CN111524579A - 肺功能曲线检测方法、装置、设备以及存储介质 - Google Patents
肺功能曲线检测方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN111524579A CN111524579A CN202010342276.3A CN202010342276A CN111524579A CN 111524579 A CN111524579 A CN 111524579A CN 202010342276 A CN202010342276 A CN 202010342276A CN 111524579 A CN111524579 A CN 111524579A
- Authority
- CN
- China
- Prior art keywords
- segment
- detection
- lung function
- expiratory
- function curve
- 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.)
- Granted
Links
Images
Classifications
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请实施例公开了肺功能曲线检测方法、装置、设备以及存储介质,涉及人工智能技术领域。该方法的一具体实施方式包括:获取M种检测模型,其中,M为正整数,表示获取的检测模型的种类;基于M种检测模型的检测维度,在肺功能曲线上确定N个检测段,其中,N为不大于M的正整数,表示确定的检测段的数目;利用M种检测模型对肺功能曲线上的N个检测段进行多维度检测,生成肺功能曲线的多维度检测结果。该实施方式提供了一种肺功能曲线的自动化检测方法,通过对肺功能曲线进行多维度检测来生成检测结果,提升了肺功能曲线的检测准确度。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及人工智能技术领域。
背景技术
慢性阻塞性肺疾病(chronic obstructive pulmonary diseases,COPD)是常见的肺部疾病。目前,慢性阻塞性肺疾病的患病人数越来越多,其已成为与高血压、糖尿病等量齐观的常见慢性病。
肺功能检查是慢性阻塞性肺疾病的必要检查项目,受政策驱动肺功能检查的需求将显著提高。肺功能检查是一项需要医生和患者高度配合的检查项目,需要医生指导患者完成检查,并对检查质量进行判断,只有合格的肺功能检查报告才有实际的筛查意义。然而,具备检查质量评估能力的医生的人数有限,通过人工评估的方式已无法满足如此庞大的检查需求。
发明内容
本申请实施例提出了肺功能曲线检测方法、装置、设备以及存储介质。
第一方面,本申请实施例提出了一种肺功能曲线检测方法,包括:获取M种检测模型,其中,M为正整数,表示获取的检测模型的种类;基于M种检测模型的检测维度,在肺功能曲线上确定N个检测段,其中,N为不大于M的正整数,表示确定的检测段的数目;利用M种检测模型对肺功能曲线上的N个检测段进行多维度检测,生成肺功能曲线的多维度检测结果。
第二方面,本申请实施例提出了一种肺功能曲线检测装置,包括:模型获取模块,被配置成获取M种检测模型,其中,M为正整数,表示获取的检测模型的种类;检测段确定模块,被配置成基于M种检测模型的检测维度,在肺功能曲线上确定N个检测段,其中,N为不大于M的正整数,表示确定的检测段的数目;多维度检测模块,被配置成利用M种检测模型对肺功能曲线上的N个检测段进行多维度检测,生成肺功能曲线的多维度检测结果。
第三方面,本申请实施例提出了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
本申请实施例提供的肺功能曲线检测方法、装置、设备以及存储介质,首先获取M种检测模型;然后基于M种检测模型的检测维度,在肺功能曲线上确定N个检测段;最后利用M种检测模型对肺功能曲线上的N个检测段进行多维度检测,生成肺功能曲线的多维度检测结果。提供了一种肺功能曲线的自动化检测方法,不仅提升了肺功能曲线的检测效率,还节省了大量人力。并且,通过对肺功能曲线进行多维度检测来生成检测结果,还提升了肺功能曲线的检测准确度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请可以应用于其中的示例性系统架构;
图2是根据本申请的肺功能曲线检测方法的一个实施例的流程图;
图3是根据本申请的检测模型训练方法的第一个实施例的流程图;
图4是根据本申请的检测模型训练方法的第二个实施例的流程图;
图5是根据本申请的检测模型训练方法的第三个实施例的流程图;
图6是根据本申请的检测模型训练方法的第四个实施例的流程图;
图7是根据本申请的检测模型训练方法的第五个实施例的流程图;
图8是卷积神经网络的一个结构示意图;
图9A是肺功能曲线的第一个示意图;
图9B是肺功能曲线的第二个示意图;
图9C是肺功能曲线的第三个示意图;
图9D是肺功能曲线的第四个示意图;
图10是根据本申请的肺功能曲线检测装置的一个实施例的结构示意图;
图11是用来实现本申请实施例的肺功能曲线检测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的肺功能曲线检测方法或肺功能曲线检测装置的实施例的示例性系统架构100。
如图1所示,系统架构100中可以包括存储设备101、网络102和服务器103。网络102用以在存储设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
存储设备101可以通过网络102与服务器103交互。存储设备101中可以提供样本肺功能曲线集,包括但不限于数据库、用户终端等等。
服务器103可以提供各种服务,例如服务器103可以对肺功能曲线进行多维度检测,生成处理结果(例如多维度检测结果)。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器103为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的肺功能曲线检测方法一般由服务器103执行,相应地,肺功能曲线检测装置一般设置于服务器103中。
应该理解,图1中的存储设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的存储设备、网络和服务器。在服务器103中存储有样本肺功能曲线集的情况下,系统架构100可以不设置存储设备101和网络102。
继续参考图2,其示出了根据本申请的肺功能曲线检测方法的一个实施例的流程200。该肺功能曲线检测方法包括以下步骤:
步骤201,获取M种检测模型。
在本实施例中,肺功能曲线检测方法的执行主体(例如图1所示的服务器103)可以获取M(M为正整数,表示获取的检测模型的种类)种检测模型。其中,M种检测模型可以用于检测肺功能曲线是否合格。
通常,每种检测模型可以对肺功能曲线上的一个检测段进行一种维度的检测。因此,M种检测模型可以对肺功能曲线上的N(N为正整数,表示确定的检测段的数目)个检测段进行M种维度的检测。需要说明的是,N通常不会大于M,也就是说一个检测段可以进行至少一个维度的检测。例如,一个检测段既可以进行平滑度检测,又可以进行流速检测。
这里,肺功能曲线可以是肺功能报告上的曲线,一份肺功能报告上可以包括多条肺功能曲线。检测段可以是肺功能曲线上的一段曲线,包括但不限于呼气起始段、呼气峰流速段、呼气结束段和呼气整体段等等。
