与所述目标点坐标之间的对应关系的样本数据;
分析所述压力波形特征的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;
使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述压力波形特征与所述目标点坐标的所述对应关系。
进一步地,所述获取用于建立所述压力波形特征与所述目标点坐标之间的对应关系的样本数据的步骤,包括:
收集不同主动脉状况的患者的所述压力波形特征和所述目标点坐标;
对所述压力波形特征进行分析、并结合预存的专家经验信息,选取与所述目标点坐标相关的数据作为所述压力波形特征;
将所述目标点坐标、以及选取的所述压力波形特征构成的数据对,作为样本数据。
进一步地,
所述网络结构,包括AlexNet网络,Squeeze-and-Excitation网络,VGG模型,GoogLeNet网络,ResNet网络,以及,Network-In-Network模型中的至少之一;
和/或,
所述网络参数,包括:输入尺寸,密集块数,输出层数,卷积层数,过渡块层数,学习率,初始权值,以及,偏置值中的至少之一。
进一步地,
对所述网络结构和所述网络参数进行训练,包括:
选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述压力波形特征输入到所述网络结构,通过所述网络结构的激活函数和所述网络参数进行训练,得到实际训练结果;
确定所述实际训练结果与所述训练样本中的相应目标点坐标之间的实际训练误差是否满足预设训练误差;
当所述实际训练误差满足所述预设训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;
和/或,
对所述网络结构和所述网络参数进行测试,包括:
选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述压力波形特征输入到所述训练完成的所述网络结构中,以所述激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;
确定所述实际测试结果与所述测试样本中的相应目标点坐标之间的实际测试误差是否满足设定测试误差;
当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
进一步地,
对所述网络结构和所述网络参数进行训练,还包括:
当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差能量函数更新所述网络参数;
通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
和/或,
对所述网络结构和所述网络参数进行测试,还包括:
当所述实际测试误差不满足所述设定测试误差时,对所述网络结构和所述网络参数进行重新训练,直至所述重新训练后的实际测试误差满足所述设定测试误差。
进一步地,所述依据所述当前目标点坐标生产当前瞬时无波形比值的步骤,包括:
依据所述当前目标点坐标确定当前无波动期;
依据所述当前无波动期确定在所述当前无波动期内的主动脉狭窄远端的平均压力,以及在所述当前无波动期内的平均主动脉压;
依据所述当前无波动期的主动脉狭窄远端的平均压力,以及所述当前无波动期的平均主动脉压生成所述瞬时无波形比值。
一种瞬时无波形比值的检测装置,包括:
建立模块,用于利用设有特征增强层的人工神经网络的自学习能力,建立主动脉的压力波形特征与目标点坐标之间的对应关系;其中,所述目标点坐标包括:压力峰值、重博切迹、舒张末期的压力最低点;
获取模块,用于获取患者的当前主动脉的当前压力波形特征;
确定模块,用于通过所述对应关系,确定与所述当前压力波形特征对应的当前目标点坐标;具体地,确定与所述压力波形特征对应的当前目标点坐标,包括:将所述对应关系中与所述当前压力波形特征相同的压力波形特征所对应的目标点坐标,确定为所述当前目标点坐标;
瞬时无波形比值生成模块,用于依据所述当前目标点坐标生产当前瞬时无波形比值。
一种设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的瞬时无波形比值的生成方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的瞬时无波形比值的生成方法的步骤。
本申请具有以下优点:
在本申请的实施例中,通过利用设有特征增强层的人工神经网络的自学习能力,建立主动脉的压力波形特征与目标点坐标之间的对应关系;获取患者的当前主动脉的当前压力波形特征;通过所述对应关系,确定与所述当前压力波形特征对应的当前目标点坐标;具体地,确定与所述压力波形特征对应的当前目标点坐标,包括:将所述对应关系中与所述当前压力波形特征相同的压力波形特征所对应的目标点坐标,确定为所述当前目标点坐标;依据所述当前目标点坐标生产当前瞬时无波形比值,利用了高层次空间信息对目标点定位,使得信息表达鲁棒性更强,增加了特征增强层,能定位由个体差异性带来的不显着特征点。
附图说明
为了更清楚地说明本申请的技术方案,下面将对本申请的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申请的一些实施例,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是本申请一实施例提供的一种瞬时无波形比值的生成方法的步骤流程图;
图2是本申请一实施例提供的一种瞬时无波形比值的生成方法的人工神经网络结构示意图;
