CN111681763A - 一种基于纠错输出码的全膝关节置换术假体型号预测方法及电子装置 - Google Patents
一种基于纠错输出码的全膝关节置换术假体型号预测方法及电子装置 Download PDFInfo
- Publication number
- CN111681763A CN111681763A CN202010298732.9A CN202010298732A CN111681763A CN 111681763 A CN111681763 A CN 111681763A CN 202010298732 A CN202010298732 A CN 202010298732A CN 111681763 A CN111681763 A CN 111681763A
- Authority
- CN
- China
- Prior art keywords
- prosthesis
- model
- patient
- prosthesis model
- accuracy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012937 correction Methods 0.000 title claims abstract description 16
- 238000013150 knee replacement Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 3
- 210000000629 knee joint Anatomy 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000037099 Prosthesis Failure Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 201000008482 osteoarthritis Diseases 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011883 total knee arthroplasty Methods 0.000 description 2
- 208000006820 Arthralgia Diseases 0.000 description 1
- 208000012659 Joint disease Diseases 0.000 description 1
- 208000003947 Knee Osteoarthritis Diseases 0.000 description 1
- 208000035965 Postoperative Complications Diseases 0.000 description 1
- 208000037486 Postoperative Hemorrhage Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 208000024765 knee pain Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 210000001694 thigh bone Anatomy 0.000 description 1
- 210000002303 tibia Anatomy 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于纠错输出码的全膝关节置换术假体型号预测方法及电子装置，该方法步骤包括：抽取患者X光片的关键特征，对患者基本信息进行上采样后，拼接所述关键特征与上采样后信息；将拼接后的结果送入联合训练的多个二分类器，得到各二分类器输出的概率序列；根据一设定判决方式，将所述概率序列映射到使用纠错码编码的假体型号，获得该患者所需假体型号的预测结果。本发明可高效、准确地预测出所需的假体型号，准确率已经达到超过了专家使用CT和X光片进行术前测量的精度水平，并且本发明只需使用X光片和患者基本信息，成本更低，效果更稳定。
Description
技术领域
本发明属于人工智能医疗图像处理领域，具体涉及一种基于纠错输出码的全膝关节置换术假体型号预测方法及电子装置。
背景技术
随着社会老龄化的加剧，骨性关节炎已经成为了常见的关节疾病。全膝关节置换术(Total Knee Arthroplasty，TKA)是治疗重度膝关节骨炎症等疾病的有效方法，其临床疗效良好，假体生存率高，但同时也面临着一系列术后并发症，严重者甚至需要再次进行翻修手术，导致患者的术后满意度不足。过大或过小的假体都会对手术疗效造成不良影响，而精准的假体匹配可以减少术后患膝疼痛、假体松动、假体磨损、术后失血等并发症。因此，有必要对精准的术前假体规划进行研究。
