CN111358431B - 一种食道压力云图的标识识别方法及设备 - Google Patents
一种食道压力云图的标识识别方法及设备 Download PDFInfo
- Publication number
- CN111358431B CN111358431B CN202010160069.6A CN202010160069A CN111358431B CN 111358431 B CN111358431 B CN 111358431B CN 202010160069 A CN202010160069 A CN 202010160069A CN 111358431 B CN111358431 B CN 111358431B
- Authority
- CN
- China
- Prior art keywords
- neural network
- pressure cloud
- network model
- cloud picture
- identification
- 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
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
- A61B5/4222—Evaluating particular parts, e.g. particular organs
- A61B5/4233—Evaluating particular parts, e.g. particular organs oesophagus
-
- 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
-
- 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
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
-
- 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
- G06V2201/09—Recognition of logos
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Endocrinology (AREA)
- Gastroenterology & Hepatology (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种食道压力云图的标识识别方法及设备。该方法包括:将食道压力云图输入标识识别神经网络模型;所述标识识别神经网络模型输出至少一个标识的位置坐标;在所述食道压力云图上根据所述标识的位置坐标对所述标识进行标记;所述标识包括UES松弛位置、IRP计算框、DCI计算框和CDP位置四者中的全部或部分。能够自动标记出食道压力云图中的标识(如UES松弛位置、IRP计算框、DCI计算框和CDP位置),减少了食道压力云图分析人员的工作量,通过标识识别神经网络模型能够准确识别出食道压力云图中的标识,无需人工参与调整,进一步地减少了分析人员工作量。
Description
技术领域
本发明涉及医疗图像识别领域,特别是涉及一种食道压力云图的标识识别方法及设备。
背景技术
食管测压是评价食管动力异常的金标准。与传统测压(采用4导或8导的测压导管,插管后采用逐步牵拉的方式进行测压)相比,高分辨率测压(high resolution manometry,HRM,例如根据食管HRM导管21~36通道的水灌注HRM和测压通道高达33~36通道的固态HRM)可更直观、准确地反映食管动力情况。国际HRM工作组制定了食管动力异常分类标准(芝加哥分类标准,简称CC)。
芝加哥分类给出一些技术参数便于医生进行后续诊断,这些参数主要有IRP、DCI、DL。而这些参数的获取依赖于吞咽框中一些标识(如DCI计算框、IRP计算框、CDP位置和UES松弛位置等)的识别。
现有的建立计算框的方法一般是依赖人工标识,人工处理会降低处理速度,耗费人力。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种食道压力云图的标识识别方法及设备。
为了实现本发明的上述目的,根据本发明的第一个方面,本发明提供了一种食道压力云图的标识识别方法,包括:
将食道压力云图输入标识识别神经网络模型;
所述标识识别神经网络模型输出至少一个标识的位置坐标;
在所述食道压力云图上根据所述标识的位置坐标对所述标识进行标记;
所述标识包括UES松弛位置、IRP计算框、DCI计算框和CDP位置四者中的全部或部分。上述技术方案的有益效果为:能够自动标记出食道压力云图中的标识(如UES松弛位置、IRP计算框、DCI计算框和CDP位置),减少了食道压力云图分析人员的工作量,通过标识识别神经网络模型能够准确识别出食道压力云图中的标识,无需人工参与调整,进一步地减少了分析人员工作量。