通常,M种检测模型可以是利用样本肺功能曲线集训练生成的,其生成步骤如下:
首先,获取样本肺功能曲线集。
其中,样本肺功能曲线集可以包括大量样本肺功能曲线。每条样本肺功能曲线上的N个检测段已标注合格情况。例如,从基层和体检中心随机获取肺功能曲线,由具备检测质量评估能力的医生对肺功能曲线上的N个检测段对应的M个维度进行合格情况标注,生成样本肺功能曲线。这里,由具备检测质量评估能力的医生进行标注,标注准确度高,有助于提升检测模型的效果。
然后,对于N个检测段中的检测段,将样本肺功能曲线集中的样本肺功能曲线上的该检测段的特征作为输入,将输入对应的该检测段的标注合格情况作为输出,训练生成该检测段对应的检测模型。
在一些实施例中,N个检测段可以包括呼气段。其中,呼气段可以是呼气整体段,也可以是呼气部分段(例如呼气起始段、呼气峰流速段等等)。呼气段对应的检测模型可以对肺功能曲线上的呼气段进行检测,通过如下步骤生成:
首先,构造样本肺功能曲线集中的样本肺功能曲线的呼气段特征。
其中,呼气段特征可以是对呼气段具有的特性进行描述的信息,包括但不限于呼气段的斜率、呼气时长、流速、容积等等。
之后,基于呼气段特征构造呼气段假设函数。
这里,呼气段假设函数可以利用如下公式表示:
其中,hθ(x)是呼气段假设函数,若肺功能曲线上的呼气段合格,假设函数的值趋近于1,若肺功能曲线上的呼气段不合格,假设函数的值趋近于0。x是呼气段特征。θ是呼气段假设函数的参数,θT是θ的转置。
然后,基于呼气段假设函数构造呼气段代价函数。
这里,采用逻辑回归可以构造呼气段代价函数,呼气段代价函数可利用如下公式表示:
其中,J(θ)是呼气段代价函数。m是样本肺功能曲线集包括的样本肺功能曲线的总数。y是样本肺功能曲线上的呼气段的标注合格情况,若合格,y为1,若不合格,y为0。yi是样本肺功能曲线集中的第i个样本肺功能曲线上的呼气段的标注合格情况。hθ(xi)是将样本肺功能曲线集中的第i个样本肺功能曲线的呼气段特征带入呼气段假设函数所得到的值。
最后,基于样本肺功能曲线集中的样本肺功能曲线上的呼气段的标注合格情况更新呼气段假设函数的参数,直至呼气段代价函数最小化,将呼气段假设函数作为呼气段对应的检测模型。
这里,将呼气段代价函数J(θ)作为监督进行训练,通过反向传播计算出使呼气段代价函数J(θ)的值最小的呼气段假设函数的参数θ。将计算出的参数θ代入呼气段假设函数,即可得到呼气段对应的检测模型。
利用样本肺功能曲线集训练呼气段假设函数,来得到呼气段对应的检测模型。通过机器学习实现了对呼气段对应的检测模型的制定。
步骤202,基于M种检测模型的检测维度,在肺功能曲线上确定N个检测段。
在本实施例中,上述执行主体可以基于M种检测模型的检测维度,在肺功能曲线上确定N个检测段。由于M种检测模型可以对肺功能曲线上的N个检测段进行M种维度的检测,因此基于M种检测模型的检测维度,能够在肺功能曲线上确定N个检测段。其中,一个检测段可以进行至少一个维度的检测。
步骤203,利用M种检测模型对肺功能曲线上的N个检测段进行多维度检测,生成肺功能曲线的多维度检测结果。
在本实施例中,上述执行主体可以利用M种检测模型对肺功能曲线上的N个检测段进行多维度检测,生成肺功能曲线的多维度检测结果。通常,M种检测模型可以对肺功能曲线上的N个检测段进行M种维度的检测。其中,多维度检测结果可以包括N个检测段对应的M种维度的检测结果。每种维度的检测结果可以用于表征一个检测段在该维度上是否合格。通常,若M种维度均合格,则说明肺功能曲线合格,反之,则说明肺功能曲线不合格。
由于一份肺功能报告通常会包括多条肺功能曲线,因此整合肺功能报告上的所有肺功能曲线的多维度检测结果,能够得到肺功能报告的检测结果。例如,首先基于肺功能报告上的至少一条肺功能曲线的多维度检测结果,确定合格肺功能曲线数和可重复肺功能曲线数;然后基于合格肺功能曲线数和可重复肺功能曲线数,生成肺功能报告的检测结果。其中,FEV1(第一秒钟用力呼气容积)之间的差值和FVC(用力肺活量)之间的差值均小于预设数值(例如0.15L)的合格肺功能曲线是可重复肺功能曲线。
进一步地,根据不同的合格肺功能曲线数和不同的可重复肺功能曲线数,肺功能报告能够被划分为不同的质量等级。例如,肺功能报告的质量等级能够被划分为A级、B级、C级、D级、E级和F级。其中,质量等级与质量要求可以对应存储,例如下表所示:
通常,一份合格的肺功能报告中需要至少包括3条合格的肺功能曲线,因此质量等级满足A级或B级的肺功能报告才是合格的报告。并且,自动生成肺功能报告的质量等级,有助于数据收集和科研,节省大量人力。
在本实施例的一些可选实现方式中,若基于肺功能曲线的多维度检测结果,确定肺功能曲线上的至少一个检测段不合格,上述执行主体还可以获取不合格的检测段对应的指导信息并推送。通常,检测段、不合格原因和指导信息可以对应存储,以便于基于不合格的检测段获取对应的指导信息。推送指导信息能够确保医生和患者及时获取肺功能报告的质量等级和需要改进的点,以便于医生和患者更好地配合完成合格有效的肺功能报告。其中,检测段、不合格原因和指导信息可以对应存储,例如下表所示:
本申请实施例提供的肺功能曲线检测方法,首先获取M种检测模型;然后基于M种检测模型的检测维度,在肺功能曲线上确定N个检测段;最后利用M种检测模型对肺功能曲线上的N个检测段进行多维度检测,生成肺功能曲线的多维度检测结果。提供了一种肺功能曲线的自动化检测方法,不仅提升了肺功能曲线的检测效率,还节省了大量人力。并且,通过对肺功能曲线进行多维度检测来生成检测结果,还提升了肺功能曲线的检测准确度。
进一步参考图3,其示出了根据本申请的检测模型训练方法的第一个实施例的流程300。该检测模型训练方法包括以下步骤:
步骤301,获取样本肺功能曲线集。
在本实施例中,检测模型训练方法的执行主体(例如图1所示的服务器103)可以获取样本肺功能曲线集。其中,样本肺功能曲线集可以包括大量样本肺功能曲线。每条样本肺功能曲线上的N个检测段已标注合格情况。
步骤302,在呼气起始段上选取P个点。
在本实施例中,对于样本肺功能曲线集中的样本肺功能曲线,上述执行主体可以在该样本肺功能曲线上的呼气起始段上选取P(P为正整数,表示在呼气起始段上选取的点的数目)个点。
通常,呼气起始段可以是肺功能曲线上从呼气零点开始向后的一段曲线,例如从呼气零点开始到峰流速点之间的前2/3段曲线。在一些实施例中,在呼气起始段上选取的P个点可以等分呼气起始段。
步骤303,计算呼气起始段上的零点与P个点的连线的斜率组成的第一斜率组,以及呼气起始段上的P个点的斜率组成的第二斜率组。
在本实施例中,上述执行主体可以计算呼气起始段上的零点与P个点的连线的斜率组成的第一斜率组,以及呼气起始段上的P个点的斜率组成的第二斜率组。例如,若P=10,第一斜率组可以是X0={x01,x02,…,x010},第二斜率组可以是
步骤304,从第一斜率组中选取i个第一斜率,以及从第二斜率组中选取i第二个斜率。
在本实施例中,上述执行主体可以从第一斜率组中选取i(i为不大于P的正整数,表示选取的第一斜率的数目)个第一斜率,以及从第二斜率组中选取i第二个斜率。通常,斜率均较大代表呼气流畅无犹豫,较小或为负值代表呼气犹豫。因此,选取出的i个第一斜率可以是第一斜率组中最小前i个第一斜率,选取出的i个第二斜率是第二斜率组中最小前i个第二斜率。
步骤305,确定样本肺功能曲线集中的样本肺功能曲线对应的外推容积和外推容积占用力肺活量比值。