目前的术前规划测量主要分为X线片模板测量和数字化模板测量。前者是使用假体公司提供的实体测量模板与X线片进行人工重合比对，选择匹配最佳的假体型号；后者则是借助数字化在线模板测量系统，将术前线片和系统中存有的不同型号假体数字模板进行匹配，预测可能的假体型号。这两项技术高度依赖摄片质量，受X线放大率影响巨大，而且精确性波动较大。
深度学习技术通过卷积层、池化层、全连接层等抽取图像中的关键特征，通过反向传播在训练集上进行训练，并泛化到从未接触过的数据集上。之前也有关于利用深度学习进行全膝关节置换术假体型号预测的发明研究，而且也达到了同专家测量相同的精度。例如中国专利申请CN110782976A公开了一种全膝关节置换术假体型号预测方法，该方法收集满足入选标准的患者术前膝关节的X光片以及患者的基本信息；对收集到的X光片及患者的基本信息进行预处理；将预处理后的图片和患者的基本信息作为特征，输入到基于深度学习技术训练完成的假体型号分类器中，得到患者在手术中各型号假体的使用概率。但由于患者病例数不足，以及患者使用的假体型号在分布上呈现“中间多，两段少”的特征，使用该方法训练得到的假体型号分类器在两端类别的预测上精度受限。本发明考虑将编码思想引入到模型训练中，一方面能使模型具有一定的纠错能力，提升模型性能；另一方面，通过将多分类任务拆分成多个二分类的子任务，拆分后的每个二分类器的样本分布同未拆分时的样本分布相比，更加均衡，进一步提升模型表现。
发明内容
针对现有人工测量耗时耗力、精度波动较大等问题，以及直接使用神经网络进行多分类任务时精度受限于数据集的缺陷，本发明旨在提供一种基于纠错输出码的全膝关节置换术假体型号预测方法及电子装置，提高假体型号的预测精度。
本发明的技术方案为：
一种基于纠错输出码的全膝关节置换术假体型号预测方法，其步骤包括：
1)抽取患者X光片的关键特征，对患者基本信息进行上采样后，拼接所述关键特征与上采样后信息；
2)将拼接后的结果送入联合训练的多个二分类器，得到各二分类器输出的概率序列；
3)根据一设定判决方式，将所述概率序列映射到使用纠错码编码的假体型号，获得该患者所需假体型号的预测结果。
进一步地，所述X光片通过直方图均衡与均值漂移方法对原始X光片进行图像处理获得。
进一步地，获取所述纠错码的最优编码方案的步骤包括：
1)固定编码长度及判决方式，对各样本假体型号分配码字，并根据选取的码字，设置卷积神经网络的输出节点数目并进行训练，得到第一假体型号预测模型；
2)将相应患者的基本信息与样本X光片逐组送入第一假体型号预测模型，并根据判决方式，得到各患者相应的假体型号；
3)统计该假体型号及相邻两类假体型号的准确率，根据性价比因素选取一种纠错输出码类型为最优编码方案。
进一步地，所述卷积神经网络结构基于18层的ResNet卷积神经网络架构；分配所述码字的准则包括：码字间最小距离尽可能大、选取后各二分类器的正负样本分布尽可能均衡。
进一步地，所述性价比因素包括第一假体型号预测模型的精度、编码复杂度、各编码方案的最小码距、编码后各二分类器的样本分布是否均衡。
进一步地，获取所述编码的最优编码长度的步骤包括：
1)选取所述最优编码方案，固定判决方式，对各样本假体型号分配码字，并根据选取的码字，设置第一假体型号预测模型的输出节点数目并进行训练，得到第二假体型号预测模型；
2)结合相应的患者基本信息与X光片，逐组送入第二假体型号预测模型，并根据判决方式，得到各患者相应的假体型号；
3)统计该假体型号及相邻两类假体型号的准确率，根据第二假体型号模型准确率与综合编码复杂度选取最优编码长度。
进一步地，获取设定判决方式的步骤包括：
1)选取所述最优编码方案与所述最优编码长度，对各样本假体型号分配码字，并根据选取的码字，设置第二假体型号预测模型的输出节点数目并进行训练，得到第三假体型号预测模型；
2)结合相应的患者基本信息与X光片，逐组送入第三假体型号预测模型，并根据不同判决方式，得到各患者相应的假体型号；
3)统计该假体型号及相邻两类假体型号的准确率，根据准确率与计算资源开销选取设定判决方式。
进一步地，所述判决方式为硬判决且不考虑类别占比方法、硬判决且考虑类别占比方法、软判决且使用欧几里得计算方法或软判决且基于Sigmoid函数的计算方法。
一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序执行上述方法的各步骤。
一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述方法。
与现有技术相比，本发明的积极效果为：
本发明可高效、准确地预测出所需的假体型号，检测准确率可达88％以上。该准确率已经达到超过了专家使用CT和X光片进行术前测量的精度水平，并且本发明只需使用X光片和患者基本信息，成本更低，效果更稳定。同CN110782976A中直接使用神经网络进行多分类的发明相比，本发明的精度同样更高。
附图说明
图1是本发明提出的基于纠错输出码的全膝关节置换术假体型号预测算法。
具体实施方式