在本发明的一种优选实施方式中,获取所述标识识别神经网络模型的过程包括:
步骤S1,获取多个食道压力云图;
步骤S2,对于每个食道压力云图进行如下操作:
对食道压力云图上的标识进行标记,获取被标记的标识的位置坐标,利用所有标识的位置坐标构建位置向量,所述位置向量与所述食道压力云图相互关联;
将关联了位置向量的所有食道压力云图划分为训练集、验证集和测试集;
步骤S3,构建以食道压力云图为输入,以位置向量为输出的神经网络模型;将训练集分批次导入所述神经网络模型,若损失函数值的降低率小于等于降低率阈值,和/或若将验证集和测试集输入所述神经网络模型获得的回归位置向量与验证集和测试集关联的位置向量的差值小于等于第一阈值时,停止训练,保存当前的模型参数,将所述模型参数代入神经网络模型后获得标识识别神经网络模型;否者优化损失函数,继续将训练集分批次导入所述神经网络模型进行训练。
上述技术方案的有益效果为:在标识识别神经网络模型建立的过程中,以准确标记标识后的食道压力云图为训练集、验证集和测试集,通过不断优化损失函数,进一步提高了模型识别食道压力云图中标识的准确性。
在本发明的一种优选实施方式中,在所述步骤S1中,所述食道压力云图包含一个蠕动吞咽过程。
上述技术方案的有益效果为:使得样本中包含了一个完整的吞咽数据,与实际食道测压时的压力云图一致。
在本发明的一种优选实施方式中,所述食道压力云图的时间长度大于T,所述T大于等于20秒。
上述技术方案的有益效果为:确保食道压力云图包含一个蠕动吞咽过程。
在本发明的一种优选实施方式中,在所述步骤S2中,所述标识包括UES松弛位置、IRP计算框、DCI计算框和CDP位置;
所述位置向量记为Y=[x0,y0,y1,x2,y2,x3,y3,x4,y4,x5,y5],其中,(x0,y0)为UES松弛位置坐标;y1为IRP计算框左上角纵坐标;(x2,y2)为IRP计算框右下角位置坐标;(x3,y3)和(x4,y4)分别为DCI计算框左上角位置坐标和右下角位置坐标;(x5,y5)为CDP位置坐标。
上述技术方案的有益效果为:只以UES松弛位置、IRP计算框、DCI计算框和CDP位置各标识的关键位置点构建了位置向量,使得位置向量长度较短,减少了运算量。
在本发明的一种优选实施方式中,所述神经网络模型的损失函数为:
或者所述神经网络模型的损失函数为:
或者所述神经网络模型的损失函数为:
其中,表示神经网络模型输出的回归位置向量;λ1表示第一超参数;λ2表示第二超参数;k表示固定系数,/>0<k<1,N表示训练集、验证集和测试集中食道压力云图总量,y5i、y4i和y3i分别表示第i幅食道压力云图中CDP位置纵坐标、DCI计算框右下角位置纵坐标和DCI计算框左上角位置纵坐标;y0′表示UES松弛位置纵坐标回归值;y1′表示IRP计算框左上角纵坐标回归值;y2′表示IRP计算框右下角纵坐标回归值;y3′表示DCI计算框左上角纵坐标回归值;y4′表示DCI右下角纵坐标回归值;y5′表示CDP位置纵坐标回归值。
上述技术方案的有益效果为:将损失函数中加上食道中解剖位置限制项,能够加快神经网络模型的训练收敛速度,并且提高标识识别的准确度。
在本发明的一种优选实施方式中,所述神经网络模型的最后一层不采用激活函数激活。
上述技术方案的有益效果为:最后一层不采用激活函数能够直接输出坐标的回归值,减少计算量。
在本发明的一种优选实施方式中,在所述步骤S3中,采用Adam或SGD优化器优化损失函数。
上述技术方案的有益效果为:使得模型训练速度加快。
为了实现本发明的上述目的,根据本发明的第二个方面,本发明提供了一种食道压力云图的标识识别设备,包括数据获取单元、处理单元以及显示单元;
所述处理单元从所述数据获取单元获取食道测压数据并绘制出食道压力云图,根据本发明所述的标识识别方法识别出所述食道压力云图中的标识并标记,在显示单元上显示标记标识后的食道压力云图。
上述技术方案的有益效果为:能够自动标记出食道压力云图中的标识(如UES松弛位置、IRP计算框、DCI计算框和CDP位置),减少了食道压力云图分析人员的工作量,通过标识识别神经网络模型能够准确识别出食道压力云图中的标识,无需人工参与调整,进一步地减少了分析人员工作量。
附图说明
图1是本发明一具体实施方式中食道压力云图的标识识别方法的流程示意图;
图2是本发明一具体实施方式中标识识别效果示意图;
图3是本发明一具体实施方式中食道压力云图的标识识别设备的系统框图;
图4是本发明一具体实施方式中损失函数值与训练次数关系图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,除非另有规定和限定,需要说明的是,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