图3是本申请一实施例提供的一种瞬时无波形比值的生成方法的特征增强模型结构示意图;
图4-a是本申请一具体实现提供的一种瞬时无波形比值的生成方法的目标点的定位误差比较示意图;
图4-b是本申请一具体实现提供的一种瞬时无波形比值的生成方法的误差区间比较示意图;
图4-c是本申请一具体实现提供的一种瞬时无波形比值的生成方法的准确率比较示意图;
图4-d是本申请一具体实现提供的一种瞬时无波形比值的生成方法的与真实值的一致性和相关性比较示意图;
图4-e是本申请一具体实现提供的一种瞬时无波形比值的生成方法的人工神经网络关注图;
图5是本申请一实施例提供的一种瞬时无波形比值的生成装置的结构框图;
图6是本发明一实施例的一种计算机设备的结构示意图。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
参照图1,示出了本申请一实施例提供的一种瞬时无波形比值的生成方法,包括:
S110、利用设有特征增强层的人工神经网络的自学习能力,建立主动脉的压力波形特征与目标点坐标之间的对应关系;其中,所述目标点坐标包括:压力峰值、重博切迹、舒张末期的压力最低点;
S120、获取患者的当前主动脉的当前压力波形特征;
S130、通过所述对应关系,确定与所述当前压力波形特征对应的当前目标点坐标;具体地,确定与所述压力波形特征对应的当前目标点坐标,包括:将所述对应关系中与所述当前压力波形特征相同的压力波形特征所对应的目标点坐标,确定为所述当前目标点坐标;
S140、依据所述当前目标点坐标生产当前瞬时无波形比值。
在本申请的实施例中,通过利用设有特征增强层的人工神经网络的自学习能力,建立主动脉的压力波形特征与目标点坐标之间的对应关系;其中,所述目标点坐标包括:压力峰值、重博切迹、舒张末期的压力最低点;获取患者的当前主动脉的当前压力波形特征;通过所述对应关系,确定与所述当前压力波形特征对应的当前目标点坐标;具体地,确定与所述压力波形特征对应的当前目标点坐标,包括:将所述对应关系中与所述当前压力波形特征相同的压力波形特征所对应的目标点坐标,确定为所述当前目标点坐标;依据所述当前目标点坐标生产当前瞬时无波形比值,利用了高层次空间信息对目标点定位,使得信息表达鲁棒性更强,增加了特征增强层,能定位由个体差异性带来的不显着特征点。
下面,将对本示例性实施例中瞬时无波形比值的生成方法作进一步地说明。
如上述步骤S110所述,利用设有特征增强层的人工神经网络的自学习能力,建立主动脉的压力波形特征与目标点坐标之间的对应关系。
例如:利用人工神经网络算法来分析目标点坐标对应的主动脉的显示状态规律,通过人工神经网络的自学习、自适应特性找到患者主动脉的压力波形特征与目标点坐标间的映射规律。
例如:可以利用人工神经网络算法,通过对大量不同志愿者(包括但不限于如下的一种或多种:年龄,是否有病情,性别,病况等)的主动脉的压力波形特征汇总收集,选取若干志愿者的主动脉的压力波形特征及目标点坐标作为样本数据,对神经网络进行学习和训练,通过调整网络结构及网络节点间的权值,使神经网络拟合主动脉的压力波形特征及目标点坐标之间的关系,最终使神经网络能准确拟合出不同患者的主动脉的压力波形特征及目标点坐标的对应关系。
在一实施例中,所述压力波形特征,包括:现性特征和/或隐性特征,和/或由按设定规律自所述现性特征、所述隐性特征中提取的特征组成的一维或两维以上的数组;
可选地,所述现性特征,包括:患者的性别、年龄、身高、体重;
可选地,所述隐性特征,包括:稀疏信号的高层次空间信息,与低层次形态学特征;其中,所述隐性特征通过特征重标定对特征数据进行预筛选;
具体地,通过特征表示框架获取稀疏信号的高层次空间信息,与低层次形态学特征进行融合,之后对稀疏信号进行有效的特征表达。该特征增强机制通过特征重标定抑制无用特征和激活有用特征,增强重要但不显着的特征点,可以有效地解决已有临床方法的缺陷,对稀疏信号进行良好的特征表示并增强重要但不显着的特征点。
在一实施例中,所述对应关系,包括:函数关系。
优选地,所述压力波形特征为所述函数关系的输入参数,所述目标点坐标为所述函数关系的输出参数;
由此,通过多种形式的对应关系,可以提升对当前压力波形特征确定的灵活性和便捷性。
在一实施例中,可以结合下列描述进一步说明步骤S110中“建立主动脉的压力波形特征与目标点坐标之间的对应关系”的具体过程。
如下列步骤所述:获取用于建立所述压力波形特征与所述目标点坐标之间的对应关系的样本数据;
在一进阶实施例中,可以结合下列描述进一步说明“获取用于建立所述压力波形特征与所述目标点坐标之间的对应关系的样本数据”的具体过程。
如下列步骤所述:收集不同主动脉状况的患者的所述压力波形特征和所述目标点坐标;
例如:数据搜集:搜集不同健康状况的患者的压力波形特征及对应的目标点坐标;以及,搜集不同年龄的患者的压力波形特征及对应的目标点坐标;以及,搜集不同性别的患者的压力波形特征及对应的目标点坐标。
由此,通过多种途径收集运行数据,有利于增加运行数据的量,提升人工神经网络的学习能力,进而提升确定的对应关系的精准性和可靠性。
如下列步骤所述:对所述压力波形特征进行分析、并结合预存的专家经验信息,选取与所述目标点坐标相关的数据作为所述压力波形特征(例如:选取对目标点坐标有影响的压力波形特征作为输入参数,将指定参数作为输出参数);
例如:通过将已确诊的志愿者的相关数据中的压力波形特征作为输入参数,将其相关数据中的目标点坐标作为输出参数。
如下列步骤所述:将所述目标点坐标、以及选取的所述压力波形特征构成的数据对,作为样本数据。
例如:将得到的输入、输出参数对,一部分用作训练本样数据,一部分用作测试样本数据。
由此,通过对收集到的压力波形特征进行分析及处理,进而得到样本数据,操作过程简单,操作结果可靠性高。
如下列步骤所述:分析所述压力波形特征的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;
例如:根据不同的年龄、病情、性别等对主动脉情况具有影响的数据特性及其所蕴含的规律,可初步确定网络的基本结构、网络的输入、输出节点数、网络隐层数、隐节点数、网络初始权值等。
优选地,所述网络结构,包括:AlexNet网络,Squeeze-and-Excitation网络,VGG模型,GoogLeNet网络,ResNet网络,以及,深度特征增强网络中的至少之一。
优选地,所述网络参数,包括:输入尺寸,密集块数,输出层数,卷积层数,过渡块层数,学习率,初始权值,以及,偏置值中的至少之一。
参照图2,需要说明的是,所述网络结构优选采用深度特征增强网络,其中,所述深度特征增强网络,具有的特征结构包括:特征表示框架和特征增强模块,其中,所述特征表示框架利用特征密集连接学习一维稀疏信号,收集丰富的信息进行良好的特征表示;所述特征增强模块将从特征表示框架中收集来的特征进行重新标定,抑制无用的特征,增强有用的特征。
具体地,所述特征表示框架:为了尽可能多地获取一维稀疏压力信号的高层次空间信息,在所述特征表示框架中采用密集连接来获取足够丰富的特征。在所述特征表示框架中,网络的第一个过程使用密集连接模块进行多通道的特征捕获;然后,为了降低网络维度,过渡模块以卷积特征图的1x1空间窗作为输入;最后,为了得到三个目标点的具体坐标,预测模块采用多层全连接层对其进行神经元输出。
具体地,所述密集连接模块包括三个,每个密集连接模块包括四个卷积块,每个卷积块包含一个批归一化层,一个整流线性单元以及卷积核大小为3的卷积层。
其密集连接可表示为:
xl=Rl([x0,x1,…,xl-1])
式中,[x0,x1,....,xl-1]表示连接从0到l-1层的特征图;Rl表示卷积块操作,具体包括:批量归一化、ReLU激活和一层卷积层。
具体地,所述特征增强模块:
参照图3,为了增强不显着特征,我们在特征表示框架中引入特征增强模块,所述特征增强模块可以是特殊的一维压缩和激励模块(1D Squeeze-and-Excitation)。
具体地,该模块包含如下三个部分:
第一部分:
压缩操作,为了解除滤波器通道响应的独立性,在局部感受野之外捕获上下文信息,采用全局平均池化将独立的特征通道挤压成一个实数数列,其中,目标函数为:
式中,u=[u1,u2,...,uk]是输出特征图的集合;k是滤波器的数量;由特征图u和长度W来确定的;zk是z中第k个元素的特征图。
第二部分:
激励过程,为了全面捕获通道间的依赖性,激励过程运用了一个sigmoid函数的门机制,并且采用两层全连接层获取更多的非线性元素,给每个特征图生成了各自的权重。其中,目标函数如下:
s=Fex(z,W)=α2(g(z,W))=α2(W2α1(W1z))
第三部分:
重校准过程,将激励过程输出的权重加权到先前的特征上,在通道维度上完成对原始特征的重标定。其中,目标函数如下:
Fscale(uc,sc)表示特征图uc与激励过程的输出标量sc逐通道的相乘。
如下列步骤所述:使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述压力波形特征与所述目标点坐标的所述对应关系。
例如:网络设计完成后,需用训练样本数据对设计完成的神经网络进行训练。训练方法可根据实际的网络结构及训练中发现的问题进行调整。
由此,通过收集图像数据,从中选取样本数据,并基于样本数据进行训练和测试,确定压力波形特征与目标点坐标之间的对应关系,有利于提升对指定参数生成的精准性。
可选地,可以结合下列描述进一步说明步骤“使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述压力波形特征与所述目标点坐标的所述对应关系”中对所述网络结构和所述网络参数进行训练的具体过程。
如下列步骤所述,选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述压力波形特征输入到所述网络结构,通过所述网络结构的激活函数和所述网络参数进行训练,得到实际训练结果;确定所述实际训练结果与所述训练样本中的相应目标点坐标之间的实际训练误差是否满足预设训练误差;当所述实际训练误差满足所述预设训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;
更可选地,对所述网络结构和所述网络参数进行训练,还包括:
当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差能量函数更新所述网络参数;通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
例如:若测试误差满足要求,则网络训练测试完成。
由此,通过将测试样本用于训练得到的网络结构和网络参数进行测试,以进一步验证网络结构及网络参数的可靠性。
可选地,可以结合下列描述进一步说明步骤“使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述压力波形特征与所述目标点坐标的所述对应关系”中对所述网络结构和所述网络参数进行测试的具体过程。
如下列步骤所述,选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述压力波形特征输入到所述训练完成的所述网络结构中,以所述激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;确定所述实际测试结果与所述测试样本中的相应目标点坐标之间的实际测试误差是否满足设定测试误差;当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
如上述步骤S120所述,获取患者的当前主动脉的当前压力波形特征;
如上述步骤S130所述,通通过所述对应关系,确定与所述当前压力波形特征对应的当前目标点坐标。
例如:实时识别出患者的主动脉的压力波形特征。
由此,通过基于对应关系,根据当前压力波形特征有效地识别出主动脉的当前目标点坐标,从而为医生的诊断提供准确的判断依据,且判断结果精准性好。
在一个可选例子中,步骤S130中确定与所述压力波形特征对应的当前目标点坐标,可以包括:将所述对应关系中与所述当前压力波形特征相同的压力波形特征所对应的目标点坐标,确定为所述当前目标点坐标。
在一个可选例子中,步骤S130中确定与所述压力波形特征对应的当前目标点坐标,还可以包括:当所述对应关系可以包括函数关系时,将所述当前压力波形特征输入所述函数关系中,确定所述函数关系的输出参数为当前目标点坐标。
由此,通过基于对应关系或函数关系,根据当前压力波形特征确定当前目标点坐标,确定方式简便,确定结果可靠性高。
在一个可选实施方式中,还可以包括:验证所述当前目标点坐标与实际目标点坐标是否相符的过程。
可选地,可以接收到所述当前目标点坐标与实际目标点坐标不符的验证结果、和/或确定所述对应关系中没有与所述当前压力波形特征相同的压力波形特征时,对所述对应关系进行更新、修正、再学习中的至少一种维护操作。
例如:设备本身无法获知到实际目标点坐标,需要有医生的反馈操作才行,即如果设备智能判断出目标点坐标,医生通过操作反馈其与实际的状态不符,设备才能获知。
验证所述当前目标点坐标与实际目标点坐标是否相符(例如:可以通过AR显示模块对实际目标点坐标进行显示,以验证确定的所述当前目标点坐标与实际目标点坐标是否相符)。
当所述当前目标点坐标与实际目标点坐标不符、和/或所述对应关系中没有与所述当前压力波形特征相同的压力波形特征时,对所述对应关系进行更新、修正、再学习中的至少一种维护操作。
例如:可以根据维护后的对应关系,根据所述当前压力波形特征确定当前目标点坐标。例如:将维护后的所述对应关系中与所述当前压力波形特征相同的压力波形特征对应的目标点坐标,确定为当前目标点坐标。
由此,通过对确定的压力波形特征与目标点坐标之间的对应关系的维护,有利于提升对目标点坐标确定的精准性和可靠性。
如上述步骤S140所述,依据所述当前目标点坐标生产当前瞬时无波形比值。
可选地,可以结合下列描述进一步说明步骤S140中“依据所述当前目标点坐标生产当前瞬时无波形比值”的具体过程。
如下列步骤所述,依据所述当前目标点坐标确定当前无波动期;
需要说明的是,现有计算无波动期的方式为,无波动期是从进入舒张期开始的25%到舒张期结束之前的5ms结束计算的,其中,所述目标点中的重博切迹用于确定舒张期的起始点,所述舒张末期的压力最低点用于确定舒张期的结束点;
如下列步骤所述,依据所述当前无波动期确定在所述当前无波动期内的主动脉狭窄远端的平均压力,以及在所述当前无波动期内的平均主动脉压;
需要说明的是,所述主动脉狭窄远端的平均压力通过如下过程获得,具体为:获取所述主动脉狭窄远端的实时压力数据,筛选出处于所述当前无波动期中的实时压力数据,并计算出该部分压力数据的平均压力;
需要说明的是,所述平均主动脉压通过如下过程获得,具体为:获取所述主动脉的实时压力数据,,筛选出处于所述当前无波动期中的实时压力数据,并计算出该部分压力数据的平均压力。
如下列步骤所述,依据所述当前无波动期的主动脉狭窄远端的平均压力,以及所述当前无波动期的平均主动脉压生成所述瞬时无波形比值。
具体为,将所述当前无波动期的主动脉狭窄远端的平均压力除以所述当前无波动期的平均主动脉压,从而得出所述瞬时无波形比值。
参照图4-a~4-d,在一具体实现中,在Linux(Ubuntu16.04)台式机上使用Python完成了本方法实施例所需的代码,其中,该台式机带有Intel(R)Xeon(R)CPU E5-2620和24GDDR2内存;图形卡是Nvidia(R)Quadro K600(1G RAM)。利用Adam优化器(lr=1e-4,beta_1=0.9)在以Tensorflow为后台的Keras库上实现了深度学习平台,特征表示框架的压缩设置为0.1,权重衰减率设置为0.0001。来自100个受试者的1457个样本参与到留一法训练中,每个样本尺寸被设置为250x 1。
通过以下六种标准对本方法实施例中的人工神经网络的定位性能进行衡量:
(1)预测值与真实值之间的均方根误差;
(2)预测值与真实值之间的绝对误差;
(3)不同两点间的距离误差;
(4)预测值的准确率;
(5)归一化误差分布;
(6)相关性分析和Bland-Altman分析。
将深度特征增强网络和特征表示框架同其他现有的方法进行如上所述的六种指标对比。其他现有的方法包括:AlexNet,VGG16,GoogleNet,ResNet。
通过图中的数据结果可以得出,
本发明实施例提供的方法对目标点的定位误差在三种指标上均最小;
在归一化对点误差上,本发明实施例提供的方法的误差区间最小;
本发明实施例提供的方法的准确率最高,即,本发明实施例提出的深度特征增强网络可以进行良好的特征表示并增强重要但不显着的特征,准确定位目标点;
在结果一致性方面,本发明实施例提供的方法说得出的结果与真实值的一致性很高,可以准确预测目标点的位置。
如图4-e所示,为了证明特征增强模块的实质作用,对网络感兴趣区域进行了关注,将有特征增强模块的神经网络同没有该模块的特征表示框架进行了比较。
图中(a)为原始样本包含三个目标点(红星),(b)和(c)分别表示加特征增强模块之后的神经网络关注图和没有加特征增强模块的神经网络关注图。可以明显得出特征增强模块可以让神经网络将注意力更加集中到目标区域。
对于装置实施例而言,由于其与方法实施例基本相似,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。
参照图5,示出了本申请一实施例提供的一种瞬时无波形比值的检测装置,包括:
建立模块510,用于利用设有特征增强层的人工神经网络的自学习能力,建立主动脉的压力波形特征与目标点坐标之间的对应关系;其中,所述目标点坐标包括:压力峰值、重博切迹、舒张末期的压力最低点;
获取模块520,用于获取患者的当前主动脉的当前压力波形特征;
确定模块530,用于通过所述对应关系,确定与所述当前压力波形特征对应的当前目标点坐标;具体地,确定与所述压力波形特征对应的当前目标点坐标,包括:将所述对应关系中与所述当前压力波形特征相同的压力波形特征所对应的目标点坐标,确定为所述当前目标点坐标;
瞬时无波形比值生成模块540,用于依据所述当前目标点坐标生产当前瞬时无波形比值。
在一实施例中,所述压力波形特征,包括:兴趣区图像序列中按设定规律提取的用于表示每个像素的运动模式;其中,
所述压力波形特征,包括:现性特征和/或隐性特征,和/或由按设定规律自所述现性特征、所述隐性特征中提取的特征组成的一维或两维以上的数组;其中,
所述现性特征,包括:患者的性别、年龄、身高、体重;
和/或,
所述隐性特征,包括:稀疏信号的高层次空间信息,与低层次形态学特征;其中,所述隐性特征通过特征重标定对特征数据进行预筛选;
和/或,
所述对应关系,包括:函数关系;所述压力波形特征为所述函数关系的输入参数,所述目标点坐标为所述函数关系的输出参数;
确定与所述当前压力波形特征对应的当前目标点坐标,还包括:
当所述对应关系包括函数关系时,将所述当前压力波形特征输入所述函数关系中,确定所述函数关系的输出参数为当前目标点坐标。
在一实施例中,所述建立模块510,包括:
获取子模块,用于获取用于建立所述压力波形特征与所述目标点坐标之间的对应关系的样本数据;
分析子模块,用于分析所述压力波形特征的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;
训练子模块,用于使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述压力波形特征与所述目标点坐标的所述对应关系。
在一实施例中,所述获取子模块,包括:
收集子模块,用于收集不同主动脉状况的患者的所述压力波形特征和所述目标点坐标;
分析子模块,用于对所述压力波形特征进行分析、并结合预存的专家经验信息,选取与所述目标点坐标相关的数据作为所述压力波形特征;
样本数据生成子模块,用于将所述目标点坐标、以及选取的所述压力波形特征构成的数据对,作为样本数据。
在一实施例中,
所述网络结构,包括AlexNet网络,Squeeze-and-Excitation网络,VGG模型,GoogLeNet网络,ResNet网络,以及,Network-In-Network模型中的至少之一;
和/或,
所述网络参数,包括:输入尺寸,密集块数,输出层数,卷积层数,过渡块层数,学习率,初始权值,以及,偏置值中的至少之一。
在一实施例中,
所述训练子模块,包括:
训练结果生成子模块,用于选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述压力波形特征输入到所述网络结构,通过所述网络结构的激活函数和所述网络参数进行训练,得到实际训练结果;
训练结果误差判断子模块,用于确定所述实际训练结果与所述训练样本中的相应目标点坐标之间的实际训练误差是否满足预设训练误差;
训练完成判定子模块,用于当所述实际训练误差满足所述预设训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;
和/或,
测试子模块,用于对所述网络结构和所述网络参数进行测试,所述测试子模块,包括:
测试结果生成子模块,用于选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述压力波形特征输入到所述训练完成的所述网络结构中,以所述激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;
测试结果误差判断子模块,用于确定所述实际测试结果与所述测试样本中的相应目标点坐标之间的实际测试误差是否满足设定测试误差;
测试完成判定子模块,用于当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
在一实施例中,
所述训练子模块,还包括:
网络参数更新子模块,用于当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差能量函数更新所述网络参数;
第一重训练子模块,用于通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
和/或,
所述测试子模块,还包括:
第二重训练子模块,用于当所述实际测试误差不满足所述设定测试误差时,对所述网络结构和所述网络参数进行重新训练,直至所述重新训练后的实际测试误差满足所述设定测试误差。
在一实施例中,所述瞬时无波形比值生成模块540,包括:
当前无波动期确定子模块,用于依据所述当前目标点坐标确定当前无波动期;
主动脉狭窄远端平均压力及平均主动脉压确定子模块,用于依据所述当前无波动期确定在所述当前无波动期内的主动脉狭窄远端的平均压力,以及在所述当前无波动期内的平均主动脉压;
瞬时无波形比值生成子模块,用于依据所述当前无波动期的主动脉狭窄远端的平均压力,以及所述当前无波动期的平均主动脉压生成所述瞬时无波形比值。
参照图6,示出了本发明的一种瞬时无波形比值的生成方法的计算机设备,具体可以包括如下:
上述计算机设备12以通用计算设备的形式表现,计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种,包括存储器总线18或者存储器控制器,外围总线18,图形加速端口,处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线18,微通道体系结构(MAC)总线18,增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块42,这些程序模块42被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)界面22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)),广域网(WAN)和/或公共网络(例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白,尽管图6中未示出,可以结合计算机设备12使用其他硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的瞬时无波形比值的生成方法。
也即,上述处理单元16执行上述程序时实现:利用设有特征增强层的人工神经网络的自学习能力,建立主动脉的压力波形特征与目标点坐标之间的对应关系;获取患者的当前主动脉的当前压力波形特征;通过所述对应关系,确定与所述当前压力波形特征对应的当前目标点坐标;具体地,确定与所述压力波形特征对应的当前目标点坐标,包括:将所述对应关系中与所述当前压力波形特征相同的压力波形特征所对应的目标点坐标,确定为所述当前目标点坐标;依据所述当前目标点坐标生产当前瞬时无波形比值。
在本发明实施例中,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有实施例提供的瞬时无波形比值的生成方法:
也即,给程序被处理器执行时实现:利用设有特征增强层的人工神经网络的自学习能力,建立主动脉的压力波形特征与目标点坐标之间的对应关系;获取患者的当前主动脉的当前压力波形特征;通过所述对应关系,确定与所述当前压力波形特征对应的当前目标点坐标;具体地,确定与所述压力波形特征对应的当前目标点坐标,包括:将所述对应关系中与所述当前压力波形特征相同的压力波形特征所对应的目标点坐标,确定为所述当前目标点坐标;依据所述当前目标点坐标生产当前瞬时无波形比值。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机克顿信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPOM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的瞬时无波形比值的生成方法、装置、设备及介质,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种瞬时无波形比值的生成方法,其特征在于,包括:
利用设有特征增强层的人工神经网络的自学习能力,建立主动脉的压力波形特征与目标点坐标之间的对应关系;其中,所述目标点坐标包括:压力峰值、重博切迹、舒张末期的压力最低点;
获取患者的当前主动脉的当前压力波形特征;
通过所述对应关系,确定与所述当前压力波形特征对应的当前目标点坐标;具体地,确定与所述压力波形特征对应的当前目标点坐标,包括:将所述对应关系中与所述当前压力波形特征相同的压力波形特征所对应的目标点坐标,确定为所述当前目标点坐标;
依据所述当前目标点坐标生产当前瞬时无波形比值。
2.根据权利要求1所述的方法,其特征在于,
所述压力波形特征,包括:现性特征和/或隐性特征,和/或由按设定规律自所述现性特征、所述隐性特征中提取的特征组成的一维或两维以上的数组;其中,
所述现性特征,包括:患者的性别、年龄、身高、体重;
和/或,
所述隐性特征,包括:稀疏信号的高层次空间信息,与低层次形态学特征;其中,所述隐性特征通过特征重标定对特征数据进行预筛选;
和/或,
所述对应关系,包括:函数关系;所述压力波形特征为所述函数关系的输入参数,所述目标点坐标为所述函数关系的输出参数;
确定与所述当前压力波形特征对应的当前目标点坐标,还包括:
当所述对应关系包括函数关系时,将所述当前压力波形特征输入所述函数关系中,确定所述函数关系的输出参数为当前目标点坐标。
3.根据权利要求1所述的方法,其特征在于,所述建立主动脉的压力波形特征与目标点坐标之间的对应关系的步骤,包括:
获取用于建立所述压力波形特征与所述目标点坐标之间的对应关系的样本数据;
分析所述压力波形特征的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;
使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述压力波形特征与所述目标点坐标的所述对应关系。
4.根据权利要求3所述的方法,其特征在于,所述获取用于建立所述压力波形特征与所述目标点坐标之间的对应关系的样本数据的步骤,包括:
收集不同主动脉状况的患者的所述压力波形特征和所述目标点坐标;
对所述压力波形特征进行分析、并结合预存的专家经验信息,选取与所述目标点坐标相关的数据作为所述压力波形特征;
将所述目标点坐标、以及选取的所述压力波形特征构成的数据对,作为样本数据。
5.根据权利要求4所述的方法,其特征在于,
所述网络结构,包括AlexNet网络,Squeeze-and-Excitation网络,VGG模型,GoogLeNet网络,ResNet网络,以及,Network-In-Network模型中的至少之一;
和/或,
所述网络参数,包括:输入尺寸,密集块数,输出层数,卷积层数,过渡块层数,学习率,初始权值,以及,偏置值中的至少之一。
6.根据权利要求3-5任一项所述的方法,其特征在于,
对所述网络结构和所述网络参数进行训练,包括:
选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述压力波形特征输入到所述网络结构,通过所述网络结构的激活函数和所述网络参数进行训练,得到实际训练结果;
确定所述实际训练结果与所述训练样本中的相应目标点坐标之间的实际训练误差是否满足预设训练误差;
当所述实际训练误差满足所述预设训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;
和/或,
对所述网络结构和所述网络参数进行测试,包括:
选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述压力波形特征输入到所述训练完成的所述网络结构中,以所述激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;
确定所述实际测试结果与所述测试样本中的相应目标点坐标之间的实际测试误差是否满足设定测试误差;
当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
7.根据权利要求1所述的方法,其特征在于,所述依据所述当前目标点坐标生产当前瞬时无波形比值的步骤,包括:
依据所述当前目标点坐标确定当前无波动期;
依据所述当前无波动期确定在所述当前无波动期内的主动脉狭窄远端的平均压力,以及在所述当前无波动期内的平均主动脉压;
依据所述当前无波动期的主动脉狭窄远端的平均压力,以及所述当前无波动期的平均主动脉压生成所述瞬时无波形比值。
8.一种瞬时无波形比值的检测装置,其特征在于,包括:
建立模块,用于利用设有特征增强层的人工神经网络的自学习能力,建立主动脉的压力波形特征与目标点坐标之间的对应关系;其中,所述目标点坐标包括:压力峰值、重博切迹、舒张末期的压力最低点;
获取模块,用于获取患者的当前主动脉的当前压力波形特征;
确定模块,用于通过所述对应关系,确定与所述当前压力波形特征对应的当前目标点坐标;具体地,确定与所述压力波形特征对应的当前目标点坐标,包括:将所述对应关系中与所述当前压力波形特征相同的压力波形特征所对应的目标点坐标,确定为所述当前目标点坐标;
瞬时无波形比值生成模块,用于依据所述当前目标点坐标生产当前瞬时无波形比值。
9.一种设备,其特征在于,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911158605.2A CN110786839A (zh) | 2019-11-22 | 2019-11-22 | 瞬时无波形比值的生成方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911158605.2A CN110786839A (zh) | 2019-11-22 | 2019-11-22 | 瞬时无波形比值的生成方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110786839A true CN110786839A (zh) | 2020-02-14 |
Family
ID=69445997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911158605.2A Pending CN110786839A (zh) | 2019-11-22 | 2019-11-22 | 瞬时无波形比值的生成方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110786839A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022110095A1 (zh) * | 2020-11-26 | 2022-06-02 | 苏州润迈德医疗科技有限公司 | 获取冠状动脉血管评价参数的方法及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019025270A1 (en) * | 2017-08-01 | 2019-02-07 | Siemens Healthcare Gmbh | NON-INVASIVE EVALUATION AND THERAPY GUIDANCE FOR CORONAROPATHY IN DIFFUSE AND TANDEM INJURIES |
CN109770888A (zh) * | 2019-03-19 | 2019-05-21 | 苏州润迈德医疗科技有限公司 | 基于压力传感器和造影图像计算瞬时无波形比率的方法 |
CN110400298A (zh) * | 2019-07-23 | 2019-11-01 | 中山大学 | 心脏临床指标的检测方法、装置、设备及介质 |
CN110414607A (zh) * | 2019-07-31 | 2019-11-05 | 中山大学 | 胶囊内窥镜图像的分类方法、装置、设备及介质 |
-
2019
- 2019-11-22 CN CN201911158605.2A patent/CN110786839A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019025270A1 (en) * | 2017-08-01 | 2019-02-07 | Siemens Healthcare Gmbh | NON-INVASIVE EVALUATION AND THERAPY GUIDANCE FOR CORONAROPATHY IN DIFFUSE AND TANDEM INJURIES |
CN109770888A (zh) * | 2019-03-19 | 2019-05-21 | 苏州润迈德医疗科技有限公司 | 基于压力传感器和造影图像计算瞬时无波形比率的方法 |
CN110400298A (zh) * | 2019-07-23 | 2019-11-01 | 中山大学 | 心脏临床指标的检测方法、装置、设备及介质 |
CN110414607A (zh) * | 2019-07-31 | 2019-11-05 | 中山大学 | 胶囊内窥镜图像的分类方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
RICARDO PETRACO 等: "ECG-Independent Calculation of Instantaneous Wave-Free Ratio", 《JACC: CARDIOVASCULAR INTERVENTIONS》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022110095A1 (zh) * | 2020-11-26 | 2022-06-02 | 苏州润迈德医疗科技有限公司 | 获取冠状动脉血管评价参数的方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400298B (zh) | 心脏临床指标的检测方法、装置、设备及介质 | |
CN111612756B (zh) | 冠状动脉特异性钙化检测方法及装置 | |
CN109192305B (zh) | 一种基于深度循环神经网络的心功能自动分析方法 | |
CN111095232B (zh) | 发掘用于机器学习技术中的基因组 | |
CN114999629A (zh) | 一种基于多特征融合的ad早期预测方法、系统、装置 | |
CN111340794B (zh) | 冠状动脉狭窄的量化方法及装置 | |
CN112132801A (zh) | 一种基于深度学习的肺大泡病灶检测方法及系统 | |
CN111724365B (zh) | 血管内动脉瘤修复手术的介入器械检测方法、系统及装置 | |
CN112508884A (zh) | 一种癌变区域综合检测装置及方法 | |
CN114359629A (zh) | 一种基于深度迁移学习的肺炎x胸片分类识别方法 | |
CN115089139A (zh) | 结合生物特征识别的个性化生理参数测量方法 | |
CN113313714B (zh) | 一种基于改进U-Net网络的冠脉OCT图像病变斑块分割方法 | |
CN111462082A (zh) | 一种病灶图片识别装置、方法、设备及可读存储介质 | |
CN117274185B (zh) | 检测方法、检测模型产品、电子设备及计算机存储介质 | |
CN111028940A (zh) | 肺结节多尺度检测方法、装置、设备及介质 | |
CN110786839A (zh) | 瞬时无波形比值的生成方法、装置、设备及介质 | |
CN114862865B (zh) | 基于多视角冠状动脉造影序列图像的血管分割方法及系统 | |
CN116172573A (zh) | 一种基于改进的Inception-ResNet-v2的心律失常图像分类方法 | |
CN111297388B (zh) | 一种血流储备分数测量装置 | |
CN113222985B (zh) | 一种图像处理方法、装置、计算机设备和介质 | |
CN111080625B (zh) | 肺部影像条索检测模型的训练方法及其训练装置 | |
CN113902738A (zh) | 一种心脏mri分割方法及系统 | |
CN114340483B (zh) | 一种血压标定选择方法及其建模方法 | |
CN116738352B (zh) | 视网膜血管阻塞疾病的视杆细胞异常分类方法及装置 | |
CN116563270A (zh) | 一种基于ct影像随机区域的肺气肿量化分析方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200214 |
|
WD01 | Invention patent application deemed withdrawn after publication |