为了便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
一种基于纠错输出码的全膝关节置换术假体型号预测方法，包括以下步骤：
(1)针对收集得到的数据，研究各维度特征同标签之间的相关性，为后续模型训练提供理论基础；
(2)对收集到的X线片及患者的基本信息进行预处理；
(3)将预处理后的图片和患者的基本信息作为特征，输入到已经训练完成的假体型号预测模型中，得到模型预测的二进制序列，根据该序列及判决方式，获得该患者所需的假体型号的预测结果；其中，
所述的相关性研究如下：
(1)对特征和标签基于最小二乘法进行直线拟合，判断趋势；
(2)计算特征和标签之间的相关系数，获得相关性判断；
(3)对相关系数进行T检验，判断相关性结论的置信度。
所述假体型号预测模型的设计、训练及预测方法如下：
(1)根据样本类别数目选取编码方案；
(2)固定编码方案选取编码长度；
(3)规定编码方案和长度，选取模型二进制序列到假体型号之间的映射方式，也即判决方式；
(4)根据选定的编码方案、编码长度，设置模型结构；
(5)使用预处理后的数据，对模型利用反向传播进行训练；
(6)模型训练完成后，将预处理后数据输入模型，获得输出序列。通过判决方式，获得最终的假体型号预测结果。
进一步的，所述的编码方案包括但不限于Hamming码，Hadamard码。根据一定标准对不同编码方案进行选取。
进一步的，所述的编码方案选取标准主要根据使用该方案时预测模型的精度，同时考虑编码复杂度、各编码方案的最小码距、编码后各二分类器的样本分布是否均衡等因素。
进一步的，所述的编码长度根据不同编码方案而异。针对Hamming码有(7，4)Hamming码、(15，11)Hamming码；针对Hadamard码有码长为8、16、32等。根据一定准则对码长进行选取。
进一步的，所述的编码长度选取标准包括但不限于编码复杂度、计算资源开销、模型的精度增益。
进一步的，所述的判决方式包含硬判决和软判决。
进一步的，所述的硬判决方式包含考虑类别占比和不考虑类别占比。
进一步的，所述的软判决方式包含欧几里得计算方式和基于Sigmoid函数的计算方式。
进一步的，所述的假体型号预测模型基于卷积神经网络实现，该结构利用卷积层、激活层、池化层、批量归一化层等，从图片中提取出关键特征，并结合患者的基本信息，通过分类器得到输出结果。
进一步的，所述的分类器由两层全连接层构成。
进一步的，获得模型的输出后，经过Sigmoid层把输出归一化到0至1，通过选定的判决方式，再映射到最终的假体型号。
进一步的，所述的神经网络结构基于18层的ResNet卷积神经网络架构。
下面以一实际应用具体阐述本发明。
基于纠错输出码的全膝关节置换术假体型号预测算法流程如图1所示：
1.数据集中特征和标签相关性研究。
该步骤为了研究数据之间的联系，为模型工作有效性提供理论依据。具体工作包括：
1)画出各维度特征同标签的散点图，并基于最小二乘法拟合直线，通过拟合线的趋势判断相关性。其中各维度特征包括患者的性别、身高、体重；标签包括股骨假体型号，胫骨假体型号。
2)计算每个特征和边前之间的皮尔逊相关系数，通过该相关系数的绝对值大小判断相关性。皮尔逊相关系数大于0.8的，认为二者之间存在强相关性；介于0.3至0.8之间的，认为二者存在弱相关性；0.3以下的，认为二者不存在相关性。
3)对大于0.3的相关系数进行T检验，T检验的置信区间可以根据置信水平和样本数量两个因素共同确定，计算得到的T值位于置信区间之外时，可以认为在选定置信水平下，二者之间存在相关性。最终检验结果为：患者的性别、身高、体重和其使用的股骨假体型号和胫骨假体型号在99％的置信水平下，存在相关性。
2.选取编码方案。
1)固定判决方式为硬判决且不考虑样本权重，编码实现(15，11)Hamming码。
2)从(15，11)Hamming码为股骨和胫骨各假体型号分配码字。选取准则为：1.码字间最小距离尽可能大。2.选取后各二分类器的正负样本分布尽可能均衡。
3)根据码字长度，设置神经网络的输出节点数目，对模型进行训练。例如，各码字长度为15，需要同时对股骨和胫骨假体进行预测，因此输出节点数目为30。
4)根据判决方式，将模型的输出结果映射为假体型号，统计假体±1型号准确率。
5)同样的，实现码长为16的Hadamard码，为各假体型号分配码字，根据码字长度设置神经网络输出节点数目，训练模型。并统计模型的假体±1型号准确率。
6)比较(15，11)Hamming码和码长16的Hadamard的假体±1型号准确率，综合考虑所述的编码方案选取标准主要根据使用该方案时预测模型的精度，同时考虑编码复杂度、各编码方案的最小码距、编码后各二分类器的样本分布是否均衡等因素，选取最优编码方案为Hadamard码。
3.选取编码长度。
1)根据上个步骤中选取的Hadamard码，固定判决方式为硬判决且不考虑样本权重，编码实现不同长度的码字。此处的长度为8、16、32、64.