本发明公开了一种食道压力云图的标识识别方法,在一种优选实施方式中,如图1所示的流程示意图,该方法包括:
将食道压力云图输入标识识别神经网络模型;
标识识别神经网络模型输出至少一个标识的位置坐标;
在食道压力云图上根据标识的位置坐标对标识进行标记;
标识包括UES(上食管括约肌)松弛位置、IRP(Integrated relaxation pressure,完整松弛压力)计算框、DCI(Distal contractile integral,远端收缩积分)计算框和CDP(Contractile deceleration point,收缩减速点)位置四者中的全部或部分。
在本实施方式中,食道压力云图可为实际食道检测时获得的,也可为仿真模拟获得的,优选的,输入的食道压力云图的时间长度与标识识别神经网络模型训练集、验证集和测试集中的食道压力云图样本的时间长度一致,以提高标识识别准确性。标识识别神经网络模型为预先训练好的模型。
在本实施方式中,对标识进行标记的形式优选但不限于为方框标记、点标记、圆圈标记等形式中的一种或任意组合。
在本实施方式中,标识的位置坐标优选的为可以表征标识区域的关键位置点坐标,如在使用方框标记标识后,关键位置坐标可为IRP计算框左上角纵坐标、右下角位置坐标;DCI计算框左上角位置坐标和右下角位置坐标,这样在不影响识别精度的前提下,能够极大地减少运算量,加快识别速度。
在本实施方式中,图2给出了一种标识识别的效果示意图,在该示意图中,A区域表示UES区域(上食管括约肌区域),B区域表示食管体部区域,C区域表示LES区域(下食管括约肌区域)。对UES松弛位置和CDP位置进行了点标记,对IRP计算框和DCI计算框进行了框标记。
在本实施方式中,本发明采用神经网络能够提高标识识别的准确率。
在一种优选实施方式中,获取标识识别神经网络模型的过程包括:
步骤S1,获取多个食道压力云图;
步骤S2,对于每个食道压力云图进行如下操作:
对食道压力云图上的标识进行标记,获取被标记的标识的位置坐标,利用所有标识的位置坐标构建位置向量,位置向量与食道压力云图相互关联;
将关联了位置向量的所有食道压力云图划分为训练集、验证集和测试集;
步骤S3,构建以食道压力云图为输入,以位置向量为输出的神经网络模型;将训练集分批次导入神经网络模型,若损失函数值的降低率小于等于降低率阈值,和/或若将验证集和测试集输入神经网络模型获得的回归位置向量与验证集和测试集关联的位置向量的差值小于等于第一阈值,停止训练,保存当前的模型参数,将模型参数代入神经网络模型后获得标识识别神经网络模型;否者优化损失函数,继续将训练集分批次导入所述神经网络模型进行训练。
在本实施方式中,损失函数值与神经网络模型训练次数的关系曲线如图4所示,随着训练次数的增加,损失函数值的降低率逐渐减小。优选的,降低率阈值在0-0.1范围内选择。
在本实施方式中,训练停止条件有两个,一个条件是损失函数值的降低率小于等于降低率阈值,另一个条件是若将验证集和测试集输入神经网络模型获得的回归位置向量与验证集和测试集关联的位置向量的差值小于等于第一阈值;至少能够满足其中一个条件时,就停止训练。第一阈值优选但不限于在验证集和测试集关联的位置向量的±5%里面选择。
在本实施方式中,在步骤S1中,获取的食道压力云图优选的具有多样化,包含各种年龄段的不同病变的,以及没有病变的食道压力云图。优选的,从实际病例的压力总云图中截取每口吞咽框(即一个蠕动吞咽过程)图像数据作为一个食道压力云图。
在本实施方式中,优选的,对获取的食道压力云图进行预处理,该预处理为:剔除模糊不清晰的食道压力云图;使食道压力云图的起始点为吞咽框开始时刻点,使食道压力云图的时间长度保持一致。
在本实施方式中,在步骤S2中,对食道压力云图上的标识进行标记可采用人工方式。
在一种优选实施方式中,在步骤S1中,食道压力云图包含一个蠕动吞咽过程。
在一种优选实施方式中,食道压力云图的时间长度大于T,T大于等于20秒。
在一种优选实施方式中,在步骤S2中,如图2所示,标识包括UES松弛位置、IRP计算框、DCI计算框和CDP位置;
位置向量记为Y=[x0,y0,y1,x2,y2,x3,y3,x4,y4,x5,y5],其中,(x0,y0)为UES松弛位置坐标;y1为IRP计算框左上角纵坐标;(x2,y2)为IRP计算框右下角位置坐标;(x3,y3)和(x4,y4)分别为DCI计算框左上角位置坐标和右下角位置坐标;(x5,y5)为CDP位置坐标,这些关键位置点在图2中通过圆圈和黑点进行了示意。
在一种优选实施方式中,神经网络模型的损失函数为:
或者神经网络模型的损失函数为:
或者神经网络模型的损失函数为:
