CN111584074A - 肌肉损伤的评价方法及装置 - Google Patents
肌肉损伤的评价方法及装置 Download PDFInfo
- Publication number
- CN111584074A CN111584074A CN201910119807.XA CN201910119807A CN111584074A CN 111584074 A CN111584074 A CN 111584074A CN 201910119807 A CN201910119807 A CN 201910119807A CN 111584074 A CN111584074 A CN 111584074A
- Authority
- CN
- China
- Prior art keywords
- muscle
- data
- acquiring
- information
- user
- 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
- 208000029549 Muscle injury Diseases 0.000 title claims abstract description 335
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000013210 evaluation model Methods 0.000 claims abstract description 118
- 210000003205 muscle Anatomy 0.000 claims description 107
- 238000003384 imaging method Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 27
- 238000010801 machine learning Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 16
- 230000008447 perception Effects 0.000 claims description 14
- 238000005481 NMR spectroscopy Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 210000001087 myotubule Anatomy 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000002091 elastography Methods 0.000 claims description 6
- 238000002604 ultrasonography Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims 1
- 230000000644 propagated effect Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 12
- 208000025978 Athletic injury Diseases 0.000 description 7
- 206010041738 Sports injury Diseases 0.000 description 7
- 230000006378 damage Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 208000014674 injury Diseases 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 210000000107 myocyte Anatomy 0.000 description 2
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 231100000809 Damage Assessment Model Toxicity 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000862 numbness Toxicity 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000002099 shear wave elastography Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及一种肌肉损伤评价模型的建立方法、装置、计算机设备和存储介质以及一种肌肉损伤的评价方法、装置、计算机设备和存储介质。所述方法包括:获取医疗数据;分析所述医疗数据,得到肌肉损伤信息;根据所述医疗数据以及所述肌肉损伤信息,获取肌肉损伤的评价模型。还包括:获取肌肉损伤的评价模型;获取待检测用户的医疗数据;根据所述待检测用户的医疗数据以及所述肌肉损伤的评价模型,获取与所述待检测用户的医疗数据匹配的肌肉损伤预测信息。采用本方法能够对比较早期的肌肉损伤进行诊断。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种肌肉损伤的评价方法、装置、计算机设备和存储介质。
背景技术
肌肉损伤是人们在运动和健身过程中经常遇到的问题,人们既要对在运动过程中发生的肌肉损伤进行诊断以进行康复治疗,又要适当利用健身损伤造成的超量恢复效应来增强运动机能,因此,精确的评价肌肉损伤发生的位置及损伤程度是非常重要的。目前常采用常规超声影像设备(B型超声波设备等)或者放射性影像设备(X射线、CT、核磁共振设备等)对肌肉损伤进行评价。
然而,目前的这些方法无法对比较早期的肌肉损伤进行诊断。
发明内容
基于此,有必要针对上述技术问题,提供一种能够对比较早期的肌肉损伤进行快速诊断的肌肉损伤的评价方法、装置、计算机设备和存储介质。