2)为各类别分配码字。分配准则为：1.码字间最小距离尽可能大。2.选取后各二分类器的正负样本分布尽可能均衡。
3)根据分配的码字，设置神经网络的输出节点数目，对模型进行训练。
4)根据判决方式，将模型的输出结果映射为假体型号。
5)统计不同编码长度时下模型对假体±1型号准确率，根据模型准确率，综合编码复杂度等因素选取编码长度为16。
4.选取判决方式。
1)根据之前选取的最优编码方案和长度，实现编码，并为各类别分配码字。选取准则为：1.码字间最小距离尽可能大。2.选取后各二分类器的正负样本分布尽可能均衡。
2)根据选取的码字，设置神经网络的输出节点数目，对模型进行训练。
3)根据不同的判决方式，将模型的输出结果映射为假体型号。
4)统计不同判决方式下模型对假体±1型号预测的准确率。根据该准确率，综合计算复杂度等因素选取最优判决方式为软判决且基于Sigmoid的计算方式。
5.搭建模型。
1)对股骨和胫骨假体型号进行纠错输出编码。
2)将X光片经过直方图均衡、均值漂移进行预处理。
3)预处理后的X光片通过18层ResNet网络的卷积层、池化层，抽取出关键特征。
4)将患者性别、身高、体重等信息经过一层全连接层进行上采样，全连接层的输出节点数为256。
5)将上采样后的患者基本信息同抽取出的图像特征拼接后，送入分类器中，得到模型的最终输出。分类器由两层全连接层构成，节点数分别为1024，32，分别对应隐藏层的节点数量以及各二分类器的预测结果。将第二层全连接层的输出经过Sigmoid层，得到各二分类器预测的取正类的概率。
6)根据选定的最优判决方式，将二分类器输出的概率序列映射到距离最近的假体型号上。
7)将该型号假体及其相邻的两类假体作为最后的预测结果。
8)统计不同判决方式下模型对假体±1型号预测的准确率，作为性能指标。模型的股骨假体和胫骨假体的±1型号预测的准确都达到了88.24％。该准确率已经达到超过了专家使用CT和X光片进行术前测量的精度水平，并且本发明只需使用X光片和患者基本信息，成本更低，效果更稳定。同CN110782976A中直接使用神经网络进行多分类的发明相比，本发明的精度同样更高。
以上包含了本发明优选实施例的说明，这是为了详细说明本发明的技术特征，并不是想要将发明内容限制在实施例所描述的具体形式中，依据本发明内容主旨进行的其他修改和变型也受本专利保护。本发明内容的主旨是由权利要求书所界定，而非有实施例的具体描述所界定。
Claims (10)
1.一种基于纠错输出码的全膝关节置换术假体型号预测方法，其步骤包括：
1)抽取患者X光片的关键特征，对患者基本信息进行上采样后，拼接所述关键特征与上采样后信息；
2)将拼接后的结果送入联合训练的多个二分类器，得到各二分类器输出的概率序列；
3)根据一设定判决方式，将所述概率序列映射到使用纠错码编码的假体型号，获得该患者所需假体型号的预测结果。
2.如权利要求1所述的方法，其特征在于，所述X光片通过直方图均衡与均值漂移方法对原始X光片进行图像处理获得。
3.如权利要求1所述的方法，其特征在于，获取所述纠错码的最优编码方案的步骤包括：
1)固定编码长度及判决方式，对各样本假体型号分配码字，并根据选取的码字，设置卷积神经网络的输出节点数目并进行训练，得到第一假体型号预测模型；
2)将相应患者的基本信息与X光片逐组送入第一假体型号预测模型，并根据判决方式，得到各患者相应的假体型号；
3)统计该假体型号及相邻两类假体型号的准确率，根据性价比因素选取一种纠错输出码类型为最优编码方案。
4.如权利要求3所述的方法，其特征在于，所述卷积神经网络结构基于18层的ResNet卷积神经网络架构；分配所述码字的准则包括：码字间最小距离尽可能大、选取后各二分类器的正负样本分布尽可能均衡。
5.如权利要求3所述的方法，其特征在于，所述性价比因素包括第一假体型号预测模型的精度、编码复杂度、各编码方案的最小码距、编码后各二分类器的样本分布是否均衡。
6.如权利要求3所述的方法，其特征在于，获取所述编码的最优编码长度的步骤包括：
1)选取所述最优编码方案，固定判决方式，对各样本假体型号分配码字，并根据选取的码字，设置第一假体型号预测模型的输出节点数目并进行训练，得到第二假体型号预测模型；
2)结合相应的患者基本信息与X光片，逐组送入第二假体型号预测模型，并根据判决方式，得到各患者相应的假体型号；
3)统计该假体型号及相邻两类假体型号的准确率，根据第二假体型号模型准确率与综合编码复杂度选取最优编码长度。
7.如权利要求6所述的方法，其特征在于，获取设定判决方式的步骤包括：
1)选取所述最优编码方案与所述最优编码长度，对各样本假体型号分配码字，并根据选取的码字，设置第二假体型号预测模型的输出节点数目并进行训练，得到第三假体型号预测模型；