在本实施例中,对于样本肺功能曲线集中的样本肺功能曲线,上述执行主体可以确定该样本肺功能曲线对应的外推容积和外推容积占用力肺活量比值。
这里,外推容积占用力肺活量比值可以利用如下公式表示:
ExtrapV_pct=ExtrapV/FVC;
其中,ExtrapV_pct是外推容积占用力肺活量比值,ExtrapV是外推容积,FVC是用力肺活量。
步骤306,基于i个第一斜率、i个第二斜率、外推容积和外推容积占用力肺活量比值构造呼气起始段特征。
在本实施例中,上述执行主体可以基于i个第一斜率、i个第二斜率、外推容积和外推容积占用力肺活量比值构造呼气起始段特征。
通常,呼气起始段特征可以是多维数组,i个第一斜率、i个第二斜率、外推容积和外推容积占用力肺活量比值均是多维数组中的元素。例如,若i=3,呼气起始段特征可以是 其中,x0min、x0min2和x0min3是第一斜率组中的top3最小值。和是第二斜率组中的top3最小值。
步骤307,基于呼气起始段特征构造呼气起始段假设函数。
在本实施例中,上述执行主体可以基于呼气起始段特征构造呼气起始段假设函数。其中,呼气段起始段假设函数的构造方式可以参考呼气段假设函数,这里不再赘述。
步骤308,基于呼气起始段假设函数构造呼气起始段代价函数。
在本实施例中,上述执行主体可以基于呼气起始段假设函数构造呼气起始段代价函数。其中,呼气起始段代价函数的构造方式可以参考呼气段代价函数,这里不再赘述。
步骤309,基于样本肺功能曲线集中的样本肺功能曲线上的呼气起始段的标注合格情况,更新呼气起始段假设函数的参数,直至呼气起始段代价函数最小化,将呼气起始段假设函数作为呼气起始段对应的检测模型。
在本实施例中,对于样本肺功能曲线集中的样本肺功能曲线,上述执行主体可以基于该样本肺功能曲线上的呼气起始段的标注合格情况,更新呼气起始段假设函数的参数。直至呼气起始段代价函数最小化,将呼气起始段假设函数作为呼气起始段对应的检测模型。其中,呼气起始段假设函数的训练过程可以参考呼气段假设函数的训练过程,这里不再赘述。
本申请实施例提供的检测模型训练方法,利用样本肺功能曲线集训练呼气起始段假设函数,来得到呼气起始段对应的检测模型。通过机器学习实现了对呼气起始段对应的检测模型的制定。
进一步参考图4,其示出了根据本申请的检测模型训练方法的第二个实施例的流程400。该检测模型训练方法包括以下步骤:
步骤401,获取样本肺功能曲线集。
在本实施例中,检测模型训练方法的执行主体(例如图1所示的服务器103)可以获取样本肺功能曲线集。其中,样本肺功能曲线集可以包括大量样本肺功能曲线。每条样本肺功能曲线上的N个检测段已标注合格情况。
步骤402,将样本肺功能曲线集中的样本肺功能曲线上的呼气峰流速段划分为上升段和下降段。
在本实施例中,对于样本肺功能曲线集中的样本肺功能曲线,上述执行主体可以将该样本肺功能曲线上的呼气峰流速段划分为上升段和下降段。
通常,呼气峰流速段可以是包括肺功能曲线上的峰流速点的一段曲线。上升段可以位于下降段前方,且互不重合。上升段可以是从峰流速点开始向前的一段曲线,例如从峰流速点开始向前取呼气零点和峰流速点之间2/3段曲线(与呼气起始段有部分重合)。下降段可以是从峰流速点开始向后的一段曲线,例如从峰流速点开始向后取峰流速点和最大呼气流量点之间1/3段曲线。
步骤403,分别在上升段和下降段选取Q个点。
在本实施例中,上述执行主体可以分别在上升段和下降段选取Q(Q为正整数,表示在上升段或下降段上选取的点的数目)个点。
在一些实施例中,在上升段上选取的Q个点可以等分上升段。在下降段上选取的Q个点可以等分下降段。
步骤404,计算上升段上的Q个点的斜率组成的第三斜率组,以及下降段上的Q个点的斜率组成的第四斜率组。
步骤405,从第三斜率组中选取j个第三斜率,以及从第四斜率组中选取j个第四斜率。
在本实施例中,上述执行主体可以从第三斜率组中选取j(j为不大于Q的正整数,表示选取的第二斜率的数目)个第三斜率,以及从第四斜率组中选取j个第四斜率。通常,在峰流速段合格的情况下,上升段为流速上升的过程,下降段为流速下降的过程。因此,选取出的j个第三斜率可以是第三斜率组中最小前j个第一斜率,选取出的j个第四斜率可以是第四斜率组中最大前j个第二斜率。
步骤406,确定样本肺功能曲线集中的样本肺功能曲线对应的到达峰流速的时间、外推容积和外推容积占用力肺活量比值。
在本实施例中,对于样本肺功能曲线集中的样本肺功能曲线,上述执行主体可以确定该样本肺功能曲线对应的到达峰流速的时间、外推容积和外推容积占用力肺活量比值。
步骤407,基于j个第三斜率、j个第四斜率、到达峰流速的时间、外推容积和外推容积占用力肺活量比值构造呼气峰流速段特征。
在本实施例中,上述执行主体可以基于j个第三斜率、j个第四斜率、到达峰流速的时间、外推容积和外推容积占用力肺活量比值构造呼气峰流速段特征。
通常,呼气峰流速段特征可以是多维数组,j个第三斜率、j个第四斜率、到达峰流速的时间、外推容积和外推容积占用力肺活量比值均是多维数组中的元素。例如,若j=3,呼气峰流速特征可以是 其中,和是第三斜率组中的top3最小值。和是第四斜率组中的top3最大值。Peftime是到达峰流速的时间。
步骤408,基于呼气峰流速段特征构造呼气峰流速段假设函数。
在本实施例中,上述执行主体可以基于呼气峰流速段特征构造呼气峰流速段假设函数。其中,呼气峰流速段假设函数的构造方式可以参考呼气段假设函数,这里不再赘述。
步骤409,基于呼气峰流速段假设函数构造呼气峰流速段代价函数。
在本实施例中,上述执行主体可以基于呼气峰流速段假设函数构造呼气峰流速段代价函数。其中,呼气峰流速段代价函数的构造方式可以参考呼气段代价函数,这里不再赘述。
步骤410,基于样本肺功能曲线集中的样本肺功能曲线上的呼气峰流速段的标注合格情况,更新呼气峰流速段假设函数的参数,直至呼气峰流速段代价函数最小化,将呼气峰流速段假设函数作为呼气峰流速段对应的检测模型。
在本实施例中,对于样本肺功能曲线集中的样本肺功能曲线,上述执行主体可以基于该样本肺功能曲线上的呼气峰流速段的标注合格情况,更新呼气峰流速段假设函数的参数。直至呼气峰流速段代价函数最小化,将呼气峰流速段假设函数作为呼气峰流速段对应的检测模型。其中,呼气峰流速段假设函数的训练过程可以参考呼气段假设函数的训练过程,这里不再赘述。
本申请实施例提供的检测模型训练方法,利用样本肺功能曲线集训练呼气峰流速段假设函数,来得到呼气峰流速段对应的检测模型。通过机器学习实现了对呼气峰流速段对应的检测模型的制定。
进一步参考图5,其示出了根据本申请的检测模型训练方法的第三个实施例的流程500。该检测模型训练方法包括以下步骤:
步骤501,获取样本肺功能曲线集。
在本实施例中,检测模型训练方法的执行主体(例如图1所示的服务器103)可以获取样本肺功能曲线集。其中,样本肺功能曲线集可以包括大量样本肺功能曲线。每条样本肺功能曲线上的N个检测段已标注合格情况。
步骤502,将样本肺功能曲线集中的样本肺功能曲线的呼气时长与预设时长的比较结果、流速的逐渐变化趋势和最低流速与预设流速的比较结果作为输入,将输入对应的呼气结束段的标注合格情况作为输出,训练生成呼气结束段对应的检测模型。
在本实施例中,对于样本肺功能曲线集中的样本肺功能曲线,上述执行主体可以将该样本肺功能曲线的呼气时长与预设时长的比较结果、流速的逐渐变化趋势和最低流速与预设流速的比较结果作为输入,将输入对应的呼气结束段的标注合格情况作为输出,训练生成呼气结束段对应的检测模型。