一种肌肉损伤评价模型的建立方法,所述方法包括:
获取医疗数据;其中,所述医疗数据包括用户信息数据、用户医学影像数据、用户感知数据中的至少一项;
分析所述医疗数据,得到肌肉损伤信息;
根据所述医疗数据以及所述肌肉损伤信息,获取肌肉损伤的评价模型;其中,所述评价模型包括机器学习模型。
一种肌肉损伤的评价方法,所述方法包括:
获取肌肉损伤的评价模型;
获取待检测用户的医疗数据;
根据所述待检测用户的医疗数据以及所述肌肉损伤的评价模型,获取与所述待检测用户的医疗数据匹配的肌肉损伤预测信息。
上述肌肉损伤评价模型的建立方法以及肌肉损伤的评价方法,通过获取医疗数据并分析该医疗数据,得到肌肉损伤信息,根据该医疗数据以及肌肉损伤信息,获取肌肉损伤的评价模型,然后获取待检测医疗数据,并根据该待检测用户的医疗数据以及肌肉损伤的评价模型,获取与该待检测用户的医疗数据匹配的肌肉损伤预测信息,可以对比较早期的肌肉损伤进行诊断。
一种肌肉损伤评价模型的建立装置,所述装置包括:
数据获取模块,用于获取医疗数据;其中,所述医疗数据包括用户信息数据、用户医学影像数据、用户感知数据中的至少一项;
数据分析模块,用于分析所述医疗数据,得到肌肉损伤信息;
评价模型训练模块,用于根据所述医疗数据以及所述肌肉损伤信息,获取肌肉损伤的评价模型;其中,所述评价模型包括机器学习模型。
一种肌肉损伤的评价装置,所述方法包括:
评价模型获取模块,用于获取肌肉损伤的评价模型;
待检测用户的医疗数据获取模块,用于获取待检测用户的医疗数据;
评价模块,用于根据所述待检测用户的医疗数据以及所述肌肉损伤的评价模型,获取与所述待检测用户的医疗数据匹配的肌肉损伤预测信息;其中,所述肌肉损伤预测信息包括:肌肉损伤预测等级、肌肉损伤预测位置、肌肉损伤预测面积、肌纤维断裂预测比例。
上述肌肉损伤评价模型的建立装置以及肌肉损伤的评价装置,通过获取医疗数据并分析该医疗数据,得到肌肉损伤信息,根据该医疗数据以及肌肉损伤信息,获取肌肉损伤的评价模型,然后获取待检测医疗数据,并根据该待检测用户的医疗数据以及肌肉损伤的评价模型,获取与该待检测用户的医疗数据匹配的肌肉损伤预测信息,可以对比较早期的肌肉损伤进行诊断。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任意方法的步骤。
上述计算机设备,通过获取医疗数据并分析该医疗数据,得到肌肉损伤信息,根据该医疗数据以及肌肉损伤信息,获取肌肉损伤的评价模型,然后获取待检测医疗数据,并根据该待检测用户的医疗数据以及肌肉损伤的评价模型,获取与该待检测用户的医疗数据匹配的肌肉损伤预测信息,可以对比较早期的肌肉损伤进行诊断。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现任意方法的步骤。
上述可读存储介质,通过获取医疗数据并分析该医疗数据,得到肌肉损伤信息,根据该医疗数据以及肌肉损伤信息,获取肌肉损伤的评价模型,然后获取待检测医疗数据,并根据该待检测用户的医疗数据以及肌肉损伤的评价模型,获取与该待检测用户的医疗数据匹配的肌肉损伤预测信息,可以对比较早期的肌肉损伤进行诊断。
附图说明
图1为一个实施例中肌肉损伤评价模型的建立方法以及肌肉损伤的评价方法的应用环境图;
图2为一个实施例中肌肉损伤评价模型的建立方法的流程示意图;
图3为一个实施例中肌肉损伤的评价方法的流程示意图;
图4为一个实施例中肌肉损伤评价模型的建立装置的结构框图;
图5为一个实施例中肌肉损伤的评价装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步的详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的肌肉损伤评价模型的建立方法以及肌肉损伤的评价方法,可以应用于终端设备中,也可以应用于由终端设备以及云端网络组成的系统中。可选的,可以应用于如图1所示的应用环境中。其中,终端102与服务器104通过网络进行通信。终端102可以根据服务器104中储存的医疗数据进行分析得到肌肉损伤信息;根据所述医疗数据以及所述肌肉损伤信息,获取肌肉损伤的评价模型;其中,所述评价模型包括机器学习模型;并获取肌肉损伤的评价模型,待检测用户的医疗数据;根据所述待检测用户的医疗数据以及所述肌肉损伤的评价模型,获取与所述待检测用户的医疗数据匹配的肌肉损伤信息。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。可选的,该无线网络可以是2G网络、3G网络、4G网络或者5G网络、无线保真(Wireless Fidelity,简称WIFI)网络等。需要说明的是,该肌肉损伤评价模型的建立方法以及肌肉损伤的评价方法所涉及的医疗数据等信息可以存储在终端102中,也可以存储在服务器104中,还可以一部分存储在终端102中,另一部分存储在服务器104中,也就是说,本实施例对信息存储的具体位置并不做限定。
可以理解,本申请各个实施方式所涉及的方法,其执行主体可以是肌肉损伤评价模型的建立装置以及肌肉损伤的评价装置,该装置可以是通过软件、硬件或者软件硬件相结合的方式实现。该装置可以是终端的部分或全部,该装置也可以集成在云端服务器中,由终端设备在使用时进行调用。为了描述方便,下述方法实施例中的执行主体均以终端为例。
在一个实施例中,如图2所示,提供了一种肌肉损伤评价模型的建立方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤S100,获取医疗数据;其中,所述医疗数据包括用户信息数据、用户医学影像数据、用户感知数据中的至少一项;
步骤S200,分析所述医疗数据,得到肌肉损伤信息;
步骤S300,根据所述医疗数据以及所述肌肉损伤信息,获取肌肉损伤的评价模型;其中,所述评价模型包括机器学习模型。
其中,用户信息数据是指用户的基本身份信息。用户医学影像数据是指通过医学影像仪器获取到的用户肢体的造影数据,例如超声波图像或核磁共振图像等。用户感知数据是根据用户对当前肢体感觉的主观判断以及描述得到的指标值,例如,局部刺痛程度、麻木感觉程度等。
具体的,终端获取用户的医疗数据,并通过医生或运动学专家等人对该医疗数据的分析,获取到肌肉损伤信息,然后根据该医疗数据以及该肌肉损伤程度信息,利用机器学习模型训练方法建立肌肉损伤的评价模型。
作为一种实施例,其中,步骤S100包括:
步骤S110,所述用户信息数据包括:
所述用户性别、年龄、身高以及体重中的任意一种或多种;
步骤S120,所述用户医学影像数据包括:所述用户的肌肉核磁共振数据、所述用户的肌肉超声波数据、所述用户的肌肉弹性成像信息、所述用户的感知数据中的任意一种或多种;
其中,所述肌肉超声波数据包括:超声射频信号数据以及重构所述超声射频信号得到的超声波图像。
其中,肌肉核磁共振数据是指利用核磁共振成像检查设备对肌肉进行扫描后的图像数据。超声射频信号数据是指利用超声波设备对肌肉进行扫描成像的过程中,超声波探头接收到的回波信号。超声波图形是指利用该回波信号以及相应的成像算法所获得的扫描肌肉后的图像。肌肉弹性成像信息是指剪切波弹性成像过程中的剪切波回波信号,以及根据该剪切波回波信号生成的肌肉弹性值统计数据,例如,测量区域的弹性模量最大值、最小值、平均值、标准差等。
具体的,终端可以通过用户录入或者读取存档等方式获得用户的基本信息,通过核磁共振设备获取肌肉核磁共振数据,通过超声波成像设备,例如B超机等,获取肌肉超声波数据。利用剪切波成像设备获取肌肉弹性成像信息,通过令用户填写问卷或者语音录入的方式来对用户的各种感觉进行录入。通过将用户信息数据以及用户的感知数据作为医疗数据对肌肉评价模型进行训练,可以使肌肉评价模型在应用过程中针对具有不同年龄、性别或者身体特征,但却具有相似肌肉损伤的用户的肌肉损伤进行更准确真实以及合理的评价信息。
作为一种实施例,其中,步骤S300包括:
步骤S310,根据所述医疗数据以及所述肌肉损伤信息,获取所述医疗数据以及所述肌肉损伤信息的拟合函数;
步骤S320,根据所述拟合函数,获取所述肌肉损伤的评价模型。
其中,拟合函数是指医疗数据与肌肉损伤信息的数学关系式的函数表达。
具体的,终端可以通过神经网络迁移学习方法、基于卷积神经网络和注意力机制的图像分类方法、随机森林或决策树等机器学习算法获得医疗数据以及肌肉损伤信息的拟合函数。
作为一种实施例,其中,步骤S200包括:
步骤S210,根据所述医疗数据,分析所述用户的肌肉损伤程度,得到所述肌肉损伤信息;其中,所述肌肉损伤信息包括:肌肉损伤位置、肌肉损伤面积、肌纤维断裂比例以及肌肉损伤等级。
其中,肌肉损伤信息是指通过对肌肉核磁共振数据、肌肉超声波数据、肌肉弹性成像信息、感知数据等医疗数据中的一项或者几项的分析,获得通过非人工智能方法而得出的肌肉损伤的评价结果。肌肉损伤位置是指根据医生分析所得肌肉损伤位于人体的具体位置。肌肉损伤面积是指根据医生分析所得肌肉损伤的几何尺寸。肌纤维断裂比例是指根据医生分析所得一块肌肉中断裂的肌细胞占所有肌细胞的比重。肌肉损伤等级是指根据医生分析所得肌肉损伤的级别。
具体的,运动损伤领域专业医生通过对肌肉核磁共振数据、肌肉超声波数据、肌肉弹性成像信息、感知数据等医疗数据中的一项或者几项的分析,得出肌肉损伤位置、肌肉损伤面积、肌纤维断裂比例等肌肉损伤信息,并且根据预设肌肉损伤判断规则对肌肉损伤进行评级,得到肌肉损伤等级,然后终端通过对外接口或者其他方式获取医生得出的肌肉损伤信息。
例如,运动损伤领域专业医生通过肉眼观察某位伤员的肌肉的超声波图像,得出该伤员的肌肉损伤位置为股中间肌,并测得肌肉损伤面积为1平方厘米,并且损伤部位的肌纤维断裂比例为10%。进一步的,若医生选用根据肌纤维断裂判断肌肉损伤等级,并且该规则规定:肌纤维断裂比例在1%-5%范围内为一级肌肉损伤、6%-10%为二级肌肉损伤、11%以上为三级肌肉损伤,那么该伤员的肌肉损伤等级可以被判断为二级肌肉损伤。
作为一种实施例,其中,步骤S310包括:
步骤S311,根据所述肌肉超声波图像以及所述肌肉损伤信息,获取所述肌肉超声波图像与所述肌肉损伤等级的第一函数关系。
其中,第一函数关系是用于在应用肌肉损伤评价模型的步骤中,根据肌肉超声波图像得到肌肉损伤等级的函数关系表达式。
具体的,终端将肌肉的超声波图像作为输入,运动损伤领域专业医生通过分析该图像得出的通过非人工智能方法判断的肌肉损伤分析等级作为输出,通过机器学习算法获得该超声波图像与该肌肉损伤等级的第一函数关系。
作为一种实施例,其中,步骤S310包括:
步骤S312,根据所述肌肉超声波图像以及所述肌肉损伤信息,获取所述肌肉超声波图像与所述肌肉损伤位置的第二函数关系和/或所述肌肉超声波图像与所述肌肉损伤面积的第三函数关系。
其中,第二函数关系是用于在应用肌肉损伤评价模型的步骤中,根据肌肉超声波图像得到肌肉损伤位置的函数关系表达式。第三函数关系是用于在应用肌肉损伤评价模型的步骤中,根据肌肉超声波图像得到肌肉损伤预测面积的函数关系表达式。
具体的,终端将肌肉的超声波图像作为输入,运动损伤领域专业医生通过分析该图像得出的通过非人工智能方法判断的肌肉损伤位置作为输出,通过机器学习算法获得该超声波图像与该肌肉损伤位置的第二函数关系。终端将肌肉的超声波图像作为输入,运动损伤领域专业医生通过分析该图像得出的通过非人工智能方法判断的肌肉损伤面积作为输出,通过机器学习算法获得该超声波图像与该肌肉损伤面积的第三函数关系。
作为一种实施例,其中,步骤S310包括:
步骤S313,利用剪切波射频信号扫描所述用户的肌肉;
步骤S314,处理所述剪切波射频信号的回波数据,获取剪切波三维数据;其中,所述剪切波三维数据包括:剪切波二维数据以及时间数据;
步骤S315,根据所述剪切波三维数据、每个被所述剪切波射频信号扫描的所述肌肉深度上的所述剪切波二维数据以及所述肌肉损伤信息,获取所述剪切波三维数据以及所述剪切波二维数据与所述肌肉深度上的肌肉损伤位置的第四函数关系。
其中,剪切波射频信号的回波数据是指利用超声探头接收到的剪切波射频信号在肌肉中传播过程中通过肌肉反射所产生的信号。第四函数关系是用于在使用肌肉损伤评价模型的步骤中,根据肌肉弹性成像信息得到肌肉损伤预测位置的函数关系表达式。
具体的,通过剪切波射频信号扫描用户的肌肉,终端可以通过对剪切波射频信号的回波数据的数据处理,得到平行于该剪切波射频信号传播方向的回波数据以及垂直于该剪切波射频信号传播方向的回波数据,以及相对应的时间数据;终端可以将剪切波三维数据、每个剪切波扫描深度的剪切波二维数据作为输入,肌肉损伤位置作为输出,通过机器学习算法获得该剪切波三维数据以及剪切波二维数据与该深度上的肌肉损伤位置的第四函数关系。
作为一种实施例,其中,步骤S310还包括:
步骤S317,根据所述剪切波三维数据以及所述肌肉损伤信息,获取所述剪切波三维数据与所述肌肉损伤位置的第五函数关系和/或所述剪切波三维数据与所述肌肉损伤面积的第六函数关系。
具体的,终端将剪切波三维数据作为输入,运动损伤领域专业医生通过分析该图像得出的通过非人工智能方法判断的肌肉损伤位置作为输出,通过机器学习算法获得该剪切波三维数据与该肌肉损伤位置的第五函数关系和/或剪切波三维数据与肌肉损伤面积的第六函数关系。
作为一种实施例,其中,步骤S318还包括:
根据所述肌肉弹性成像信息以及所述肌肉损伤信息,获取所述肌肉弹性成像信息与所述肌肉损伤位置的第七函数关系和/或所述弹性成像信息与所述肌肉损伤面积的第八函数关系。
具体的,终端将肌肉弹性成像信息作为输入,运动损伤领域专业医生通过分析该图像得出的通过非人工智能方法判断的肌肉损伤位置作为输出,通过机器学习算法获得该肌肉弹性成像信息与该肌肉损伤位置的第七函数关系和/或肌肉弹性成像信息与肌肉损伤面积的第八函数关系。
作为一种实施例,所述方法还包括:
步骤S400,根据预设监测周期,对所述用户的肌肉进行监测,获取所述用户的肌肉在不同时期的所述医疗数据。
其中,预设监测周期是指监测同一用户肌肉的时间或者方式,例如每隔一周进行一次监测,或者肌肉损伤的不同阶段进行一次监测,该阶段可以包括损伤初期、损伤中期以及损伤恢复期等。
具体的,终端根据预设监测周期,通过获取同一用户肌肉在肌肉损伤的不同阶段的肌肉核磁共振数据、肌肉超声波数据、肌肉弹性成像信息、感知数据等医疗数据,实现对同一用户肌肉的连续监测。利用同一用户在不同时期的医疗数据对机器学习模型进行训练可以使该机器学习模型在应用时对输入数据更敏捷。
作为一种实施例,其中,所述方法还包括:
步骤S500,根据交叉验证方法,获取所述肌肉损伤的评价模型的泛化性;
步骤S600,通过改变用于获取所述医疗数据的设备的参数,获取所述评价模型在不同所述参数中的不同评价结果;
步骤S700,根据所述评价模型在不同所述参数中的不同评价结果,获取所述评价模型的适应性;
步骤S800,将所述用户的肌肉核磁共振数据的所述肌肉损伤信息与采用所述评价模型得到的分析结果进行对比,获取所述评价模型的准确率;
步骤S900,根据所述泛化性、所述适应性以及所述准确率,判断所述评价模型是否满足预设标准;
步骤S1000,若所述评价模型不满足所述预设标准,则再次执行所述根据所述医疗数据以及所述肌肉损伤信息,获取肌肉损伤的评价模型的步骤,直至所述评价模型满足所述预设标准。
其中,交叉验证方法是机器学习领域用于检测训练得到的机器学习模型是否有效的一个标准方法。泛化性是指通过训练数据集(从输入数据到输出肌肉损伤程度)训练得到的肌肉评价模型是否能对训练数据集以外的病例给出比较准确的肌肉损伤程度判断。准确率是指分析结果与肌肉损伤信息相同的个数与分析结果的百分比。
具体的,终端通通过改变用于获取医疗数据的设备的参数,例如,改变剪切波弹性成像仪器的型号、超声探头的中心频率或者核磁共振成像设备的成像增益等参数设置,获取该评价模型在仪器工作在不同参数下的不同评价结果;通过分析不同评价结果的波动或者变化等,得到该评价模型的适应性;将根据用户的肌肉核磁共振数据得到的肌肉损伤信息与采用评价模型得到的分析结果进行对比,获取该评价模型的准确率;最后根据泛化性、适应性以及准确率,判断该评价模型是否满足预设标准,若该评价模型不满足预设标准,则重复进行训练该评价模型的方法,重新获得肌肉损伤的评价模型。例如,预设标准为准确率达到95%以上,那么当评价模型的准确率为90%时,需要重新训练评价模型,使准确率达标。若该评价模型满足预设条件,则当收集到新的医疗数据以及新的肌肉损伤信息时,可以利用递归算法或者自适应算法等闭环算法通过对新收集到的医疗数据以及肌肉损伤信息进行数据处理,以更新已经建立的评价模型,从而对评价模型进行不断的优化更新。
在一个实施例中,如图3所示,提供了一种肌肉损伤的评价方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤A100,获取肌肉损伤的评价模型;
步骤A200,获取待检测用户的医疗数据;
步骤A300,根据所述待检测的医疗数据以及所述肌肉损伤的评价模型,获取与所述待检测用户的医疗数据匹配的肌肉损伤预测信息;其中,所述肌肉损伤预测信息包括肌肉损伤预测等级、肌肉损伤预测位置、肌肉损伤预测面积。
其中,肌肉损伤预测信息是指根据待检测用户的医疗数据,利用肌肉损伤的评价模型所得到的肌肉损伤程度。
具体的,终端获取建立好的肌肉损伤的评价模型以及需要进行肌肉损伤鉴定的待检测用户的医疗数据,将该待检测的医疗数据作为输入数据,利用肌肉损伤的评价模型进行数据处理从而获取待检测用户的肌肉损伤预测信息。
作为一种实施例,其中,步骤A300包括:
步骤A310,根据所述肌肉超声波图像以及所述第一函数关系,获取所述肌肉损伤预测等级。
具体的,终端将肌肉超声波图像作为输入,调用第一函数关系对该肌肉超声波图像进行数据处理以获得肌肉损伤预测等级。
步骤A320,根据所述肌肉超声波图像以及所述第二函数关系获取所述肌肉损伤预测位置,根据所述肌肉超声波图像以及所述第三函数关系获取所述肌肉损伤预测面积。
具体的,终端获取到某伤员的肌肉超声波图像,并利用第二函数关系对该肌肉超声波图像进行处理,最后将肌肉损伤的预测位置进行输出。终端获取到某伤员的肌肉超声波图像,并利用第三函数关系对该肌肉超声波图像进行处理,最后将肌肉损伤的预测面积进行输出。
步骤A330,根据预设深度、所述剪切波二维数据以及所述第四函数关系,获取所述肌肉损伤预测位置。
其中,深度是指剪切波扫面的肌肉断层距离剪切波探头的几何距离。
具体的,终端首先对剪切波成像设备的扫描深度进行赋值,并获取该深度的剪切波二维数据,然后将该深度值以及该剪切波二维数据作为输入数据,利用第四函数关系进行数据处理,最后得到肌肉损伤预测位置。
步骤A340,根据所述剪切波三维数据以及所述第五函数关系获取所述肌肉损伤预测位置,根据所述剪切波三维数据以及所述第六函数关系获取所述肌肉损伤预测面积。
具体的,终端获取到待检测用户的肌肉的剪切波三维数据,并利用第五函数关系对该剪切波三维数据进行处理,最后将肌肉损伤预测位置进行输出。终端获取到待检测用户的肌肉的剪切波三维数据,并利用第六函数关系对该剪切波三维数据进行处理,最后将肌肉损伤预测面积进行输出。
步骤A350,根据所述弹性成像信息以及所述第七函数关系获取所述肌肉损伤预测位置,根据所述弹性成像信息以及所述第八函数关系获取所述肌肉损伤预测面积。
具体的,终端获取到待检测用户的肌肉的弹性成像信息,并利用第七函数关系对该弹性成像信息进行处理,最后将肌肉损伤预测位置进行输出。终端获取到待检测用户的肌肉的弹性成像信息,并利用第八函数关系对该弹性成像信息进行处理,最后将肌肉损伤预测面积进行输出。
作为一种实施例,其中,步骤A310包括:
步骤A311,根据所述肌肉超声波图像以及所述第一函数关系获取所述肌肉损伤预测等级的判断概率;
步骤A312,根据所述肌肉损伤的判断概率,获取所述肌肉损伤预测等级。
其中,判断概率是指判断肌肉损伤为各个损伤等级的概率。
具体的,终端将肌肉超声波图像作为输入,调用第一函数关系对该肌肉超声波图像进行数据处理,判定该肌肉损伤程度为每个肌肉损伤等级的概率,并根据概率获得肌肉损伤预测等级。
例如,终端获取到某伤员的肌肉超声波图像,并利用第一函数关系对该超声波图像进行处理,判定该肌肉损损伤为一级的概率是0.9、二级的概率是0.03、三级的概率是0.07,则第一函数关系的输出是肌肉损伤为一级。
作为一种实施例,其中,步骤A330包括:
步骤A331,获取所述剪切波射频信号在所述肌肉内部传播过程中各个质点的速度和/或位移场;
步骤A332,根据各个所述质点的速度和/或位移场获取所述剪切波二维数据;
步骤A333,根据所述预设深度、所述剪切波二维数据以及所述第四函数关系,获取所述肌肉损伤预测位置。
其中,质点是指剪切波射频信号上产生振动的点。
具体的,终端获取剪切波射频信号经过一维互相关算法等方法,计算剪切波在人体内传播过程中各个质点的速度或位移场,根据各个剪切波射频信号上的质点的速度和/或位移场生成剪切波二维数据,然后将一个预设深度值以及该剪切波二维数据作为输入数据,利用第四函数关系进行数据处理,最后得到肌肉损伤预测位置。
作为一种实施例,其中,步骤A340包括:
步骤A341,获取不同时间序列下的所述剪切波射频信号在所述肌肉内部传播过程中各个所述质点的速度和/或位移场;
步骤A342,根据所述不同序列下的所述剪切波射频信号在所述肌肉内部传播过程中各个质点的速度和/或位移场获取所述剪切波三维数据;
步骤A343,根据所述剪切波三维数据以及所述第五函数关系、所述剪切波三维数据以及所述第六函数关系,获取所述肌肉损伤预测位置和或所述肌肉损伤预测面积。
具体的,终端获取不同时间序列下的剪切波射频信号在肌肉内部传播过程中各个质点的速度和/或位移场,然后根据该不同序列下的所述剪切波射频信号在肌肉内部传播过程中各个质点的速度和/或位移场获取生成剪切波三维数据;终端进一步利用第五函数关系对该剪切波三维数据进行处理,最后将肌肉损伤预测位置进行输出,和/或利用第六函数关系对该剪切波三维数据进行处理,最后将肌肉损伤预测面积进行输出。
应该理解的是,虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种肌肉损伤评价模型的建立装置6000,包括:
数据获取模块601,用于获取医疗数据;其中,所述医疗数据包括用户信息数据、用户医学影像数据、用户感知数据中的至少一项;
数据分析模块602,用于分析所述医疗数据,得到肌肉损伤信息;
评价模型训练模块603,用于根据所述医疗数据以及所述肌肉损伤信息,获取肌肉损伤的评价模型;其中,所述评价模型包括机器学习模型。
在一个实施例中,如图5所示,提供了一种肌肉损伤的评价装置7000,包括:
评价模型获取模块701,用于获取肌肉损伤的评价模型;
待检测用户医疗数据获取模块702,用于获取待检测用户的医疗数据;
评价模块703,用于根据所述待检测用户的医疗数据以及所述肌肉损伤的评价模型,获取与所述待检测用户的医疗数据匹配的肌肉损伤预测信息。
关于肌肉损伤评价模型的建立装置以及肌肉损伤的评价装置的具体限定可以参见上文中对于肌肉损伤评价模型的建立方法以及肌肉损伤的评价方法的限定,在此不再赘述。上述肌肉损伤评价模型的建立装置以及肌肉损伤的评价装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储医疗数据等相关信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现肌肉损伤评价模型的建立方法以及肌肉损伤的评价方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取医疗数据;其中,所述医疗数据包括用户信息数据、用户医学影像数据、用户感知数据中的至少一项;
分析所述医疗数据,得到肌肉损伤信息;
根据所述医疗数据以及所述肌肉损伤信息,获取肌肉损伤的评价模型;其中,所述评价模型包括机器学习模型。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取肌肉损伤的评价模型;
获取待检测用户的医疗数据;
根据所述待检测用户的医疗数据以及所述肌肉损伤的评价模型,获取与所述待检测用户的医疗数据匹配的肌肉损伤预测信息;其中,所述肌肉损伤预测信息包括:肌肉损伤预测等级、肌肉损伤预测位置、肌肉损伤预测面积、肌纤维断裂预测比例。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取医疗数据;其中,所述医疗数据包括用户信息数据、用户医学影像数据、用户感知数据中的至少一项;
分析所述医疗数据,得到肌肉损伤信息;
根据所述医疗数据以及所述肌肉损伤信息,获取肌肉损伤的评价模型;其中,所述评价模型包括机器学习模型。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取肌肉损伤的评价模型;
获取待检测用户的医疗数据;
根据所述待检测用户的医疗数据以及所述肌肉损伤的评价模型,获取与所述待检测用户的医疗数据匹配的肌肉损伤预测信息;其中,所述肌肉损伤预测信息包括:肌肉损伤预测等级、肌肉损伤预测位置、肌肉损伤预测面积、肌纤维断裂预测比例。
应当清楚的是,本申请实施例中的计算机程序被处理器执行时实现的步骤,与上述实施例中的方法的各个步骤的执行过程一致,具体可参见上文的描述,此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (20)
1.一种肌肉损伤评价模型的建立方法,其特征在于,所述方法包括:
获取医疗数据;其中,所述医疗数据包括用户信息数据、用户医学影像数据、用户感知数据中的至少一项;
分析所述医疗数据,得到肌肉损伤信息;
根据所述医疗数据以及所述肌肉损伤信息,获取肌肉损伤的评价模型;其中,所述评价模型包括机器学习模型。
2.根据权利要求1所述的方法,其特征在于,
所述用户信息数据包括:
所述用户性别、年龄、身高以及体重中的任意一种或多种;
所述用户医学影像数据包括:所述用户的肌肉核磁共振数据、所述用户的肌肉超声波数据、所述用户的肌肉弹性成像信息、所述用户的感知数据中的任意一种或多种;
其中,所述肌肉超声波数据包括:超声射频信号数据以及重构所述超声射频信号得到的肌肉超声波图像。
3.根据权利要求2所述的方法,其特征在于,所述根据所述医疗数据以及所述肌肉损伤信息,获取肌肉损伤的评价模型包括:
根据所述医疗数据以及所述肌肉损伤信息,获取所述医疗数据以及所述肌肉损伤信息的拟合函数;
根据所述拟合函数,获取所述肌肉损伤的评价模型。
4.根据权利要求1所述的方法,其特征在于,所述分析所述医疗数据,得到肌肉损伤信息包括:
根据所述医疗数据,分析所述用户的肌肉损伤程度,得到所述肌肉损伤信息;其中,所述肌肉损伤信息包括:肌肉损伤位置、肌肉损伤面积、肌纤维断裂比例以及肌肉损伤等级。
5.根据权利要求4所述的方法,其特征在于,所述根据所述医疗数据以及所述肌肉损伤信息,获取所述医疗数据以及所述肌肉损伤信息的拟合函数包括:
根据所述肌肉超声波图像以及所述肌肉损伤信息,获取所述肌肉超声波图像与所述肌肉损伤等级的第一函数关系。
6.根据权利要求4所述的方法,其特征在于,所述根据所述医疗数据以及所述肌肉损伤信息,获取所述医疗数据以及所述肌肉损伤信息的拟合函数包括:
根据所述肌肉超声波图像以及所述肌肉损伤信息,获取所述肌肉超声波图像与所述肌肉损伤位置的第二函数关系、所述肌肉超声波图像与所述肌肉损伤面积的第三函数关系。
7.根据权利要求4所述的方法,其特征在于,所述根据所述医疗数据以及所述肌肉损伤信息,获取所述医疗数据以及所述肌肉损伤信息的拟合函数包括:
利用剪切波射频信号扫描所述用户的肌肉;
处理所述剪切波射频信号的回波数据,获取剪切波三维数据;其中,所述剪切波三维数据包括:剪切波二维数据以及时间数据;
根据所述剪切波三维数据、每个被所述剪切波射频信号扫描的所述肌肉深度上的所述剪切波二维数据以及所述肌肉损伤信息,获取所述剪切波三维数据以及所述剪切波二维数据与所述肌肉深度上的肌肉损伤位置的第四函数关系。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
根据所述剪切波三维数据以及所述肌肉损伤信息,获取所述剪切波三维数据与所述肌肉损伤位置的第五函数关系和/或所述剪切波三维数据与所述肌肉损伤面积的第六函数关系。
9.根据权利要求4所述的方法,其特征在于,所述根据所述医疗数据以及所述肌肉损伤信息,获取所述医疗数据以及所述肌肉损伤信息的拟合函数包括:
根据所述肌肉弹性成像信息以及所述肌肉损伤信息,获取所述肌肉弹性成像信息与所述肌肉损伤位置的第七函数关系和/或所述弹性成像信息与所述肌肉损伤面积的第八函数关系。
10.根据权利要求1所述的方法,其特征在于,所述获取医疗数据还包括:
根据预设监测周期,对所述用户的肌肉进行监测,获取所述用户的肌肉在不同时期的所述医疗数据。
11.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据交叉验证方法,获取所述肌肉损伤的评价模型的泛化性;
通过改变用于获取所述医疗数据的设备的参数,获取所述评价模型在不同所述参数中的不同评价结果;
根据所述评价模型在不同所述参数中的不同评价结果,获取所述评价模型的适应性;
将所述用户的肌肉核磁共振数据的所述肌肉损伤信息与采用所述评价模型得到的分析结果进行对比,获取所述评价模型的准确率;
根据所述泛化性、所述适应性以及所述准确率,判断所述评价模型是否满足预设标准;
若所述评价模型不满足所述预设标准,则再次执行所述根据所述医疗数据以及所述肌肉损伤信息,获取肌肉损伤的评价模型的步骤,直至所述评价模型满足所述预设标准。
12.一种肌肉损伤的评价方法,其特征在于,所述方法包括:
获取肌肉损伤的评价模型;
获取待检测用户的医疗数据;
根据所述待检测用户的医疗数据以及所述肌肉损伤的评价模型,获取与所述待检测用户的医疗数据匹配的肌肉损伤预测信息;其中,所述肌肉损伤预测信息包括:肌肉损伤预测等级、肌肉损伤预测位置、肌肉损伤预测面积、肌纤维断裂预测比例。
13.根据权利要求12所述的方法,其特征在于,所述根据所述肌肉损伤的评价模型,获取所述肌肉损伤的所述评价结果包括:
根据所述肌肉超声波图像以及所述第一函数关系,获取所述肌肉损伤预测等级;和/或
根据所述肌肉超声波图像以及所述第二函数关系获取所述肌肉损伤预测位置,根据所述肌肉超声波图像以及所述第三函数关系获取所述肌肉损伤预测面积;和/或
根据预设深度、所述剪切波二维数据以及所述第四函数关系,获取所述肌肉损伤预测位置;和/或
根据所述剪切波三维数据以及所述第五函数关系获取所述肌肉损伤预测位置,根据所述剪切波三维数据以及所述第六函数关系获取所述肌肉损伤预测面积;和/或
根据所述弹性成像信息以及所述第七函数关系获取所述肌肉损伤预测位置,根据所述弹性成像信息以及所述第八函数关系获取所述肌肉损伤预测面积。
14.根据权利要求13所述的方法,其特征在于,所述根据所述肌肉超声波图像以及所述第一函数关系,获取所述肌肉损伤等级包括:
根据所述肌肉超声波图像以及所述第一函数关系获取所述肌肉损伤预测等级的判断概率;
根据所述肌肉损伤的判断概率,获取所述肌肉损伤预测等级。
15.根据权利要求13所述的方法,其特征在于,所述根据预设深度、所述剪切波二维数据以及所述第四函数关系,获取所述肌肉损伤位置;
获取所述剪切波射频信号在所述肌肉内部传播过程中各个质点的速度和/或位移场;
根据各个所述质点的速度和/或位移场获取所述剪切波二维数据;
根据所述预设深度、所述剪切波二维数据以及所述第四函数关系,获取所述肌肉损伤预测位置。
16.根据权利要求13所述的方法,其特征在于,所述根据所述剪切波三维数据以及所述第五函数关系获取所述肌肉损伤位置,根据所述剪切波三维数据以及所述第六函数关系获取所述肌肉损伤面积;
获取不同时间序列下的所述剪切波射频信号在所述肌肉内部传播过程中各个所述质点的速度和/或位移场;
根据所述不同序列下的所述剪切波射频信号在所述肌肉内部传播过程中各个质点的速度和/或位移场获取所述剪切波三维数据;
根据所述剪切波三维数据以及所述第五函数关系、所述剪切波三维数据以及所述第六函数关系,获取所述肌肉损伤预测位置和/或所述肌肉损伤预测面积。
17.一种肌肉损伤评价模型的建立装置,其特征在于,所述装置包括:
数据获取模块,用于获取医疗数据;其中,所述医疗数据包括用户信息数据、用户医学影像数据、用户感知数据中的至少一项;
数据分析模块,用于分析所述医疗数据,得到肌肉损伤信息;
评价模型训练模块,用于根据所述医疗数据以及所述肌肉损伤信息,获取肌肉损伤的评价模型;其中,所述评价模型包括机器学习模型。
18.一种肌肉损伤的评价装置,其特征在于,所述方法包括:
评价模型获取模块,用于获取肌肉损伤的评价模型;
检测用户医疗数据获取模块,用于获取待检测用户的医疗数据;
评价模块,用于根据所述待检测用户的医疗数据以及所述肌肉损伤的评价模型,获取与所述待检测用户的医疗数据匹配的肌肉损伤预测信息。
19.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至16中任一项所述方法的步骤。
20.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至16中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910119807.XA CN111584074A (zh) | 2019-02-18 | 2019-02-18 | 肌肉损伤的评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910119807.XA CN111584074A (zh) | 2019-02-18 | 2019-02-18 | 肌肉损伤的评价方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111584074A true CN111584074A (zh) | 2020-08-25 |
Family
ID=72112492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910119807.XA Pending CN111584074A (zh) | 2019-02-18 | 2019-02-18 | 肌肉损伤的评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111584074A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288733A (zh) * | 2020-11-06 | 2021-01-29 | 深圳先进技术研究院 | 一种肌肉超声图像检测方法、系统、终端以及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060274928A1 (en) * | 2005-06-02 | 2006-12-07 | Jeffrey Collins | System and method of computer-aided detection |
US20120116219A1 (en) * | 2010-11-10 | 2012-05-10 | Miller Nathan D | System and method of ultrasound image processing |
CN107767935A (zh) * | 2017-09-15 | 2018-03-06 | 深圳市前海安测信息技术有限公司 | 基于人工智能的医学影像分类处理系统及方法 |
-
2019
- 2019-02-18 CN CN201910119807.XA patent/CN111584074A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060274928A1 (en) * | 2005-06-02 | 2006-12-07 | Jeffrey Collins | System and method of computer-aided detection |
US20120116219A1 (en) * | 2010-11-10 | 2012-05-10 | Miller Nathan D | System and method of ultrasound image processing |
CN107767935A (zh) * | 2017-09-15 | 2018-03-06 | 深圳市前海安测信息技术有限公司 | 基于人工智能的医学影像分类处理系统及方法 |
Non-Patent Citations (2)
Title |
---|
欧阳林 等: "核磁共振扩散张量成像辅助评估腰肌扭伤", vol. 29, no. 29, pages 1018 - 1020 * |
牛旺等: "实时剪切波弹性成像技术在骨骼肌中的应用进展", 《中国医学影像技术》, vol. 33, no. 10, pages 1583 - 1586 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288733A (zh) * | 2020-11-06 | 2021-01-29 | 深圳先进技术研究院 | 一种肌肉超声图像检测方法、系统、终端以及存储介质 |
WO2022095254A1 (zh) * | 2020-11-06 | 2022-05-12 | 深圳先进技术研究院 | 一种肌肉超声图像检测方法、系统、终端以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102289277B1 (ko) | 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법 | |
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
CN109712128B (zh) | 特征点检测方法、装置、计算机设备和存储介质 | |
CN111127467A (zh) | 图像量化方法、计算机设备和存储介质 | |
CN110516762B (zh) | 一种肌肉状态量化评定方法、装置、存储介质及智能终端 | |
US20130151516A1 (en) | Clinical data analysis apparatus and clinical data analysis method | |
CN111862020B (zh) | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 | |
Kellen et al. | Evaluating models of recognition memory using first-and second-choice responses | |
KR20160049264A (ko) | 환자 개인 특성에 대한 분석 방법 및 그 장치 | |
CN111584074A (zh) | 肌肉损伤的评价方法及装置 | |
CN118402009A (zh) | 计算机实施的方法和系统 | |
CN109893172B (zh) | 基于弹性成像的力学参数的确定方法及装置、计算机设备 | |
CN111354463B (zh) | 人体健康测量方法、装置、计算机设备及存储介质 | |
JP2004000556A (ja) | 骨粗鬆症のスクリーニング法 | |
CN112598090B (zh) | 健康画像的方法、装置、设备和系统 | |
CN112957018A (zh) | 基于人工智能的心脏状态检测方法和装置 | |
Inagaki et al. | Relationship between gait stability indices and gait parameters comprising joint angles based on walking data from 288 people | |
CN111681759A (zh) | 慢性病风险分析装置、设备和存储介质 | |
Stevenson | Statistical models for cancer screening | |
MACHROWSKA et al. | Application of eemd-dfa algorithms and ann classification for detection of knee osteoarthritis using vibroarthrography | |
Srivastava et al. | Multi-parameter based performance evaluation of classification algorithms | |
Dave et al. | Predicting diabetic neuropathy risk level using artificial neural network based on clinical characteristics of subjects with diabetes | |
CN111986804A (zh) | 基于体温数据进行模型训练的方法、装置和计算机设备 | |
CN111241084A (zh) | 医疗信息清洗方法、装置、计算机设备和存储介质 | |
Benyó | In-silico analysis of stochastic modelling of human blood glucose regulatory system |
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 |