2)结合相应的患者基本信息与X光片，逐组送入第三假体型号预测模型，并根据不同判决方式，得到各患者相应的假体型号；
3)统计该假体型号及相邻两类假体型号的准确率，根据准确率与计算资源开销选取设定判决方式。
8.如权利要求7所述的方法，其特征在于，所述判决方式为硬判决且不考虑类别占比方法、硬判决且考虑类别占比方法、软判决且使用欧几里得计算方法或软判决且基于Sigmoid函数的计算方法。
9.一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1-8中任一所述方法。
10.一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行如权利要求1-8中任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010298732.9A CN111681763B (zh) | 2020-04-16 | 2020-04-16 | 一种基于纠错输出码的全膝关节置换术假体型号预测方法及电子装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010298732.9A CN111681763B (zh) | 2020-04-16 | 2020-04-16 | 一种基于纠错输出码的全膝关节置换术假体型号预测方法及电子装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111681763A true CN111681763A (zh) | 2020-09-18 |
| CN111681763B CN111681763B (zh) | 2023-01-17 |
Family
ID=72433317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010298732.9A Active CN111681763B (zh) | 2020-04-16 | 2020-04-16 | 一种基于纠错输出码的全膝关节置换术假体型号预测方法及电子装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111681763B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040111453A1 (en) * | 2002-12-06 | 2004-06-10 | Harris Christopher K. | Effective multi-class support vector machine classification |
| CN103246893A (zh) * | 2013-03-20 | 2013-08-14 | 西交利物浦大学 | 基于拒识的随机子空间的ecoc编码分类方法 |
| CN103426004A (zh) * | 2013-07-04 | 2013-12-04 | 西安理工大学 | 基于纠错输出编码的车型识别方法 |
| CN104239896A (zh) * | 2014-09-04 | 2014-12-24 | 四川省绵阳西南自动化研究所 | 一种视频图像中人群密度等级分类方法 |
| CN110084286A (zh) * | 2019-04-10 | 2019-08-02 | 武汉理工大学 | 一种基于传感器的ecoc技术的人体动作识别方法 |
| CN110782976A (zh) * | 2019-10-17 | 2020-02-11 | 北京大学 | 一种全膝关节置换术假体型号预测方法 |
-
2020
- 2020-04-16 CN CN202010298732.9A patent/CN111681763B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040111453A1 (en) * | 2002-12-06 | 2004-06-10 | Harris Christopher K. | Effective multi-class support vector machine classification |
| CN103246893A (zh) * | 2013-03-20 | 2013-08-14 | 西交利物浦大学 | 基于拒识的随机子空间的ecoc编码分类方法 |
| CN103426004A (zh) * | 2013-07-04 | 2013-12-04 | 西安理工大学 | 基于纠错输出编码的车型识别方法 |