通常,呼气结束段可以是肺功能曲线上从呼气结束点开始向前的一段曲线,例如从呼气零点到呼气结束点之间的最后1/10段曲线。预设时长和预设流速可以是具备检测质量评估能力的专家医生根据丰富的实践经验确定的,例如预设时长为6秒,预设流速为150ml/s。而对于流速的变化趋势,可以是通过对大量样本肺功能曲线分析确定的。例如,对于样本肺功能曲线集中的样本肺功能曲线,从该样本肺功能曲线上的呼气结束段选取若干个点(例如5个)等分呼气结束段,通过确定这若干个点上的流速的变化趋势来确定肺功能曲线的流速的逐渐变化趋势。
在实践中,若同时满足呼气时长高于预设时长,肺功能曲线的流速的逐渐降低,最低流速低于预设流速,则说明呼气呼出了较长时间,且最后的气流流速极小,气体已被全部呼出,此时,呼气结束段合格。
本申请实施例提供的检测模型训练方法,通过分析呼气时长、流速的逐渐变化趋势和最低流速,来得到呼气结束段对应的检测模型。通过专家策略实现了对呼气结束段对应的检测模型的制定。
进一步参考图6,其示出了根据本申请的检测模型训练方法的第四个实施例的流程600。该检测模型训练方法包括以下步骤:
步骤601,获取样本肺功能曲线集。
在本实施例中,检测模型训练方法的执行主体(例如图1所示的服务器103)可以获取样本肺功能曲线集。其中,样本肺功能曲线集可以包括大量样本肺功能曲线。每条样本肺功能曲线上的N个检测段已标注合格情况。
步骤602,将样本肺功能曲线集中的样本肺功能曲线上的呼气整体段的流速的符号作为输入,将输入对应的呼气整体段的标注合格情况作为输出,训练生成呼气整体段对应的检测模型。
在本实施例中,对于样本肺功能曲线集中的样本肺功能曲线,上述执行主体可以将该样本肺功能曲线上的呼气整体段的流速的符号作为输入,将输入对应的呼气整体段的标注合格情况作为输出,训练生成呼气整体段对应的检测模型。
通常,呼气整体段可以是肺功能曲线上从呼气零点到呼气结束点的一段曲线。对于呼气整体段的流速的符号,可以是具备检测质量评估能力的专家医生根据丰富的实践经验确定的,例如始终为正。
在实践中,肺功能仪在测定肺活量过程中,呼气过程流速为正,吸气过程气流为负,从呼气零点起,到最大容积之间,呼气流速始终为正值,则说明不存在呼气之间再吸气,此时,呼气整体段合格。
本申请实施例提供的检测模型训练方法,通过分析流速的符号来得到呼气整体段对应的检测模型。通过专家策略实现了对呼气整体段对应的检测模型的制定。
进一步参考图7,其示出了根据本申请的检测模型训练方法的第五个实施例的流程700。该检测模型训练方法包括以下步骤:
步骤701,获取样本肺功能曲线集。
在本实施例中,检测模型训练方法的执行主体(例如图1所示的服务器103)可以获取样本肺功能曲线集。其中,样本肺功能曲线集可以包括大量样本肺功能曲线。每条样本肺功能曲线上的N个检测段已标注合格情况。
步骤702,在呼气整体段选取K个点,组成流速和容积变化序列。
在本实施例中,对于样本肺功能曲线集中的样本肺功能曲线,上述执行主体可以在该样本肺功能曲线上的呼气整体段选取K(K为正整数,表示在呼气整体段上选取的点的数目)个点,组成流速和容积变化序列。
在一些实施例中,在呼气整体段上选取的K个点可以等分呼气整体段的呼气流量,例如每变化20ml选取一个点。此时,流速和容积变化序列的长度为FVC/0.02,序列中的每一点为流速、容积组成的二维数组。
步骤703,将流速和容积变化序列作为输入,将输入对应的呼气整体段的标注合格情况作为输出,对卷积神经网络进行训练,生成呼气整体段对应的检测模型。
在本实施例中,上述执行主体可以将流速和容积变化序列作为输入,将输入对应的呼气整体段的标注合格情况作为输出,对卷积神经网络进行训练,生成呼气整体段对应的检测模型。这里,呼气整体段对应的检测模型可以用于识别肺功能曲线是否平滑。通常,平滑的呼气整体段合格,不平滑的呼气整体段不合格。
通常,卷积神经网络可以是包含卷积计算且具有深度结构的神经网络。为了便于理解,图8示出了卷积神经网络的一个结构示意图。如图8所示,卷积神经网络可以包括输入层(input)、卷积层(CNN-2、CNN-5、CNN-7)、批量归一化层(Batch Norm)、线性整流函数层(Relu)、扰动层(Dropout)和全连接层(Dense)。
本申请实施例提供的检测模型训练方法,利用样本肺功能曲线集训练卷积神经网络,来得到呼气结束段对应的检测模型。通过深度学习实现了对呼气结束段对应的检测模型的制定。
为了便于理解,下面提供可以实现本申请实施例的肺功能曲线检测方法的场景。图9A-9D提供了4个肺功能曲线的示意图。首先,获取呼气起始段对应的一个检测模型、呼气峰流速段对应的一个检测模型、呼气结束段对应的一个检测模型和呼气整体段对应的两个检测模型。然后,分别在图9A-9D中的4个肺功能曲线上确定呼气起始段、呼气峰流速段、呼气结束段和呼气整体段。最后,利用所获取的5种检测模型分别对图9A-9D中的4个肺功能曲线上的呼气起始段、呼气峰流速段、呼气结束段和呼气整体段进行5个维度的检测,生成图9A-9D中的4个肺功能曲线的检测结果。其中,图9A中的肺功能曲线合格。图9B中的肺功能曲线因呼气起始犹豫导致不合格。图9C中的肺功能曲线因呼气爆发力不足导致不合格。图9D中的肺功能曲线因呼气不平滑导致不合格。
通过深度学习、机器学习和专家策略对肺功能曲线进行多维度检测,以确保可以能够覆盖几乎所有的错误类型。
进一步参考图10,作为对上述各图所示方法的实现,本申请提供了一种肺功能曲线检测装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图10所示,本实施例的肺功能曲线检测装置1000可以包括:模型获取模块1001、检测段确定模块1002和多维度检测模块1003。其中,模型获取模块1001,被配置成获取M种检测模型,其中,M为正整数,表示获取的检测模型的种类;检测段确定模块1002,被配置成基于M种检测模型的检测维度,在肺功能曲线上确定N个检测段,其中,N为不大于M的正整数,表示确定的检测段的数目;多维度检测模块1003,被配置成利用M种检测模型对肺功能曲线上的N个检测段进行多维度检测,生成肺功能曲线的多维度检测结果。
在本实施例中,肺功能曲线检测装置1000中:模型获取模块1001、检测段确定模块1002和多维度检测模块1003的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,肺功能曲线检测装置1000还包括模型生成模块(图中未示出),模型生成模块包括:样本获取子模块(图中未示出),被配置成获取样本肺功能曲线集,其中,样本肺功能曲线集中的样本肺功能曲线上的N个检测段已标注合格情况;模型训练子模块(图中未示出),被配置成对于N个检测段中的检测段,将样本肺功能曲线集中的样本肺功能曲线上的该检测段的特征作为输入,将输入对应的该检测段的标注合格情况作为输出,训练生成该检测段对应的检测模型。
在本实施例的一些可选的实现方式中,N个检测段包括呼气段;以及模型训练子模块包括:特征构造单元(图中未示出),被配置成构造样本肺功能曲线集中的样本肺功能曲线的呼气段特征;假设函数构造单元(图中未示出),被配置成基于呼气段特征构造呼气段假设函数;代价函数构造单元(图中未示出),被配置成基于呼气段假设函数构造呼气段代价函数;参数更新单元(图中未示出),被配置成基于样本肺功能曲线集中的样本肺功能曲线上的呼气段的标注合格情况,更新呼气段假设函数的参数,直至呼气段代价函数最小化,将呼气段假设函数作为呼气段对应的检测模型。