其中,表示神经网络模型输出的回归位置向量;λ1表示第一超参数,其数值取正实数,优选可根据先验经验获得;λ2表示第二超参数,其数值取正实数,优选可根据先验经验获得;k表示固定系数,/>0<k<1,N表示训练集、验证集和测试集中食道压力云图总量,N为大于零的正整数,y5i、y4i和y3i分别表示第i幅食道压力云图中CDP位置纵坐标、DCI计算框右下角位置纵坐标和DCI计算框左上角位置纵坐标;y0′表示UES松弛位置纵坐标回归值;y1′表示IRP计算框左上角纵坐标回归值;y2′表示IRP计算框右下角纵坐标回归值;y3′表示DCI计算框左上角纵坐标回归值;y4′表示DCI右下角纵坐标回归值;y5′表示CDP位置纵坐标回归值。
在本实施方式中,因为根据解剖位置关系,y3实际上是靠近y0与之间距离的/>位置处的,在损失函数中加入限制项/>能够使得网络训练时回归位置向量中y3′加快往y0′与/>之间距离的/>位置处靠近,进而加快训练出满足要求的回归位置向量的速度,并且提高标识准确度。
在本实施方式中,因为根据解剖位置关系,CDP位置纵坐标位置靠近DCI计算框纵坐标y3与y4之间距离的k处,在损失函数中加入限制项能够使得网络训练时,回归位置向量中y5′加快往y3′与y4′之间距离的k处靠近,进而加快训练出满足要求的回归位置向量的速度,并且提高标识识别准确率。
在本实施方式中,将两个限制项同时加入损失函数,能够进一步地加快训练出满足要求的回归位置向量的速度,并且提高标识识别准确率。
在一种优选实施方式中,神经网络模型的最后一层不采用激活函数激活。
在本实施方式中,因为最后的结果是要得到坐标的回归值,最后一层不采用激活函数就能够直接输出坐标的回归值,减少计算量;如果和常规的神经网络层一样加入激活函数,输出的结果还需要按照激活函数的缩放比例反算出回归值,因为激活函数会将数值压缩到一个范围,如果要得到坐标回归值,必须进行反算。
在一种优选实施方式中,在步骤S3中,采用Adam或SGD优化器优化损失函数。
本发明还公开了一种食道压力云图的标识识别设备,在一种优选实施方式中,该设备的系统框图如图3所示,包括数据获取单元、处理单元以及显示单元;
处理单元从数据获取单元获取食道测压数据并绘制出食道压力云图,根据本发明的标识识别方法识别出食道压力云图中的标识并标记,在显示单元上显示标记标识后的食道压力云图。
在本实施方式中,数据获取单元可以从高分辨食道测压系统获得食道测压数据,也可以从存储设备获得食道测压数据,或者也可以从食道测压模拟设备获得模拟的食道测压数据。数据获取单元优选但不限于为有线通信模块(通过串口、以太网接口与高分辨食道测压系统、存储设别或食道测压模拟设备连接通信),或者为无线通信模块(通过WIFI、射频、ZIgbee等通信协议与高分辨食道测压系统、存储设别或食道测压模拟设备连接通信)。
在本实施方式中,处理单元优选但不限于为电脑或者微处理器,优选的,处理单元分别通过串口或并口与数据获取单元和显示单元连接通信。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种食道压力云图的标识识别方法,其特征在于,包括:
获取标识识别神经网络模型:
步骤S1,获取多个食道压力云图;
步骤S2,对于每个食道压力云图进行如下操作:
对食道压力云图上的标识进行标记,获取被标记的标识的位置坐标,利用所有标识的位置坐标构建位置向量,所述位置向量与所述食道压力云图相互关联;
所述标识包括UES松弛位置、IRP计算框、DCI计算框和CDP位置;
所述位置向量记为Y=[x0,y0,y1,x2,y2,x3,y3,x4,y4,x5,y5],其中,(x0,y0)为UES松弛位置坐标;y1为IRP计算框左上角纵坐标;(x2,y2)为IRP计算框右下角位置坐标;(x3,y3)和(x4,y4)分别为DCI计算框左上角位置坐标和右下角位置坐标;(x5,y5)为CDP位置坐标;
所述神经网络模型的损失函数为:
或者所述神经网络模型的损失函数为:
或者所述神经网络模型的损失函数为:
其中,表示神经网络模型输出的回归位置向量;λ1表示第一超参数;λ2表示第二超参数;k表示固定系数,0<k<1,N表示训练集、验证集和测试集中食道压力云图总量,y5i、y4i和y3i分别表示第i幅食道压力云图中CDP位置纵坐标、DCI计算框右下角位置纵坐标和DCI计算框左上角位置纵坐标;y0'表示UES松弛位置纵坐标回归值;y1'表示IRP计算框左上角纵坐标回归值;y2'表示IRP计算框右下角纵坐标回归值;y3'表示DCI计算框左上角纵坐标回归值;y4'表示DCI右下角纵坐标回归值;y5'表示CDP位置纵坐标回归值;
将关联了位置向量的所有食道压力云图划分为训练集、验证集和测试集;
步骤S3,构建以食道压力云图为输入,以位置向量为输出的神经网络模型;将训练集分批次导入所述神经网络模型,若损失函数值的降低率小于等于降低率阈值,和/或若将验证集和测试集输入所述神经网络模型获得的回归位置向量与验证集和测试集关联的位置向量的差值小于等于第一阈值,停止训练,保存当前的模型参数,将所述模型参数代入神经网络模型后获得标识识别神经网络模型;否者优化损失函数,继续将训练集分批次导入所述神经网络模型进行训练;