| CN104239896A (zh) * | 2014-09-04 | 2014-12-24 | 四川省绵阳西南自动化研究所 | 一种视频图像中人群密度等级分类方法 |
| CN110084286A (zh) * | 2019-04-10 | 2019-08-02 | 武汉理工大学 | 一种基于传感器的ecoc技术的人体动作识别方法 |
| CN110782976A (zh) * | 2019-10-17 | 2020-02-11 | 北京大学 | 一种全膝关节置换术假体型号预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 尹安容等: "Hadamard纠错码结合支持向量机在多分类问题中的应用", 《电子学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111681763B (zh) | 2023-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1739580B1 (en) | Categorization including dependencies between different category systems | |
| CN107247971B (zh) | 一种超声甲状腺结节风险指标的智能分析方法及系统 | |
| CN109036553A (zh) | 一种基于自动抽取医疗专家知识的疾病预测方法 | |
| CN110111885B (zh) | 属性预测方法、装置、计算机设备及计算机可读存储介质 | |
| CN113688912B (zh) | 基于人工智能的对抗样本生成方法、装置、设备及介质 | |
| CN113763340B (zh) | 基于多任务深度学习强直性脊柱炎的自动分级方法 | |
| CN111242948B (zh) | 图像处理、模型训练方法、装置、设备和存储介质 | |
| CN112347908B (zh) | 一种基于空间分组注意力模型的外科手术器械图像识别方法 | |
| CN110660484A (zh) | 骨龄预测方法、装置、介质及电子设备 | |
| CN115762721A (zh) | 一种基于计算机视觉技术的医疗影像质控方法和系统 | |
| CN110852076B (zh) | 一种自动化疾病编码转换的方法及装置 | |
| WO2014130287A1 (en) | Method and system for propagating labels to patient encounter data | |
| CN116521863A (zh) | 一种基于半监督学习的标签抗噪文本分类方法 | |
| CN113838048B (zh) | 一种十字交叉韧带术前止点中心定位及韧带长度计算方法 | |
| CN112686306B (zh) | 基于图神经网络的icd手术分类自动匹配方法及系统 | |
| CN111681763B (zh) | 一种基于纠错输出码的全膝关节置换术假体型号预测方法及电子装置 | |
| CN116719920A (zh) | 动态采样的对话生成模型训练方法、装置、设备及介质 | |
| CN113571198B (zh) | 转化率预测方法、装置、设备及存储介质 | |
| Duryea et al. | Neural network based automated algorithm to identify joint locations on hand/wrist radiographs for arthritis assessment | |
| KR20230147493A (ko) | 관절 상태 진단 방법 및 장치 | |
| CN115098697A (zh) | 结果事件的确定方法、装置、设备 | |
| CN115063374A (zh) | 模型训练、人脸图像质量评分方法、电子设备及存储介质 | |
| CN118471457B (zh) | 一种基于超声波检测的高尿酸血症病例管理系统 | |
| TWI712053B (zh) | 藉由神經網路對疾病及治療預測模型建立與進行驗證的方法 | |
| US20220254026A1 (en) | Deep Learning Architecture For Analyzing Medical Images For Body Region Recognition And Delineation |
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 |