在本实施例的一些可选的实现方式中,呼气段包括呼气起始段;以及特征构造单元进一步被配置成:在呼气起始段上选取P个点,计算呼气起始段上的零点与P个点的连线的斜率组成的第一斜率组,以及呼气起始段上的P个点的斜率组成的第二斜率组;从第一斜率组中选取i个第一斜率,以及从第二斜率组中选取i第二个斜率;确定样本肺功能曲线集中的样本肺功能曲线对应的外推容积和外推容积占用力肺活量比值;基于i个第一斜率、i个第二斜率、外推容积和外推容积占用力肺活量比值构造呼气起始段特征。
在本实施例的一些可选的实现方式中,呼气起始段上的P个点等分呼气起始段,i个第一斜率是第一斜率组中最小前i个第一斜率,i个第二斜率是第二斜率组中最小前i个第二斜率。
在本实施例的一些可选的实现方式中,呼气段包括呼气峰流速段;以及特征构造单元进一步被配置成:将样本肺功能曲线集中的样本肺功能曲线上的呼气峰流速段划分为上升段和下降段;分别在上升段和下降段选取Q个点,计算上升段上的Q个点的斜率组成的第三斜率组,以及下降段上的Q个点的斜率组成的第四斜率组;从第三斜率组中选取j个第三斜率,以及从第四斜率组中选取j个第四斜率;确定样本肺功能曲线集中的样本肺功能曲线对应的到达峰流速的时间、外推容积和外推容积占用力肺活量比值;基于j个第三斜率、j个第四斜率、到达峰流速的时间、外推容积和外推容积占用力肺活量比值构造呼气峰流速段特征。
在本实施例的一些可选的实现方式中,上升段位于下降段前方,上升段上的Q个点等分上升段,下降段上的Q个点等分下降段,j个第三斜率是第三斜率组中最小前j个第一斜率,j个第四斜率是第四斜率组中最大前j个第二斜率。
在本实施例的一些可选的实现方式中,N个检测段中包括呼气结束段;以及模型训练子模块进一步被配置成:将样本肺功能曲线集中的样本肺功能曲线的呼气时长与预设时长的比较结果、流速的逐渐变化趋势和最低流速与预设流速的比较结果作为输入,将输入对应的呼气结束段的标注合格情况作为输出,训练生成呼气结束段对应的检测模型。
在本实施例的一些可选的实现方式中,N个检测段中包括呼气整体段;以及模型训练子模块进一步被配置成:将样本肺功能曲线集中的样本肺功能曲线上的呼气整体段的流速的符号作为输入,将输入对应的呼气整体段的标注合格情况作为输出,训练生成呼气整体段对应的检测模型。
在本实施例的一些可选的实现方式中,N个检测段中包括呼气整体段;以及模型训练子模块进一步被配置成:在呼气整体段选取K个点,组成流速和容积变化序列;将流速和容积变化序列作为输入,将输入对应的呼气整体段的标注合格情况作为输出,对卷积神经网络进行训练,生成呼气整体段对应的检测模型。
在本实施例的一些可选的实现方式中,呼气整体段上的K个点等分呼气整体段的呼气流量。
在本实施例的一些可选的实现方式中,卷积神经网络包括输入层、卷积层、批量归一化层、线性整流函数层、扰动层和全连接层。
在本实施例的一些可选的实现方式中,肺功能曲线检测装置1000还包括:数目确定模块(图中未示出),被配置成基于肺功能曲线所属的肺功能报告上的至少一条肺功能曲线的多维度检测结果,确定合格肺功能曲线数和可重复肺功能曲线数;结果生成模块(图中未示出),被配置成基于合格肺功能曲线数和可重复肺功能曲线数,生成肺功能报告的检测结果。
在本实施例的一些可选的实现方式中,肺功能曲线检测装置1000还包括:信息获取模块(图中未示出),被配置成若基于所述肺功能曲线的多维度检测结果,确定所述肺功能曲线上的至少一个检测段不合格,获取不合格的检测段对应的指导信息;信息推送模块(图中未示出),被配置成推送所述不合格的检测段对应的指导信息。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图11所示,是根据本申请实施例肺功能曲线检测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图11所示,该电子设备包括:一个或多个处理器1101、存储器1102,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图11中以一个处理器1101为例。
存储器1102即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的肺功能曲线检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的肺功能曲线检测方法。
存储器1102作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的肺功能曲线检测方法对应的程序指令/模块(例如,附图10所示的模型获取模块1001、检测段确定模块1002和多维度检测模块1003)。处理器1101通过运行存储在存储器1102中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的肺功能曲线检测方法。
存储器1102可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据肺功能曲线检测方法的电子设备的使用所创建的数据等。此外,存储器1102可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器1102可选包括相对于处理器1101远程设置的存储器,这些远程存储器可以通过网络连接至肺功能曲线检测方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
肺功能曲线检测方法的电子设备还可以包括:输入装置1103和输出装置1104。处理器1101、存储器1102、输入装置1103和输出装置1104可以通过总线或者其他方式连接,图11中以通过总线连接为例。
输入装置1103可接收输入的数字或字符信息,以及产生与肺功能曲线检测方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1104可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请的技术方案,首先获取M种检测模型;然后基于M种检测模型的检测维度,在肺功能曲线上确定N个检测段;最后利用M种检测模型对肺功能曲线上的N个检测段进行多维度检测,生成肺功能曲线的多维度检测结果。提供了一种肺功能曲线的自动化检测方法,不仅提升了肺功能曲线的检测效率,还节省了大量人力。并且,通过对肺功能曲线进行多维度检测来生成检测结果,还提升了肺功能曲线的检测准确度。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (30)
1.一种肺功能曲线检测方法,包括:
获取M种检测模型,其中,M为正整数,表示获取的检测模型的种类;
基于所述M种检测模型的检测维度,在肺功能曲线上确定N个检测段,其中,N为不大于M的正整数,表示确定的检测段的数目;
利用所述M种检测模型对所述肺功能曲线上的N个检测段进行多维度检测,生成所述肺功能曲线的多维度检测结果。
2.根据权利要求1所述的方法,其中,所述M种检测模型通过如下步骤生成:
获取样本肺功能曲线集,其中,所述样本肺功能曲线集中的样本肺功能曲线上的N个检测段已标注合格情况;
对于N个检测段中的检测段,将所述样本肺功能曲线集中的样本肺功能曲线上的该检测段的特征作为输入,将输入对应的该检测段的标注合格情况作为输出,训练生成该检测段对应的检测模型。
3.根据权利要求2所述的方法,其中,所述N个检测段包括呼气段;以及
所述将所述样本肺功能曲线集中的样本肺功能曲线上的该检测段的特征作为输入,将输入对应的该检测段的标注合格情况作为输出,训练生成该检测段对应的检测模型,包括:
构造所述样本肺功能曲线集中的样本肺功能曲线的呼气段特征;
基于所述呼气段特征构造呼气段假设函数;
基于所述呼气段假设函数构造呼气段代价函数;
基于所述样本肺功能曲线集中的样本肺功能曲线上的呼气段的标注合格情况,更新所述呼气段假设函数的参数,直至所述呼气段代价函数最小化,将所述呼气段假设函数作为所述呼气段对应的检测模型。
4.根据权利要求3所述的方法,其中,所述呼气段包括呼气起始段;以及
所述构造所述样本肺功能曲线集中的样本肺功能曲线的呼气段特征,包括:
在所述呼气起始段上选取P个点,其中,P为正整数,表示在所述呼气起始段上选取的点的数目;
计算所述呼气起始段上的零点与P个点的连线的斜率组成的第一斜率组,以及所述呼气起始段上的P个点的斜率组成的第二斜率组;
从所述第一斜率组中选取i个第一斜率,以及从所述第二斜率组中选取i第二个斜率,其中,i为不大于P的正整数,表示选取的第一斜率的数目;
确定所述样本肺功能曲线集中的样本肺功能曲线对应的外推容积和外推容积占用力肺活量比值;
基于所述i个第一斜率、所述i个第二斜率、所述外推容积和所述外推容积占用力肺活量比值构造呼气起始段特征。
5.根据权利要求4所述的方法,其中,所述呼气起始段上的P个点等分所述呼气起始段,所述i个第一斜率是所述第一斜率组中最小前i个第一斜率,所述i个第二斜率是所述第二斜率组中最小前i个第二斜率。
6.根据权利要求3所述的方法,其中,所述呼气段包括呼气峰流速段;以及
所述构造所述样本肺功能曲线集中的样本肺功能曲线的呼气段特征,包括:
将所述样本肺功能曲线集中的样本肺功能曲线上的呼气峰流速段划分为上升段和下降段;
分别在所述上升段和所述下降段选取Q个点,其中,Q为正整数,表示在所述上升段或所述下降段上选取的点的数目;
计算所述上升段上的Q个点的斜率组成的第三斜率组,以及所述下降段上的Q个点的斜率组成的第四斜率组;
从所述第三斜率组中选取j个第三斜率,以及从所述第四斜率组中选取j个第四斜率,其中,j为不大于Q的正整数,表示选取的第二斜率的数目;
确定所述样本肺功能曲线集中的样本肺功能曲线对应的到达峰流速的时间、外推容积和外推容积占用力肺活量比值;
基于所述j个第三斜率、所述j个第四斜率、所述到达峰流速的时间、所述外推容积和所述外推容积占用力肺活量比值构造呼气峰流速段特征。
7.根据权利要求6所述的方法,其中,所述上升段位于所述下降段前方,所述上升段上的Q个点等分所述上升段,所述下降段上的Q个点等分所述下降段,所述j个第三斜率是所述第三斜率组中最小前j个第一斜率,所述j个第四斜率是所述第四斜率组中最大前j个第二斜率。
8.根据权利要求2所述的方法,其中,所述N个检测段中包括呼气结束段;以及
所述将所述样本肺功能曲线集中的样本肺功能曲线上的该检测段的特征作为输入,将输入对应的该检测段的标注合格情况作为输出,训练生成该检测段对应的检测模型,包括:
将所述样本肺功能曲线集中的样本肺功能曲线的呼气时长与预设时长的比较结果、流速的逐渐变化趋势和最低流速与预设流速的比较结果作为输入,将输入对应的呼气结束段的标注合格情况作为输出,训练生成所述呼气结束段对应的检测模型。
9.根据权利要求2所述的方法,其中,所述N个检测段中包括呼气整体段;以及
所述将所述样本肺功能曲线集中的样本肺功能曲线上的该检测段的特征作为输入,将输入对应的该检测段的标注合格情况作为输出,训练生成该检测段对应的检测模型,包括:
将所述样本肺功能曲线集中的样本肺功能曲线上的呼气整体段的流速的符号作为输入,将输入对应的呼气整体段的标注合格情况作为输出,训练生成所述呼气整体段对应的检测模型。
10.根据权利要求2所述的方法,其中,所述N个检测段中包括呼气整体段;以及
所述将所述样本肺功能曲线集中的样本肺功能曲线上的该检测段的特征作为输入,将输入对应的该检测段的标注合格情况作为输出,训练生成该检测段对应的检测模型,包括:
在所述呼气整体段选取K个点,组成流速和容积变化序列,其中,K为正整数,表示在所述呼气整体段上选取的点的数目;
将所述流速和容积变化序列作为输入,将输入对应的呼气整体段的标注合格情况作为输出,对卷积神经网络进行训练,生成所述呼气整体段对应的检测模型。
11.根据权利要求10所述的方法,其中,所述呼气整体段上的K个点等分所述呼气整体段的呼气流量。
12.根据权利要求10所述的方法,其中,所述卷积神经网络包括输入层、卷积层、批量归一化层、线性整流函数层、扰动层和全连接层。
13.根据权利要求1-12之一所述的方法,其中,所述方法还包括:
基于所述肺功能曲线所属的肺功能报告上的至少一条肺功能曲线的多维度检测结果,确定合格肺功能曲线数和可重复肺功能曲线数;
基于所述合格肺功能曲线数和所述可重复肺功能曲线数,生成所述肺功能报告的检测结果。
14.根据权利要求1-12之一所述的方法,其中,所述方法还包括:
若基于所述肺功能曲线的多维度检测结果,确定所述肺功能曲线上的至少一个检测段不合格,获取不合格的检测段对应的指导信息;
推送所述不合格的检测段对应的指导信息。
15.一种肺功能曲线检测装置,包括:
模型获取模块,被配置成获取M种检测模型,其中,M为正整数,表示获取的检测模型的种类;
检测段确定模块,被配置成基于所述M种检测模型的检测维度,在肺功能曲线上确定N个检测段,其中,N为不大于M的正整数,表示确定的检测段的数目;
多维度检测模块,被配置成利用所述M种检测模型对所述肺功能曲线上的N个检测段进行多维度检测,生成所述肺功能曲线的多维度检测结果。
16.根据权利要求15所述的装置,其中,所述装置还包括模型生成模块,所述模型生成模块包括:
样本获取子模块,被配置成获取样本肺功能曲线集,其中,所述样本肺功能曲线集中的样本肺功能曲线上的N个检测段已标注合格情况;
模型训练子模块,被配置成对于N个检测段中的检测段,将所述样本肺功能曲线集中的样本肺功能曲线上的该检测段的特征作为输入,将输入对应的该检测段的标注合格情况作为输出,训练生成该检测段对应的检测模型。
17.根据权利要求16所述的装置,其中,所述N个检测段包括呼气段;以及
所述模型训练子模块包括:
特征构造单元,被配置成构造所述样本肺功能曲线集中的样本肺功能曲线的呼气段特征;
假设函数构造单元,被配置成基于所述呼气段特征构造呼气段假设函数;
代价函数构造单元,被配置成基于所述呼气段假设函数构造呼气段代价函数;
参数更新单元,被配置成基于所述样本肺功能曲线集中的样本肺功能曲线上的呼气段的标注合格情况,更新所述呼气段假设函数的参数,直至所述呼气段代价函数最小化,将所述呼气段假设函数作为所述呼气段对应的检测模型。
18.根据权利要求17所述的装置,其中,所述呼气段包括呼气起始段;以及
所述特征构造单元进一步被配置成:
在所述呼气起始段上选取P个点,其中,P为正整数,表示在所述呼气起始段上选取的点的数目;
计算所述呼气起始段上的零点与P个点的连线的斜率组成的第一斜率组,以及所述呼气起始段上的P个点的斜率组成的第二斜率组;
从所述第一斜率组中选取i个第一斜率,以及从所述第二斜率组中选取i第二个斜率,其中,i为不大于P的正整数,表示选取的第一斜率的数目;
确定所述样本肺功能曲线集中的样本肺功能曲线对应的外推容积和外推容积占用力肺活量比值;
基于所述i个第一斜率、所述i个第二斜率、所述外推容积和所述外推容积占用力肺活量比值构造呼气起始段特征。
19.根据权利要求18所述的装置,其中,所述呼气起始段上的P个点等分所述呼气起始段,所述i个第一斜率是所述第一斜率组中最小前i个第一斜率,所述i个第二斜率是所述第二斜率组中最小前i个第二斜率。
20.根据权利要求17所述装置,其中,所述呼气段包括呼气峰流速段;以及
所述特征构造单元进一步被配置成:
将所述样本肺功能曲线集中的样本肺功能曲线上的呼气峰流速段划分为上升段和下降段;
分别在所述上升段和所述下降段选取Q个点,其中,Q为正整数,表示在所述上升段或所述下降段上选取的点的数目;
计算所述上升段上的Q个点的斜率组成的第三斜率组,以及所述下降段上的Q个点的斜率组成的第四斜率组;
从所述第三斜率组中选取j个第三斜率,以及从所述第四斜率组中选取j个第四斜率,其中,j为不大于Q的正整数,表示选取的第二斜率的数目;
确定所述样本肺功能曲线集中的样本肺功能曲线对应的到达峰流速的时间、外推容积和外推容积占用力肺活量比值;
基于所述j个第三斜率、所述j个第四斜率、所述到达峰流速的时间、所述外推容积和所述外推容积占用力肺活量比值构造呼气峰流速段特征。
21.根据权利要求20所述的装置,其中,所述上升段位于所述下降段前方,所述上升段上的Q个点等分所述上升段,所述下降段上的Q个点等分所述下降段,所述j个第三斜率是所述第三斜率组中最小前j个第一斜率,所述j个第四斜率是所述第四斜率组中最大前j个第二斜率。
22.根据权利要求16所述的装置,其中,所述N个检测段中包括呼气结束段;以及
所述模型训练子模块进一步被配置成:
将所述样本肺功能曲线集中的样本肺功能曲线的呼气时长与预设时长的比较结果、流速的逐渐变化趋势和最低流速与预设流速的比较结果作为输入,将输入对应的呼气结束段的标注合格情况作为输出,训练生成所述呼气结束段对应的检测模型。
23.根据权利要求16所述的装置,其中,所述N个检测段中包括呼气整体段;以及
所述模型训练子模块进一步被配置成:
将所述样本肺功能曲线集中的样本肺功能曲线上的呼气整体段的流速的符号作为输入,将输入对应的呼气整体段的标注合格情况作为输出,训练生成所述呼气整体段对应的检测模型。
24.根据权利要求16所述的装置,其中,所述N个检测段中包括呼气整体段;以及
所述模型训练子模块进一步被配置成:
在所述呼气整体段选取K个点,组成流速和容积变化序列,其中,K为正整数,表示在所述呼气整体段上选取的点的数目;
将所述流速和容积变化序列作为输入,将输入对应的呼气整体段的标注合格情况作为输出,对卷积神经网络进行训练,生成所述呼气整体段对应的检测模型。
25.根据权利要求24所述的装置,其中,所述呼气整体段上的K个点等分所述呼气整体段的呼气流量。
26.根据权利要求24所述的装置,其中,所述卷积神经网络包括输入层、卷积层、批量归一化层、线性整流函数层、扰动层和全连接层。
27.根据权利要求15-26之一所述的装置,其中,所述装置还包括:
数目确定模块,被配置成基于所述肺功能曲线所属的肺功能报告上的至少一条肺功能曲线的多维度检测结果,确定合格肺功能曲线数和可重复肺功能曲线数;
结果生成模块,被配置成基于所述合格肺功能曲线数和所述可重复肺功能曲线数,生成所述肺功能报告的检测结果。
28.根据权利要求15-26之一所述的装置,其中,所述装置还包括:
信息获取模块,被配置成若基于所述肺功能曲线的多维度检测结果,确定所述肺功能曲线上的至少一个检测段不合格,获取不合格的检测段对应的指导信息;
信息推送模块,被配置成推送所述不合格的检测段对应的指导信息。
29.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-14中任一项所述的方法。
30.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-14中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010342276.3A CN111524579B (zh) | 2020-04-27 | 2020-04-27 | 肺功能曲线检测方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010342276.3A CN111524579B (zh) | 2020-04-27 | 2020-04-27 | 肺功能曲线检测方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111524579A true CN111524579A (zh) | 2020-08-11 |
CN111524579B CN111524579B (zh) | 2023-08-29 |
Family
ID=71905282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010342276.3A Active CN111524579B (zh) | 2020-04-27 | 2020-04-27 | 肺功能曲线检测方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111524579B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012544A (zh) * | 2021-02-01 | 2021-06-22 | 北京易优联科技有限公司 | 肺功能波形模拟测试方法、装置、计算机设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030100843A1 (en) * | 1999-04-23 | 2003-05-29 | The Trustees Of Tufts College | System for measuring respiratory function |
US20130165811A1 (en) * | 2010-09-02 | 2013-06-27 | Marc Decramer | Apparatus for automatically diagnosing emphysema |
CN106971198A (zh) * | 2017-03-03 | 2017-07-21 | 北京市计算中心 | 一种基于深度学习的尘肺病等级判定方法及系统 |
WO2018120942A1 (zh) * | 2016-12-31 | 2018-07-05 | 西安百利信息科技有限公司 | 一种多模型融合自动检测医学图像中病变的系统及方法 |
CN109447183A (zh) * | 2018-11-27 | 2019-03-08 | 东软集团股份有限公司 | 模型训练方法、装置、设备以及介质 |
CN109528152A (zh) * | 2019-01-22 | 2019-03-29 | 湖南兰茜生物科技有限公司 | 一种新型肺病智能辅助检测方法和系统 |
US20190355473A1 (en) * | 2017-01-08 | 2019-11-21 | Henry M. Jackson Foundation For The Advancement Of Military Medicine | Systems and methods for using supervised learning to predict subject-specific pneumonia outcomes |
CN110739076A (zh) * | 2019-10-29 | 2020-01-31 | 上海华东电信研究院 | 一种医疗人工智能公共训练平台 |
CN110956635A (zh) * | 2019-11-15 | 2020-04-03 | 上海联影智能医疗科技有限公司 | 一种肺段分割方法、装置、设备及存储介质 |
CN111062443A (zh) * | 2019-12-20 | 2020-04-24 | 浙江大学 | 一种基于深度学习的泪膜破裂时间检测系统 |
-
2020
- 2020-04-27 CN CN202010342276.3A patent/CN111524579B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030100843A1 (en) * | 1999-04-23 | 2003-05-29 | The Trustees Of Tufts College | System for measuring respiratory function |
US20130165811A1 (en) * | 2010-09-02 | 2013-06-27 | Marc Decramer | Apparatus for automatically diagnosing emphysema |
WO2018120942A1 (zh) * | 2016-12-31 | 2018-07-05 | 西安百利信息科技有限公司 | 一种多模型融合自动检测医学图像中病变的系统及方法 |
US20190355473A1 (en) * | 2017-01-08 | 2019-11-21 | Henry M. Jackson Foundation For The Advancement Of Military Medicine | Systems and methods for using supervised learning to predict subject-specific pneumonia outcomes |
CN106971198A (zh) * | 2017-03-03 | 2017-07-21 | 北京市计算中心 | 一种基于深度学习的尘肺病等级判定方法及系统 |
CN109447183A (zh) * | 2018-11-27 | 2019-03-08 | 东软集团股份有限公司 | 模型训练方法、装置、设备以及介质 |
CN109528152A (zh) * | 2019-01-22 | 2019-03-29 | 湖南兰茜生物科技有限公司 | 一种新型肺病智能辅助检测方法和系统 |
CN110739076A (zh) * | 2019-10-29 | 2020-01-31 | 上海华东电信研究院 | 一种医疗人工智能公共训练平台 |
CN110956635A (zh) * | 2019-11-15 | 2020-04-03 | 上海联影智能医疗科技有限公司 | 一种肺段分割方法、装置、设备及存储介质 |
CN111062443A (zh) * | 2019-12-20 | 2020-04-24 | 浙江大学 | 一种基于深度学习的泪膜破裂时间检测系统 |
Non-Patent Citations (2)
Title |
---|
WH ZHANG,等: "3D skeletonization feature based computer-aided detection system for pulmonary nodules in CT datasets" * |
吴保荣: "基于深度卷积神经网络的肺结节自动检测和分类方法研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012544A (zh) * | 2021-02-01 | 2021-06-22 | 北京易优联科技有限公司 | 肺功能波形模拟测试方法、装置、计算机设备及存储介质 |
CN113012544B (zh) * | 2021-02-01 | 2023-07-21 | 北京易优联科技有限公司 | 肺功能波形模拟测试方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111524579B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109804362B (zh) | 通过机器学习确定主键-外键关系 | |
CN110517785A (zh) | 相似病例的查找方法、装置及设备 | |
CN112507701B (zh) | 待纠错医疗数据的识别方法、装置、设备和存储介质 | |
CN109670054B (zh) | 知识图谱构建方法、装置、存储介质及电子设备 | |
CN108875768A (zh) | 数据标注方法、装置和系统及存储介质 | |
WO2019229562A1 (en) | Personalized device recommendations for proactive health monitoring and management | |
CN107111608A (zh) | 从语言输入数据自动生成n‑元和概念关系 | |
CN111708934A (zh) | 知识内容的评价方法、装置、电子设备和存储介质 | |
CN111738014B (zh) | 一种药物分类方法、装置、设备及存储介质 | |
CN112509690B (zh) | 用于控制质量的方法、装置、设备和存储介质 | |
US10188337B1 (en) | Automated correlation of neuropsychiatric test data | |
US11102530B2 (en) | Adaptive processing and content control system | |
CN111640511B (zh) | 医疗事实验证的方法、装置、电子设备及存储介质 | |
CN111695680B (zh) | 成绩预测方法、成绩预测模型训练方法、装置及电子设备 | |
Bharathy et al. | Holistically evaluating agent-based social systems models: A case study | |
US20220374812A1 (en) | Systems and methods for generation and traversal of a skill representation graph using machine learning | |
CN112329453B (zh) | 样本章节的生成方法、装置、设备以及存储介质 | |
CN111275121B (zh) | 一种医学影像处理方法、装置和电子设备 | |
CN112270533A (zh) | 一种数据处理方法、装置、电子设备以及存储介质 | |
CN111524579B (zh) | 肺功能曲线检测方法、装置、设备以及存储介质 | |
CN111767946A (zh) | 医学影像分级模型训练及预测方法、装置、设备及介质 | |
Cavallo et al. | Track Xplorer: A System for Visual Analysis of Sensor‐based Motor Activity Predictions | |
CN114580915B (zh) | 一种新微针技术植发效果的智能评价方法及系统 | |
CN111784553B (zh) | 数据分析方法、装置、电子设备及存储介质 | |
CN111754486B (zh) | 图像处理方法、装置、电子设备及存储介质 |
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 |