将食道压力云图输入标识识别神经网络模型;
所述标识识别神经网络模型输出至少一个标识的位置坐标;
在所述食道压力云图上根据所述标识的位置坐标对所述标识进行标记;
所述标识包括UES松弛位置、IRP计算框、DCI计算框和CDP位置四者中的全部或部分。
2.如权利要求1所述的食道压力云图的标识识别方法,其特征在于,在所述步骤S1中,所述食道压力云图包含一个蠕动吞咽过程。
3.如权利要求2所述的食道压力云图的标识识别方法,其特征在于,所述食道压力云图的时间长度大于T,所述T大于等于20秒。
4.如权利要求1所述的食道压力云图的标识识别方法,其特征在于,所述神经网络模型的最后一层不采用激活函数激活。
5.如权利要求1所述的食道压力云图的标识识别方法,其特征在于,在所述步骤S3中,采用Adam或SGD优化器优化损失函数。
6.一种食道压力云图的标识识别设备,其特征在于,包括数据获取单元、处理单元以及显示单元;
所述处理单元从所述数据获取单元获取食道测压数据并绘制出食道压力云图,根据权利要求1-5之一所述的标识识别方法识别出所述食道压力云图中的标识并标记,在显示单元上显示标记标识后的食道压力云图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010160069.6A CN111358431B (zh) | 2020-03-06 | 2020-03-06 | 一种食道压力云图的标识识别方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010160069.6A CN111358431B (zh) | 2020-03-06 | 2020-03-06 | 一种食道压力云图的标识识别方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111358431A CN111358431A (zh) | 2020-07-03 |
CN111358431B true CN111358431B (zh) | 2023-03-24 |
Family
ID=71198406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010160069.6A Active CN111358431B (zh) | 2020-03-06 | 2020-03-06 | 一种食道压力云图的标识识别方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111358431B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116687466B (zh) * | 2023-08-04 | 2023-10-10 | 南京诺源医疗器械有限公司 | 一种基于位置识别的食道细胞采集胶囊及其控制系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050080832A1 (en) * | 2003-09-05 | 2005-04-14 | Stuebe Thomas D. | Esophageal waveform analysis for detection and quantification of reflux episodes |
US7303528B2 (en) * | 2004-05-18 | 2007-12-04 | Scimed Life Systems, Inc. | Serialization of single use endoscopes |
US20080167675A1 (en) * | 2005-02-03 | 2008-07-10 | Sture Hogosta | System, Device And Method For Recording Pressure Profiles In The Pharynx And In The Upper Isophageal Sphincter Upon Swallowing |
US10860888B2 (en) * | 2018-01-05 | 2020-12-08 | Whirlpool Corporation | Detecting objects in images |
CN108427988A (zh) * | 2018-03-14 | 2018-08-21 | 重庆金山医疗器械有限公司 | 一种消化道解剖位置识别装置 |
CN108710830B (zh) * | 2018-04-20 | 2020-08-28 | 浙江工商大学 | 一种结合密集连接注意力金字塔残差网络和等距限制的人体3d姿势估计方法 |
