CN111223076B - 神经系统影像分析方法和装置 - Google Patents

神经系统影像分析方法和装置 Download PDF

Info

Publication number
CN111223076B
CN111223076B CN201911394462.5A CN201911394462A CN111223076B CN 111223076 B CN111223076 B CN 111223076B CN 201911394462 A CN201911394462 A CN 201911394462A CN 111223076 B CN111223076 B CN 111223076B
Authority
CN
China
Prior art keywords
symptom
standard
user
information
nervous system
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
CN201911394462.5A
Other languages
English (en)
Other versions
CN111223076A (zh
Inventor
姜龙洲
刘伟
张志辉
王亦洲
李一鸣
孙钢
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.)
Beijing Shenrui Bolian Technology Co Ltd
Shenzhen Deepwise Bolian Technology Co Ltd
Original Assignee
Beijing Shenrui Bolian Technology Co Ltd
Shenzhen Deepwise Bolian Technology 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 Beijing Shenrui Bolian Technology Co Ltd, Shenzhen Deepwise Bolian Technology Co Ltd filed Critical Beijing Shenrui Bolian Technology Co Ltd
Priority to CN201911394462.5A priority Critical patent/CN111223076B/zh
Publication of CN111223076A publication Critical patent/CN111223076A/zh
Application granted granted Critical
Publication of CN111223076B publication Critical patent/CN111223076B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2468—Fuzzy queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Automation & Control Theory (AREA)
  • Animal Behavior & Ethology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Pathology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请实施例提供了一种神经系统影像分析方法、装置、电子设备和计算机可读存储介质。该神经系统影像分析方法包括：获取待分析神经系统影像的征象信息，其中，所述征象信息包括多个征象类型分别对应的多个征象表征取值；基于所述征象信息填充知识图谱，其中，所述知识图谱包括从属于多个检查项的所述多个征象类型，每个所述征象类型包括至少一个征象表征取值选项；将填充后的所述知识图谱与多个预设分析结果的标准图谱进行匹配，其中，所述标准图谱包括所述多个检查项，每个所述检查项包括多个征象类型，每个所述征象类型包括至少一个标准征象表征取值；以及将与所述知识图谱匹配的所述标准图谱所对应的所述预设分析结果反馈给用户。

Description

神经系统影像分析方法和装置
技术领域
本申请涉及数据分析技术领域，具体涉及一种神经系统影像分析方法、装置、电子设备和计算机可读存储介质。
背景技术
神经系统疾病的影像诊断和临床诊断一直是神经内科与神经外科的重点和难点，对于占位性病变的影像诊断，往往关系到后续治疗的决策方案。影像科医生与神经内(外)科医生日常阅片是基于先验知识的积累和疾病特殊征象的感官认识。由于神经系统肿瘤及占位性病变变化多样且种类亚型繁多，往往会存在诊断不明确、鉴别诊断不清晰的情况。传统的神经系统影像分析主要依靠翻阅资料式搜索分析结果以及传统的互联网搜索引擎搜索分析结果，这些分析方式均存在因呈现信息不集中而导致准确率低，以及获取信息的效率低等问题。
发明内容
有鉴于此，本申请实施例提供了一种神经系统影像分析方法、装置、电子设备和计算机可读存储介质，解决了现有神经系统影像分析的准确率低和效率低的问题。
根据本申请的一个方面，本申请一实施例提供的一种神经系统影像分析方法包括：获取待分析神经系统影像的征象信息，其中，所述征象信息包括多个征象类型分别对应的多个征象表征取值；
基于所述征象信息填充知识图谱，其中，所述知识图谱包括从属于多个检查项的所述多个征象类型，每个所述征象类型包括至少一个征象表征取值选项；
将填充后的所述知识图谱与多个预设分析结果的标准图谱进行匹配，其中，所述标准图谱包括所述多个检查项，每个所述检查项包括多个征象类型，每个所述征象类型包括至少一个标准征象表征取值；以及
将与所述知识图谱匹配的所述标准图谱所对应的所述预设分析结果反馈给用户。
在本申请一实施例中，所述获取待分析神经系统影像的征象信息包括：根据所述多个征象类型对应生成多个问题，将所述多个问题以及与所述征象类型对应的所述征象表征取值选项发送给用户；以及接收用户对于所述多个问题的多个应答，和/或，基于图像学算法分析所述待分析神经系统影像以获取对于所述多个问题的所述多个应答。
在本申请一实施例中，所述将与所述知识图谱匹配的所述标准图谱所对应的所述预设分析结果反馈给用户包括：当所述征象信息的每个征象表征取值都与一个所述标准图谱的每个对应的所述征象类型的所述标准征象表征取值对应时，将该一个所述标准图谱所对应的所述预设分析结果反馈给用户。
在本申请一实施例中，所述多个征象类型对应多个权重，其中，所述将与所述知识图谱匹配的所述标准图谱所对应的所述预设分析结果反馈给用户包括：基于所述多个权重，以加权求和的方式计算所述知识图谱与所述多个预设分析结果各自的所述标准图谱的命中得分；以及基于所述命中得分将所述多个预设分析结果排序，将排序在前的预设数量个所述预设分析结果反馈给用户。
在本申请一实施例中，所述多个征象类型对应神经系统的多个发病位置；其中，所述多个发病位置包括以下几项中的任意组合：大脑半球、丘脑和基底节区、鞍区、桥小脑角、侧脑室、小脑和脑干、松果体区和椎管。
在本申请一实施例中，所述多个预设分析结果配置有对应的多个详情信息，其中，所述详情信息包括以下信息中的一种或多种组合：疾病概述、诊断要点、鉴别诊断、典型病例和临床症状；其中，在将与所述知识图谱匹配的所述标准图谱所对应的所述预设分析结果反馈给用户之后，所述方法进一步包括：将与所述知识图谱匹配的所述标准图谱所对应的所述预设分析结果的所述详情信息反馈给用户。
根据本申请的另一个方面，本申请一实施例提供的一种神经系统影像分析装置包括：获取模块，配置为获取待分析神经系统影像的征象信息，其中，所述征象信息包括多个征象类型分别对应的多个征象表征取值；图谱填充模块，配置为基于所述征象信息填充知识图谱，其中，所述知识图谱包括从属于多个检查项的所述多个征象类型，每个所述征象类型包括至少一个征象表征取值选项；匹配模块，配置为将填充后的所述知识图谱与多个预设分析结果的标准图谱进行匹配，其中，所述标准图谱包括所述多个检查项，每个所述检查项包括多个征象类型，每个所述征象类型包括至少一个标准征象表征取值；以及反馈模块，配置为将与所述知识图谱匹配的所述标准图谱所对应的所述预设分析结果反馈给用户。
在本申请一实施例中，所述获取模块包括：问题生成单元，配置为根据所述多个征象类型对应生成多个问题，将所述多个问题以及与所述征象类型对应的所述征象表征取值选项发送给用户；以及应答单元，配置为接收用户对于所述多个问题的多个应答，和/或，基于图像学算法分析所述待分析神经系统影像以获取对于所述多个问题的所述多个应答。
在本申请一实施例中，所述反馈模块进一步配置为：当所述征象信息的每个征象表征取值都与一个所述标准图谱的每个对应的所述征象类型的所述标准征象表征取值对应时，将该一个所述标准图谱所对应的所述预设分析结果反馈给用户。
在本申请一实施例中，所述多个征象类型对应多个权重，其中，所述反馈模块进一步配置为：基于所述多个权重，以加权求和的方式计算所述知识图谱与所述多个预设分析结果各自的所述标准图谱的命中得分；以及基于所述命中得分将所述多个预设分析结果排序，将排序在前的预设数量个所述预设分析结果反馈给用户。
在本申请一实施例中，所述多个征象类型对应神经系统的多个发病位置；其中，所述多个发病位置包括以下几项中的任意组合：大脑半球、丘脑和基底节区、鞍区、桥小脑角、侧脑室、小脑和脑干、松果体区和椎管。
在本申请一实施例中，所述多个预设分析结果配置有对应的多个详情信息，其中，所述详情信息包括以下信息中的一种或多种组合：疾病概述、诊断要点、鉴别诊断、典型病例和临床症状；其中，在将与所述知识图谱匹配的所述标准图谱所对应的所述预设分析结果反馈给用户之后，所述方法进一步包括：将与所述知识图谱匹配的所述标准图谱所对应的所述预设分析结果的所述详情信息反馈给用户。
根据本申请的另一方面，本申请一实施例提供了一种电子设备，包括：处理器；存储器；以及存储在存储器中的计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行如上述任一项所述的神经系统影像分析方法。
根据本申请的另一方面，本申请一实施例提供了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有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如前任一所述的神经系统影像分析方法。
根据本申请的另一方面，本申请一实施例提供了一种计算机程序产品，包括计算机程序指令，所述计算机程序指令在被处理器运行时使得处理器执行如上述任一所述的神经系统影像分析方法。
本申请实施例提供的一种神经系统影像分析方法、装置、电子设备和计算机可读存储介质，通过填充知识图谱使得待分析神经系统影像的征象信息实现了信息的结构化，并通过将知识图谱与预设分析结果的标准图谱进行匹配，使得对于征象信息的分析过程转化为了结构化信息的处理分析过程，整个分析过程可通过数据处理的方式自行高效完成。且由于预设分析结果的标准图谱可预先建立，分析参考的标准数据的准确性可有效控制，分析结果的准确率高，相比于现有传统的翻阅资料式搜索和互联网搜索引擎搜索，可大大提高神经网络影像分析的的准确率和效率。
附图说明
图1所示为本申请一实施例提供的一种神经系统影像分析方法的流程示意图。
图2所示为本申请一实施例提供的一种神经系统影像分析方法中获取待分析神经系统影像的征象信息的具体过程的流程示意图。
图3所示为本申请一实施例提供的预设分析结果A的标准图谱的结构示意图。
图4所示为本申请一实施例提供的一种神经系统影像分析方法中将与知识图谱匹配的标准图谱所对应的预设分析结果反馈给用户的具体过程的流程示意图。
图5所示为本申请一实施例提供的一种神经系统影像分析方法中查询系统的原理示意图。
图6所示为本申请一实施例提供的神经系统影像分析装置的结构示意图。
图7所示为本申请另一实施例提供的神经系统影像分析装置的结构示意图。
图8所示为本申请一实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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。
图1所示为本申请一实施例提供的一种神经系统影像分析方法的流程示意图。如图1所示，该神经系统影像分析方法包括：
步骤101：获取待分析神经系统影像的征象信息，其中，征象信息包括多个征象类型分别对应的多个征象表征取值。
神经系统(nervous system)是机体内对生理功能活动的调节起主导作用的系统，主要由神经组织组成，分为中枢神经系统和周围神经系统两大部分。中枢神经系统又包括脑和脊髓，周围神经系统包括脑神经和脊神经。神经系统疾病的诊断目前可通过分析神经系统影像(例如电子计算机断层扫描的方式获取)中的征象进行。征象信息可包括多个征象类型分别对应的多个征象表征取值，每个征象表征取值用于表征对应的征象类型。
在本申请一实施例中，多个征象类型可对应神经系统的多个发病位置，其中，该多个发病位置可包括以下几项中的任意组合：大脑半球、丘脑和基底节区、鞍区、桥小脑角、侧脑室、小脑和脑干、松果体区和椎管。然而应当理解，根据实际应用场景需求的不同，该多个征象类型也可对应神经系统的其他发病位置，本申请对此不做严格限定。
例如，某患者的待分析神经系统影像的征象信息就可包括征象类型1、征象类型2...等多种征象类型，这些征象类型分别对应的征象表征取值可分别为a2、b1...。
在本申请一实施例中，如图2所示，获取待分析神经系统影像的征象信息的具体过程可包括：
步骤201：根据多个征象类型对应生成多个问题，将多个问题以及与征象类型对应的征象表征取值选项发送给用户。
步骤202：接收用户对于多个问题的多个应答，和/或，基于图像学算法分析待分析神经系统影像以获取对于多个问题的多个应答。
应当理解，上述获取征象信息的具体方式可以是有顺序的一问一答的形式进行，也可以是一次性发送给用户多个问题，由于与征象类型对应的征象表征取值选项也已经发给用户，用户可以选择征象表征取值选项的方式给出每个问答的应答。或者，还可以基于图像学算法分析待分析神经系统影像来匹配征象表征取值选项，具体而言，可以通过训练深度神经网络具备识别待分析神经系统影像中病灶并对病灶的形态进行分析的能力，然后根据该深度神经网络的输出结果匹配到对应的征象表征取值选项，并将该匹配到的征象表征取值选项作为问题的应答。
步骤102：基于征象信息填充知识图谱，其中，知识图谱包括从属于多个检查项的多个征象类型，每个征象类型包括至少一个征象表征取值选项。
知识图谱用于将征象信息转化为结构化数据，在获取了征象信息后，根据征象信息便可填充知识图谱中的信息。
知识图谱包括多个检查项，每个检查项可包括至少一个征象类型，每个征象类型包括至少一个征象表征取值选项。当在征象信息获取的过程中，用户应答其实是根据征象表征取值选项生成时，所获取的征象信息便已经包括了用户所选择的对应征象类型的征象表征取值选项，此时直接根据征象信息便可完成整个知识图谱。
步骤103：将填充后的知识图谱与多个预设分析结果的标准图谱进行匹配，其中，标准图谱包括多个检查项，每个检查项包括多个征象类型，每个征象类型包括至少一个标准征象表征取值。
预设分析结果的标准图谱为预先建立的，标准图谱包括多个检查项，每个检查项包括多个征象类型，每个征象类型包括至少一个标准征象表征取值。这样当确定了与知识图谱对应的标准图谱时，也就确定了对应的预设分析结果。
例如图3所示，在一个预设分析结果A的标准图谱中，可包括检查项1、检查项2、检查项3...等多个检查项；每个检查项包括征象类型1、征象类型2...等多个征象类型；每个征象类型又包括多个征象表征取值选项，例如，检查项1的征象类型1就包括a1和a2两种征象表征取值选项。应当理解，上述的字母和数字组合(例如a1)仅用作指代具体的标准征象表征取值，实际上的征象表征取值和标准征象表征取值是有具体的医学含义的，例如。然而根据实际应用场景的不同，征象表征取值和标准征象表征取值的具体内容可有所调整，本申请对此不做严格限定。
步骤104：将与知识图谱匹配的标准图谱所对应的预设分析结果反馈给用户。
由前面的描述可知，根据征象信息完善的知识图谱与预设分析结果的标准图谱有着类似的数据结构，这样通过比对知识图谱与预设分析结构的标准图谱，便可确定与知识图谱匹配的标准图谱，并由此确定对应的预设分析结果反馈给用户。
在本申请一实施例中，当征象信息的每个征象表征取值都与一个标准图谱的每个对应的征象类型的标准征象表征取值对应时，则认为找到了与知识图谱对应的标准图谱，也就找到了与该待分析神经系统影像对应的预设分析结果。此时将该分析结果和该征象信息反馈给用户即可，以使得用户可以在很短的时间内容获取到分析结果以及对应的征象信息罗列。
在本申请另一实施例中，多个征象类型对应多个权重，此时如图4所示，将与知识图谱匹配的标准图谱所对应的预设分析结果反馈给用户可具体包括如下步骤：
步骤401：基于多个权重，以加权求和的方式计算知识图谱与多个预设分析结果各自的标准图谱的命中得分。
步骤402：基于命中得分将多个预设分析结果排序，将排序在前的预设数量个预设分析结果反馈给用户。
由于每个预设分析结果的标准图谱各不相同，知识图谱的内容可能无法与某一个预设分析结构的标准图谱完全对应，因此可根据实际应用场景的需求为知识图谱中的每个征象类别分配一个权重，如果某一个征象类别的征象表征取值与一个标准图谱的对应征象类别的标准征象表征取值对应，那么就认为是命中，可取值为1；否则取值为0。这样通过加权求和的方式便可得出知识图谱的所有征象类别与一个标准图谱的命中得分。根据命中得分将预设分析结构排序以供医务人员参考，可进一步提高神经系统影像分析的智能性。
在本申请一实施例中，多个预设分析结果配置有对应的多个详情信息，其中，详情信息包括以下信息中的一种或多种组合：疾病概述、诊断要点、鉴别诊断、典型病例和临床症状。这样在将与知识图谱匹配的标准图谱所对应的预设分析结果反馈给用户之后，可进一步将与知识图谱匹配的标准图谱所对应的预设分析结果的详情信息反馈给用户。这样可使得用户可以通过参考预设分析结构对应的详情信息，进一步加深对预设分析结果的理解和认识，以更好的利用预设分析结果进行后续的分析工作。
在本申请一实施例中，还可进一步建立对于预设分析结果的详情信息的查询系统。具体而言，如图5所示，用户可选择是精确查询方式还是模糊查询方式，精确查询意味着检索词需要完全中标，模糊查询意味着检索词可以智能扩展。同时，还可借助对于检索词的智能联想和历史查询记录实现联想词查询和历史记录查询，联想词与检索词之间的对应关系可通过预学习过程建立。搜索的范围可以是预设分析结果的详情信息也可以是预设分析结构的标准图谱中的某一个征象类别的标准征象表征取值的内容。通过建立这种查询系统，可进一步方便用户获得预设分析结果的具体内容，以辅助解读神经系统影像的分析结果。
由此可见，本申请实施例提供的一种神经系统影像分析方法，通过填充知识图谱使得待分析神经系统影像的征象信息实现了信息的结构化，并通过将知识图谱与预设分析结果的标准图谱进行匹配，使得对于征象信息的分析过程转化为了结构化信息的处理分析过程，整个分析过程可通过数据处理的方式自行高效完成。且由于预设分析结果的标准图谱可预先建立，分析参考的标准数据的准确性可有效控制，分析结果的准确率高，相比于现有传统的翻阅资料式搜索和互联网搜索引擎搜索，可大大提高神经网络影像分析的的准确率和效率。
图6所示为本申请一实施例提供的神经系统影像分析装置的结构示意图。如图6所示，该一种神经系统影像分析装置60包括：
获取模块601，配置为获取待分析神经系统影像的征象信息，其中，征象信息包括多个征象类型分别对应的多个征象表征取值；
图谱填充模块602，配置为基于征象信息填充知识图谱，其中，知识图谱包括从属于多个检查项的多个征象类型，每个征象类型包括至少一个征象表征取值选项；
匹配模块603，配置为将填充后的知识图谱与多个预设分析结果的标准图谱进行匹配，其中，标准图谱包括多个检查项，每个检查项包括多个征象类型，每个征象类型包括至少一个标准征象表征取值；以及
反馈模块604，配置为将与知识图谱匹配的标准图谱所对应的预设分析结果反馈给用户。
本申请实施例提供的一种神经系统影像分析装置，通过填充知识图谱使得待分析神经系统影像的征象信息实现了信息的结构化，并通过将知识图谱与预设分析结果的标准图谱进行匹配，使得对于征象信息的分析过程转化为了结构化信息的处理分析过程，整个分析过程可通过数据处理的方式自行高效完成。且由于预设分析结果的标准图谱可预先建立，分析参考的标准数据的准确性可有效控制，分析结果的准确率高，相比于现有传统的翻阅资料式搜索和互联网搜索引擎搜索，可大大提高神经网络影像分析的准确率和效率。
在本申请一实施例中，如图7所示，获取模块601包括：问题生成单元6011，配置为根据多个征象类型对应生成多个问题，将多个问题以及与征象类型对应的征象表征取值选项发送给用户；以及应答单元6012，配置为接收用户对于多个问题的多个应答，和/或，基于图像学算法分析待分析神经系统影像以获取对于多个问题的多个应答。
在本申请一实施例中，反馈模块604进一步配置为：当征象信息的每个征象表征取值都与一个标准图谱的每个对应的征象类型的标准征象表征取值对应时，将该一个标准图谱所对应的预设分析结果反馈给用户。
在本申请一实施例中，多个征象类型对应多个权重，其中，反馈模块604进一步配置为：基于多个权重，以加权求和的方式计算知识图谱与多个预设分析结果各自的标准图谱的命中得分；以及基于命中得分将多个预设分析结果排序，将排序在前的预设数量个预设分析结果反馈给用户。
在本申请一实施例中，多个征象类型对应神经系统的多个发病位置；其中，多个发病位置包括以下几项中的任意组合：大脑半球、丘脑和基底节区、鞍区、桥小脑角、侧脑室、小脑和脑干、松果体区和椎管。
在本申请一实施例中，多个预设分析结果配置有对应的多个详情信息，其中，详情信息包括以下信息中的一种或多种组合：疾病概述、诊断要点、鉴别诊断、典型病例和临床症状；其中，在将与知识图谱匹配的标准图谱所对应的预设分析结果反馈给用户之后，方法进一步包括：将与知识图谱匹配的标准图谱所对应的预设分析结果的详情信息反馈给用户。
上述神经系统影像分析装置60中的各个模块的具体功能和操作已经在上面参考图1到图4描述的神经系统影像分析方法中进行了详细介绍。因此，这里将省略其重复描述。
需要说明的是，根据本申请实施例的神经系统影像分析装置60可以作为一个软件模块和/或硬件模块而集成到电子设备50中，换言之，该电子设备50可以包括该神经系统影像分析装置60。例如，该神经系统影像分析装置60可以是该电子设备50的操作系统中的一个软件模块，或者可以是针对于其所开发的一个应用程序；当然，该神经系统影像分析装置60同样可以是该电子设备70的众多硬件模块之一。
在本申请另一实施例中，该神经系统影像分析装置60与该电子设备70也可以是分立的设备(例如，服务器)，并且该神经系统影像分析装置60可以通过有线和/或无线网络连接到该电子设备70，并且按照约定的数据格式来传输交互信息。
图8所示为本申请一实施例提供的电子设备的结构示意图。如图8所示，该电子设备70包括：一个或多个处理器701和存储器702；以及存储在存储器702中的计算机程序指令，计算机程序指令在被处理器701运行时使得处理器701执行如上述任一实施例的神经系统影像分析方法。
处理器701可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器702可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器701可以运行程序指令，以实现上文的本申请的各个实施例的神经系统影像分析方法中的步骤以及/或者其他期望的功能。在计算机可读存储介质中还可以存储诸如光线强度、补偿光强度、滤光片的位置等信息。
在一个示例中，电子设备70还可以包括：输入装置703和输出装置704，这些组件通过总线系统和/或其他形式的连接机构(图8中未示出)互连。
例如，在该电子设备是如工业生产线上的机器人时，该输入装置703可以是摄像头，用于捕捉待加工零件的位置。在该电子设备是单机设备时，该输入装置703可以是通信网络连接器，用于从外部的可移动设备接收所采集的输入信号。此外，该输入装置703还可以包括例如键盘、鼠标、麦克风等等。
该输出装置704可以向外部输出各种信息，例如可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图8中仅示出了该电子设备70中与本申请有关的组件中的一些，省略了诸如总线、输入装置/输出接口等组件。除此之外，根据具体应用情况，电子设备70还可以包括任何其他适当的组件。
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，包括计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行如上述任一实施例的神经系统影像分析方法中的步骤。
计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性神经系统影像分析方法”部分中描述的根据本申请各种实施例的神经系统影像分析方法中的步骤。
计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。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、便携式盘、硬盘、随机存取存储器((RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种神经系统影像分析方法，其特征在于，包括：
获取待分析神经系统影像的征象信息，其中，所述征象信息包括多个征象类型分别对应的多个征象表征取值；所述获取待分析神经系统影像的征象信息包括：根据所述多个征象类型对应生成多个问题，将所述多个问题以及与所述征象类型对应的所述征象表征取值选项发送给用户；以及接收用户对于所述多个问题的多个应答，和/或，基于图像学算法分析所述待分析神经系统影像以获取对于所述多个问题的所述多个应答；
基于所述征象信息填充知识图谱，其中，所述知识图谱包括从属于多个检查项的所述多个征象类型，每个所述征象类型包括至少一个征象表征取值选项；
将填充后的所述知识图谱与多个预设分析结果的标准图谱进行匹配，其中，所述标准图谱包括所述多个检查项，每个所述检查项包括多个征象类型，每个所述征象类型包括至少一个标准征象表征取值；以及
将与所述知识图谱匹配的所述标准图谱所对应的所述预设分析结果反馈给用户。
2.根据权利要求1所述的方法，其特征在于，所述将与所述知识图谱匹配的所述标准图谱所对应的所述预设分析结果反馈给用户包括：
当所述征象信息的每个征象表征取值都与一个所述标准图谱的每个对应的所述征象类型的所述标准征象表征取值对应时，将该一个所述标准图谱所对应的所述预设分析结果反馈给用户。
3.根据权利要求1所述的方法，其特征在于，所述多个征象类型对应多个权重，其中，所述将与所述知识图谱匹配的所述标准图谱所对应的所述预设分析结果反馈给用户包括：
基于所述多个权重，以加权求和的方式计算所述知识图谱与所述多个预设分析结果各自的所述标准图谱的命中得分；以及
基于所述命中得分将所述多个预设分析结果排序，将排序在前的预设数量个所述预设分析结果反馈给用户。
4.根据权利要求1所述的方法，其特征在于，所述多个征象类型对应神经系统的多个发病位置；
其中，所述多个发病位置包括以下几项中的任意组合：大脑半球、丘脑和基底节区、鞍区、桥小脑角、侧脑室、小脑和脑干、松果体区和椎管。
5.根据权利要求1所述的方法，其特征在于，所述多个预设分析结果配置有对应的多个详情信息，其中，所述详情信息包括以下信息中的一种或多种组合：疾病概述、诊断要点、鉴别诊断、典型病例和临床症状；
其中，在将与所述知识图谱匹配的所述标准图谱所对应的所述预设分析结果反馈给用户之后，所述方法进一步包括：
将与所述知识图谱匹配的所述标准图谱所对应的所述预设分析结果的所述详情信息反馈给用户。
6.一种神经系统影像分析装置，其特征在于，包括：
获取模块，配置为获取待分析神经系统影像的征象信息，其中，所述征象信息包括多个征象类型分别对应的多个征象表征取值；所述获取待分析神经系统影像的征象信息包括：根据所述多个征象类型对应生成多个问题，将所述多个问题以及与所述征象类型对应的所述征象表征取值选项发送给用户；以及接收用户对于所述多个问题的多个应答，和/或，基于图像学算法分析所述待分析神经系统影像以获取对于所述多个问题的所述多个应答；
图谱填充模块，配置为基于所述征象信息填充知识图谱，其中，所述知识图谱包括从属于多个检查项的所述多个征象类型，每个所述征象类型包括至少一个征象表征取值选项；
匹配模块，配置为将填充后的所述知识图谱与多个预设分析结果的标准图谱进行匹配，其中，所述标准图谱包括所述多个检查项，每个所述检查项包括多个征象类型，每个所述征象类型包括至少一个标准征象表征取值；以及
反馈模块，配置为将与所述知识图谱匹配的所述标准图谱所对应的所述预设分析结果反馈给用户。
7.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1至5中任一所述的方法。
8.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1至5中任一所述的方法。
CN201911394462.5A 2019-12-30 2019-12-30 神经系统影像分析方法和装置 Active CN111223076B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911394462.5A CN111223076B (zh) 2019-12-30 2019-12-30 神经系统影像分析方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911394462.5A CN111223076B (zh) 2019-12-30 2019-12-30 神经系统影像分析方法和装置

Publications (2)

Publication Number Publication Date
CN111223076A CN111223076A (zh) 2020-06-02
CN111223076B true CN111223076B (zh) 2023-12-15

Family

ID=70829205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911394462.5A Active CN111223076B (zh) 2019-12-30 2019-12-30 神经系统影像分析方法和装置

Country Status (1)

Country Link
CN (1) CN111223076B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767952B (zh) * 2020-06-30 2024-03-29 重庆大学 一种可解释的肺结节良恶性分类方法
EP4170670A4 (en) * 2020-07-17 2023-12-27 Wuhan United Imaging Healthcare Co., Ltd. METHOD AND SYSTEM FOR PROCESSING MEDICAL DATA
CN117476163B (zh) * 2023-12-27 2024-03-08 万里云医疗信息科技（北京）有限公司 用于确定疾病结论的方法、装置以及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105380715A (zh) * 2015-10-28 2016-03-09 金晨望 一种基于规范、动态和结构化的影像诊断系统
CN107092918A (zh) * 2017-03-29 2017-08-25 太原理工大学 一种基于语义特征和有监督哈希的图像检索实现肺结节征象识别的方法
CN108389614A (zh) * 2018-03-02 2018-08-10 西安交通大学 基于图像分割与卷积神经网络构建医学影像图谱的方法
CN108630313A (zh) * 2018-05-15 2018-10-09 伊琦忠 精神卫生质量控制数据处理方法及装置
CN109378065A (zh) * 2018-10-30 2019-02-22 医渡云（北京）技术有限公司 医疗数据处理方法及装置、存储介质、电子设备
CN109830284A (zh) * 2017-11-23 2019-05-31 天启慧眼(北京)信息技术有限公司 医学影像的分析方法及装置
CN110010245A (zh) * 2019-03-20 2019-07-12 上海市精神卫生中心（上海市心理咨询培训中心） 一种精神疾病脑影像处理系统
CN110504028A (zh) * 2019-08-22 2019-11-26 上海软中信息系统咨询有限公司 一种疾病问诊方法、装置、系统、计算机设备和存储介质
CN110534197A (zh) * 2019-09-18 2019-12-03 四川省绵阳太古软件有限公司 一种体质识别系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2145310A4 (en) * 2007-04-30 2013-04-24 Clinical Decision Support Llc SYSTEM AND METHOD FOR COMPUTERIZED DIAGNOSTIC ARBITRATOR AND MEDICAL ADVICE
US11031107B2 (en) * 2017-01-11 2021-06-08 International Business Machines Corporation Extracting patient information from an electronic medical record
US10276190B2 (en) * 2017-06-19 2019-04-30 International Business Machines Corporation Sentiment analysis of mental health disorder symptoms

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105380715A (zh) * 2015-10-28 2016-03-09 金晨望 一种基于规范、动态和结构化的影像诊断系统
CN107092918A (zh) * 2017-03-29 2017-08-25 太原理工大学 一种基于语义特征和有监督哈希的图像检索实现肺结节征象识别的方法
CN109830284A (zh) * 2017-11-23 2019-05-31 天启慧眼(北京)信息技术有限公司 医学影像的分析方法及装置
CN108389614A (zh) * 2018-03-02 2018-08-10 西安交通大学 基于图像分割与卷积神经网络构建医学影像图谱的方法
CN108630313A (zh) * 2018-05-15 2018-10-09 伊琦忠 精神卫生质量控制数据处理方法及装置
CN109378065A (zh) * 2018-10-30 2019-02-22 医渡云（北京）技术有限公司 医疗数据处理方法及装置、存储介质、电子设备
CN110010245A (zh) * 2019-03-20 2019-07-12 上海市精神卫生中心（上海市心理咨询培训中心） 一种精神疾病脑影像处理系统
CN110504028A (zh) * 2019-08-22 2019-11-26 上海软中信息系统咨询有限公司 一种疾病问诊方法、装置、系统、计算机设备和存储介质
CN110534197A (zh) * 2019-09-18 2019-12-03 四川省绵阳太古软件有限公司 一种体质识别系统

Also Published As

Publication number Publication date
CN111223076A (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
CN111223076B (zh) 神经系统影像分析方法和装置
Palazzo et al. Decoding brain representations by multimodal learning of neural activity and visual features
Kächele et al. Methods for person-centered continuous pain intensity assessment from bio-physiological channels
US20130034277A1 (en) Systems and methods for modeling and processing functional magnetic resonance image data using full-brain vector auto-regressive model
Van Steenkiste et al. Transfer learning in ECG classification from human to horse using a novel parallel neural network architecture
US8442626B2 (en) Systems and methods for communicating with a computer using brain activity patterns
Naser et al. Recognition of emotions induced by music videos using DT-CWPT
CN111242893B (zh) 神经系统影像分析方法和装置
Mahajan et al. A real time set up for retrieval of emotional states from human neural responses
Hag et al. Enhancing EEG-based mental stress state recognition using an improved hybrid feature selection algorithm
Mane et al. StressNet: Hybrid model of LSTM and CNN for stress detection from electroencephalogram signal (EEG)
JP7382306B2 (ja) 診断支援装置、プログラム、学習済みモデル、および学習装置
Drakopoulos et al. Emotion Recognition from Speech: A Survey.
Qayyum et al. High-density electroencephalography and speech signal based deep framework for clinical depression diagnosis
Bi et al. TDLNet: Transfer data learning network for cross-subject classification based on multiclass upper limb motor imagery EEG
Cittadini et al. Affective state estimation based on Russell’s model and physiological measurements
Blahuta et al. The image recognition of brain-stem ultrasound images with using a neural network based on PCA
Hsu Embedded grey relation theory in Hopfield neural network: application to motor imagery EEG recognition
ALAKUŞ et al. Feature selection with sequential forward selection algorithm from emotion estimation based on EEG signals
Chen et al. Deep convolutional generative adversarial network-based EMG data enhancement for hand motion classification
Sidorov et al. An interpreter of a human emotional state based on a neural-like hierarchical structure
Kolekar et al. Biomedical signal and image processing in patient care
Dissanayake et al. DConv-LSTM-Net: A Novel Architecture for Single and 12-Lead ECG Anomaly Detection.
CN111276259B (zh) 服务确定、网络交互、分类方法和客户端、服务器和介质
Yaacob et al. Emotional profiling through supervised machine learning of interrupted EEG interpolation

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
GR01 Patent grant
GR01 Patent grant