CN110598504B (zh) * | 2018-06-12 | 2023-07-21 | 北京市商汤科技开发有限公司 | 图像识别方法及装置、电子设备和存储介质 |
CN108836273B (zh) * | 2018-06-27 | 2019-11-22 | 重庆金山医疗器械有限公司 | 食管动力功能评价系统及方法 |
CN109091110B (zh) * | 2018-08-13 | 2021-04-13 | 重庆金山医疗器械有限公司 | 一种食道测压标识识别系统及电子设备和存储介质 |
CN109544526B (zh) * | 2018-11-15 | 2022-04-26 | 首都医科大学附属北京友谊医院 | 一种慢性萎缩性胃炎图像识别系统、装置和方法 |
CN110473192B (zh) * | 2019-04-10 | 2021-05-14 | 腾讯医疗健康(深圳)有限公司 | 消化道内镜图像识别模型训练及识别方法、装置及系统 |
-
2020
- 2020-03-06 CN CN202010160069.6A patent/CN111358431B/zh active Active
Non-Patent Citations (1)
Title |
---|
胃食道酸碱度动态监测信号的人工神经网络分析算法;王磊;《西安交通大学学报》;20000220;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111358431A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11984217B2 (en) | Method and apparatus for processing histological image captured by medical imaging device | |
EP2229867A1 (en) | Image processing device and image processing program | |
CN111358431B (zh) | 一种食道压力云图的标识识别方法及设备 | |
CN109141248A (zh) | 基于图像的猪体重测算方法及系统 | |
CN109091110B (zh) | 一种食道测压标识识别系统及电子设备和存储介质 | |
CN107454389A (zh) | 待测系统的视频质量评价方法及系统 | |
CN106338590A (zh) | 一种基于计算机视觉监测鱼类生命体征的水质监测方法 | |
CN106073786A (zh) | 一种身高测量装置及测量方法 | |
CN108596062A (zh) | 基于深度学习的人脸图片实时高光去除方法及装置 | |
DE102020002279A1 (de) | System, Beatmungsgerät und Verfahren zur Echtzeit-Bestimmung einer lokalen Beanspruchung einer Lunge während einer künstlichen Beatmung | |
CN112966571B (zh) | 一种基于机器视觉的立定跳远腾空高度量测方法 | |
CN103961095A (zh) | 电阻抗断层扫描设备和方法 | |
CN109242792B (zh) | 一种基于白色物体的白平衡校对方法 | |
CN107767874A (zh) | 一种婴儿啼哭声识别提示方法及系统 | |
CN117593308A (zh) | 一种用于呼吸重症患者的呼吸监测预警方法 | |
CN115661856A (zh) | 一种基于Lite-HRNet的自定义康复训练监测与评估方法 | |
CN105976342A (zh) | 一种自适应的灰度图像伪彩色处理方法 | |
CN105139373B (zh) | 基于独立子空间分析的无参考图像质量客观评价方法 | |
CN112907539A (zh) | 基于深度学习的气管插管定位方法、装置和存储介质 | |
CN111973188A (zh) | 一种基于神经网络估算呼吸力学参数的方法 | |
CN104809688A (zh) | 基于仿射变换配准算法的羊体体尺测量方法及系统 | |
CN116993764A (zh) | 一种胃部ct智能分割提取方法 | |
CN110415246B (zh) | 一种腹部脂肪成分的分析方法 | |
CN109282438A (zh) | 空调的控制方法、装置及系统 | |
JP2022533167A (ja) | 乳牛の乳首の検出畳み込みニューラルネットワークモデル及びその構築方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |