CN111785376B - 病情可视化预测系统、方法、计算机设备及存储介质 - Google Patents

病情可视化预测系统、方法、计算机设备及存储介质 Download PDF

Info

Publication number
CN111785376B
CN111785376B CN202010621374.0A CN202010621374A CN111785376B CN 111785376 B CN111785376 B CN 111785376B CN 202010621374 A CN202010621374 A CN 202010621374A CN 111785376 B CN111785376 B CN 111785376B
Authority
CN
China
Prior art keywords
prediction
information
parameter
value
gray
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010621374.0A
Other languages
English (en)
Other versions
CN111785376A (zh
Inventor
徐欣星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Ping An Smart Healthcare Technology Co ltd
Original Assignee
Ping An International Smart City Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202010621374.0A priority Critical patent/CN111785376B/zh
Publication of CN111785376A publication Critical patent/CN111785376A/zh
Application granted granted Critical
Publication of CN111785376B publication Critical patent/CN111785376B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了病情可视化预测系统、方法、计算机设备及存储介质，系统包括：病例信息获取模块，用于接收检验图像并获取预存的病例信息库中对应的病例信息；询问信息生成模块，用于根据病例信息及询问数据库生成询问信息并发送第一终端；预测参数获取模块，用于接收答复信息并根据预测模型获取对应的预测参数；预测结果获取模块，用于根据时间参数及预测参数生成对应的病情预测结果；预测结果发送模块，用于将病情预测结果发送至第一终端及第二终端。本发明基于人工智能技术，应用于智慧医疗领域，可依据患者的病例信息及答复信息对检验图像进行预测得到对应的可视化的病情预测结果，使患者可以更直观获取自身的病情变化，更直观感受到治疗效果。

Description

病情可视化预测系统、方法、计算机设备及存储介质
技术领域
本发明涉及智能预测技术领域，属于智慧城市智慧医疗相关的应用场景，尤其涉及一种病情可视化预测系统、方法、计算机设备及存储介质。
背景技术
随着互联网技术的发展，患者每次进行诊断、检验的过程中均可得到对应的检验信息，检验信息以图片或文字信息进行体现，患者可通过手机等终端设备查阅所得到的检验信息。但针对目前众多的慢性疾病，存在治疗周期长、见效慢、检查次数多的特点，患者在长时间的治疗过程中往往能收到大量的检验信息，多个单次检验得到的检验信息过于零散，且在显示检验信息时不能直观反映患者的病情变化，导致患者无法直观感受到治疗的效果。因此，现有的技术方法在对患者的检验信息进行显示时存在无法直观体现病情变化的问题。
发明内容
本发明实施例提供了一种病情可视化预测系统、方法、计算机设备及存储介质，旨在解决现有技术方法在对患者的检验信息进行显示时存在无法直观体现病情变化的问题。
第一方面，本发明实施例提供了一种病情可视化预测方法，其包括：
若接收到检验设备所采集的检验图像，获取预存的病例信息库中与所述检验图像所属的患者对应的病例信息；
根据所述病例信息及预存的询问数据库生成对应的询问信息并发送至与所述病例信息中患者联系方式对应的第一终端；
若接收到所述第一终端反馈的答复信息，根据预置的预测模型获取与所述病例信息及所述答复信息对应的预测参数；
根据预置的时间参数及所述预测参数生成与所述检验图像对应的病情预测结果；
将所述病情预测结果发送至所述第一终端及与所述病例信息中联系人信息对应的第二终端。
第二方面，本发明实施例提供了一种病情可视化预测系统，其包括：
病例信息获取模块，用于若接收到检验设备所采集的检验图像，获取预存的病例信息库中与所述检验图像所属的患者对应的病例信息；
询问信息生成模块，用于根据所述病例信息及预存的询问数据库生成对应的询问信息并发送至与所述病例信息中患者联系方式对应的第一终端；
预测参数获取模块，用于若接收到所述第一终端反馈的答复信息，根据预置的预测模型获取与所述病例信息及所述答复信息对应的预测参数；
预测结果获取模块，用于根据预置的时间参数及所述预测参数生成与所述检验图像对应的病情预测结果；
预测结果发送模块，用于将所述病情预测结果发送至所述第一终端及与所述病例信息中联系人信息对应的第二终端。
第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的病情可视化预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的病情可视化预测方法。
本发明实施例提供了一种病情可视化预测系统、方法、计算机设备及存储介质。获取来自检验设备的检验图像，获取病例信息库中与检验图像所属患者对应的病例信息，生成与病例信息对应的询问信息并发送至第一终端，获取反馈的答复信息，根据预测模型获取与病例信息及答复信息对应的预测参数，根据预测参数生成与检验图像对应的病情预测结果并发送至第一终端及第二终端。通过上述方法，可依据患者的病例信息及答复信息，对检验图像进行预测得到对应的可视化的病情预测结果，使患者可以更直观获取自身的病情变化，让患者更直观感受到治疗效果。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的病情可视化预测方法的流程示意图；
图2为本发明实施例提供的病情可视化预测方法的应用场景示意图；
图3为本发明实施例提供的病情可视化预测方法的子流程示意图；
图4为本发明实施例提供的病情可视化预测方法的另一子流程示意图；
图5为本发明实施例提供的病情可视化预测方法的另一流程示意图；
图6为本发明实施例提供的病情可视化预测方法的另一子流程示意图；
图7为本发明实施例提供的病情可视化预测方法的另一流程示意图；
图8为本发明实施例提供的病情可视化预测方法的另一子流程示意图；
图9为本发明实施例提供的病情可视化预测系统的示意性框图；
图10为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1及图2，图1是本发明实施例提供的病情可视化预测方法的流程示意图，图2为本发明实施例提供的病情可视化预测方法的应用场景示意图。该病情可视化预测方法应用于管理服务器10中，该方法通过安装于管理服务器10中的应用软件进行执行，管理服务器10与至少两台终端20及至少一台检验设备30进行通信，检验设备30可用于对患者的病灶区域进行检查以获取对应的检验图像并发送至管理服务器10，患者可通过终端20输入与询问信息对应的答复信息发送至管理服务器10，管理服务器10基于接收的答复信息及预测模型获取与检验图像对应的病情预测结果。管理服务器10即是用于执行病情可视化预测方法以对患者的检验图像进行预测得到相应病情预测结果的服务器端，终端20即是可用于与管理服务器10进行通信的终端设备，例如台式电脑、笔记本电脑、平板电脑或手机等，检验设备30可用于获取检验图像的成像设备，例如核磁共振成像设备、X光扫描成像设备或超声波扫描成像设备等。如图1所示，该方法包括步骤S110～S150。
S110、若接收到检验设备所采集的检验图像，获取预存的病例信息库中与所述检验图像所属的患者对应的病例信息。
若接收到检验设备所采集的检验图像，获取预存的病例信息库中与所述检验图像所属的患者对应的病例信息。检验设备可以是医院中会患者病灶区域进行检验的设备，患者经检验设备检验后即可对应采集得到属于该患者的检验图像，管理服务器接收到来自检验设备的该检验图像，从病例信息库中获取与该检验图像所属患者对应的一份病例信息。病例信息库即为管理服务器中预存的一数据库，病例信息库中存储有每一患者对应的一份病例信息，病例信息用于对患者的就诊过程进行记录，病例信息中包含与该患者对应的个人信息，个人信息包括但不限于姓名、身份证号、年龄及患者联系方式。
其中，检验图像可以是至少一张灰度图像或至少一张彩色图像，若检验图像为彩色图像，则该彩色图像中每一像素点在RGB对应的红(R)、绿(G)、蓝(B)三个颜色通道上分别对应一个像素值，若检验图像为彩色图像，可对应转换为灰度图像进行后续处理；若检验图像为灰度图像，则该灰度图像中每一像素点在黑色这一颜色通道上对应一个像素值，也称灰度值，像素值均采用非负整数进行表示，其取值范围为[0，255]，以黑色这一颜色通道为例，若某一像素的像素值为0则表示该像素的颜色为黑色，若某一像素的像素值为255则表示该像素的颜色为白色，像素值为其他数值则表明该像素的颜色为介于白色与黑色之间的一个具体灰度。
S120、根据所述病例信息及预存的询问数据库生成对应的询问信息并发送至与所述病例信息中患者联系方式对应的第一终端。
根据所述病例信息及预存的询问数据库生成对应的询问信息并发送至与所述病例信息中患者联系方式对应的第一终端。所述病例信息中包括病灶类型及生活习惯。为更加全面获取患者的信息，需生成询问信息并发送至该病例信息对应的患者，以获取患者反馈的答复信息，具体的，病例信息中包含患者联系方式，联系方式可以是手机号码或邮箱地址等，则询问信息可以是包含链接的短信或包含链接的邮件，可将所生成的询问信息发送至与该患者联系方式对应的第一终端。询问数据库即为管理服务器中预存的一数据库，询问数据库中包含多条询问数据，可根据病例信息获取询问数据库中对应的询问数据并生成询问信息。
在一实施例中，如图3所示，步骤S120包括子步骤S121、S122和S123。
S121、获取所述询问数据库中与所述病灶类型对应的第一询问数据；S122、获取所述询问数据库中与所述生活习惯对应的第二询问数据。
询问数据库中的每一条询问数据均对应包含一个标签信息，标签信息可以是病灶类型标签或生活习惯标签，可根据病例信息中的病灶类型及每一询问数据的标签信息获取与该病灶类型对应的第一询问数据，并根据病例信息中的生活习惯及每一询问数据的标签信息获取与该生活习惯对应的第二询问数据，第一询问数据及第二询问数据均至少包含一条询问数据。
例如，病灶类型为“慢阻肺病”，则可获取标签信息与“慢阻肺病”对应的第一询问数据，生活习惯为“抽烟”，则可获取标签信息与“抽烟”对应的第二询问数据。
S123、将所述第一询问数据与所述第二询问数据组合为所述询问信息并发送至与所述患者联系方式对应的第一终端。
将所述第一询问数据与所述第二询问数据组合为所述询问信息并发送至与所述患者联系方式对应的第一终端。将所得到的第一询问数据及第二询问数据进行组合以得到询问信息，询问信息即可对患者遵医嘱的程度进行询问，将询问信息发送至与患者联系方式对应的第一终端。
S130、若接收到所述第一终端反馈的答复信息，根据预置的预测模型获取与所述病例信息及所述答复信息对应的预测参数。
若接收到所述第一终端反馈的答复信息，根据预置的预测模型获取与所述病例信息及所述答复信息对应的预测参数。所述预测模型包括数值量化规则及神经网络。答复信息即为患者根据询问信息所反馈的信息，答复信息即为患者遵医嘱的程度信息。可将所得到的答复信息与该患者的病例信息输入预测模型进行预测，得到对应的预测参数。所述预测参数中包含多个灰度区间及与每一所述灰度区间对应的变化系数，根据预测参数结合所采集的检验图像即可得到对应的预测信息。数值量化规则即为对答复信息及病例信息进行量化的规则信息，对答复信息及病例信息进行量化后即可得到对应的量化信息，神经网络即为对量化信息进行计算以得到预测参数的人工智能神经网络，将量化信息输入神经网络即可得到对应的预测参数。其中，神经网络包括多个输入节点、多个输出节点及全连接隐层，输入节点即是神经网络中用于对某一患者的量化信息进行输入的节点，输入节点的具体数值即为输入节点值，则每一输入节点的输出节点值即与量化信息中的每一维度值对应；输出节点的具体数值即为输出节点值，每一输出节点的输出节点值即与预测参数中的每一变化系数对应，全连接隐层中包含多个特征单元，每一个特征单元均与所有输入节点和所有输出节点进行关联，每一特征单元均对应一个特征单元值，特征单元值即为全连接隐层中的特征单元的计算值，特征单元可用于反映患者的量化信息与对应预测参数之间的关联关系，关联关系可通过特征单元与输入节点或输出节点之间的关联公式进行体现，关联公式中包含多个参数，每一参数对应一个参数值。
在一实施例中，如图4所示，步骤S130包括子步骤S131和S132。
S131、根据所述数值量化规则对所述答复信息及所述病例信息进行量化以得到量化信息。
根据所述数值量化规则对所述答复信息及所述病例信息进行量化以得到量化信息。所述数值量化规则包括量化项目及系数计算公式，量化项目即为所需进行量化的具体项目信息，所述病例信息中还包括治疗方式信息、治疗时间信息等。具体的过程包括：a.分别对所述答复信息及所述病例信息中与所述量化项目对应的项目内容进行量化，以得到与每一所述项目内容对应的项目量化值；b.根据所述系数计算公式对所述答复信息对应的项目量化值进行计算以得到对应的系数值；c.将所述系数值及所述病例信息对应的项目量化值组合以作为所述量化信息。
例如，量化项目包括戒烟情况、治疗方式及治疗时间，根据量化项目即可获取答复信息及病例信息中与每一量化项目对应的项目内容，与“戒烟情况”对应的项目内容为“是”、与“治疗方式”对应的项目内容为“服药治疗”、与“治疗时间”对应的项目内容为“3个月”，根据与每一量化项目对应的量化规则对上述每一项目内容进行量化即可得到对应的项目量化值，例如，对“戒烟情况”为“是”进行量化得到量化值为“1”，“治疗方式”为“服药质量”进行量化得到量化值为“0.2”，“治疗时间”为“3个月”进行量化得到的量化值为“0.25”。
根据系数计算公式对与答复信息对应的项目量化值进行计算即可得到对应的系数值，系数值可用于对患者遵医嘱的程度进行量化，所得到的系数值范围为[0,1]。系数计算公式可以为X＝a1×F1+a2×F2+…+an×Fn；其中an为公式中预置的参数，Fn为与答复信息对应的第n个项目量化值，n为正整数。所得到的量化信息中包含一个系数值及与病例信息对应的多个项目量化值。
S132、根据所述神经网络对所述量化信息进行预测以获取对应的预测参数。
根据所述神经网络对所述量化信息进行预测以获取对应的预测参数。将量化信息中的数值即对应一个维度，将每一维度的为维度值作为对应的输入节点值输入神经网络中的输入节点，经神经网络计算即可得到每一输出节点的输出节点值，每一输出节点均对应一个灰度区间，则每一输出节点值即为与之对应的一个灰度区间的变化系数，获取每一灰度区间的变化系数即可得到预测参数，变化系数即为灰度区间中灰度值在某一段时间之后的变化值，变化系数可以为正或为负，变化系数为正则表明该灰度区间中的灰度值在某一段时间后会增大，变化系数为负则表明灰度区间中的灰度值在某一段时间后会减小。
例如，所得到的一组预测参数如表1所示。
灰度区间 [0,60] (60,100] (100,140] (140,180] (180,220] (220,255]
变化系数 0.1 -0.1 1.7 3.3 1.4 0.1
表1
例如，变化系数对应的变化间隔时间为一个月，2月份采集得到的某一检验图像中一像素的灰度值为133，该灰度值落入(100,140]这一灰度区间，根据表1中所示的一组预测参数对该像素进行预测，则预测3月份该像素的灰度值为133+1.7＝134.7，取整后为135。
在一实施例中，如图5所示，步骤S130之前包括步骤S1310。
S1310、若接收到用户所输入的训练数据集，根据预置的梯度下降训练模型及所述训练数据集对所述预测模型中的神经网络进行迭代训练以得到训练后的预测模型。
若接收到用户所输入的训练数据集，根据预置的梯度下降训练模型及所述训练数据集对所述预测模型中的神经网络进行迭代训练以得到训练后的预测模型。用户可以是管理服务器的管理员，为使预测模型中的神经网络在对患者的量化信息进行预测时可以有更好的预测效果，需对预测模型中的神经网络进行迭代训练，也即是对神经网络中关联公式的参数值进行调整，训练后所得到的神经网络可以对患者的量化信息进行更精准的预测。梯度下降训练模型即为对神经网络进行训练的模型，梯度下降训练模型中包括图像对比规则、损失值计算公式及梯度计算公式，训练数据集中包含多条训练数据，每一训练数据对应一个患者，每一训练数据中均包含一个患者在不同时间所采集的检验图像，以及与该患者对应的量化信息；图像对比规则即可用于对属于同一患者的不同时间所采集的两张检验图像进行对比，以获取两张检验图像在每一灰度区间对应的目标变化系数，将该患者的量化信息输入神经网络得到预测参数，预测参数中包含每一灰度区间对应的变化系数，根据损失值计算公式对目标变化系数及变化系数进行计算即可得到对应的损失值，根据损失值及梯度计算公式即可计算得到与关联公式中每一参数对应的更新值，通过更新值即可对每一参数对应的参数值进行更新，这一对参数值进行更新的过程即为对神经网络进行训练的具体过程。
在一实施例中，如图6所示，步骤S1310包括子步骤S1311、S1312、S1313、S1314和S1315。
S1311、根据所述图像对比规则获取所述训练数据集中同属一个患者且在不同时间所采集的两张检验图像的目标预测参数。
具体的，根据神经网络中输出节点对应的灰度区间对两张检验图像中每一灰度值进行分类，分别计算两张检验图像在每一灰度区间所包含像素的灰度值平均值，将每一灰度区间对应的两个灰度平均值的差值作为与该灰度区间对应的目标变化系数，将多个灰度区间对应的多个目标变化系数组合为目标预测参数。
S1312、根据所述神经网络对所述训练数据集中所述患者的量化信息进行预测以获取对应的预测参数。
神经网络对患者的量化信息进行处理的具体过程在上述步骤中已说明，在此不作赘述。
S1313、根据所述损失值计算公式计算得到所述目标预测参数与所述预测参数之间的损失值。
其中，损失值计算公式可表示为
Figure BDA0002563131440000091
其中，x为目标预测参数，μx为目标预测参数中多个目标变化系数的平均值，y为预测参数，μy为预测参数中多个变化系数的平均值，σxy为目标变化系数与变化系数之间的协方差，σx为目标变化系数的标准差，σy为变化系数的标准差，c1及c2均为公式中预设的参数值。
S1314、根据所述梯度计算公式、所述损失值及所述神经网络的计算值计算得到所述神经网络中每一参数的更新值。
根据所述梯度计算公式、所述损失值及所述神经网络的计算值计算得到所述神经网络中每一参数的更新值。具体的，将神经网络中一个参数对患者的量化信息进行计算所得到的计算值输入梯度计算公式，并结合上述损失值，即可计算得到与该参数对应的更新值，这一计算过程也即为梯度下降计算。
具体的，梯度计算公式可表示为：
Figure BDA0002563131440000092
其中，
Figure BDA0002563131440000093
为计算得到的参数x的更新值，ωx为参数x的原始参数值，η为梯度计算公式中预置的学习率，
Figure BDA0002563131440000094
为基于损失值及参数x对应的计算值对该参数x的偏导值(这一计算过程中需使用参数对应的计算值)。
S1315、根据每一所述参数的更新值对所述神经网络中对应参数的参数值进行更新，以对所述神经网络进行训练。
根据每一所述参数的更新值对所述神经网络中对应参数的参数值进行更新，以对所述神经网络进行训练。基于所计算得到更新值对神经网络中每一参数的参数值对应更新，即完成对神经网络的一次训练过程。基于一次训练后所得到的神经网络对训练数据集中另一患者对应的训练数据进行处理，并重复上述训练过程，即可对神经网络进行迭代训练；当所计算得到的损失值小于预设的损失阈值，即终止训练过程得到训练后的预测模型。
S140、根据预置的时间参数及所述预测参数生成与所述检验图像对应的病情预测结果。
根据预置的时间参数及所述预测参数生成与所述检验图像对应的病情预测结果。所述预测参数中包含多个灰度区间及与每一所述灰度区间对应的变化系数，则可根据预置的时间参数结合预测参数对检验图像进行预测，得到对应的病情预测结果，所得到的病情预测结果可以仅包含静态预测图像，还可以同时包含静态预测图像及动态预测图像，其中，时间参数包含多个预测时间点。
在一实施例中，如图7所示，步骤S140包括子步骤S141、S142和S143。
S141、根据所述预测参数的灰度区间及所述检验图像中每一像素的灰度值将每一所述像素分类至对应的灰度区间；S142、根据所述时间参数及所述变化系数对每一所述灰度区间所包含的像素的灰度值进行计算以得到每一所述像素的灰度计算值；S143、根据每一所述像素的灰度计算值对所述检验图像进行重新填充以得到静态预测图像。
根据检验图像中每一像素的灰度值，将检验图像中的像素分类至对应的灰度区间，例如，检验图像中某一像素的灰度值为110，该像素的灰度值落入(100,140]这一灰度区间。时间参数包含多个预测时间点，预测时间点即为预测所得的病情信息的时间与当前时间之间的间隔时间，根据预测时间点及变化系数对每一灰度区间所包含的像素的灰度值进行计算，得到每一像素的灰度计算值，灰度计算值中包含与每一预测时间点对应的一个计算值，例如，时间参数所中包含的预测时间点为：1个月、2个月、3个月、6个月、9个月和12个月，变化系数对应的变化间隔时间为一个月，根据表1中所示的一组预测参数对该像素进行预测，则所得到的灰度计算值如表2所示。
预测时间点 1个月 2个月 3个月 6个月 9个月 12个月
灰度计算值 112 113 115 117 119 120
表2
根据灰度计算值对检验图像进行重新填充，得到静态预测图像，由于每一预测时间点均与检测图像中全部像素的一组计算值对应，则每一预测时间点均可对应得到一张静态预测图像，不同静态预测图像即可对患者在不同预测时间点的病情情况进行预测，将静态预测图像展示给患者，可使患者更加直观地获取未来一段时间内的病情变化信息。
在一实施例中，如图8所示，步骤S140还包括子步骤S144。
S144、对多张所述静态预测图像进行组合以得到对应的动态预测图像。
对多张静态预测图像按预测时间点进行顺序组合，得到对应的动态预测图像，动态预测图像即为对所得到的多张静态预测图像进行顺序显示的一张图像，动态预测图像可以是以gif、AVI或MPG等格式进行存储的图像。将多张静态预测图像组合为动态预测图像，可使患者更加方便、直观获取未来一段时间内的病情变化信息。
更具体的，所得到的病情预测结果中还可以包括疾病进程曲线，则步骤S143或步骤S144之后还可以包括步骤：根据所述静态预测图像或动态预测图像生成对应的疾病进程曲线。
具体的，可获取静态预测图像中病灶区域的面积，生成对应的疾病进程曲线，疾病进程曲线即可对患者病灶区域未来一段时间内的面积变化情况进行直观展示；还可从动态预测图像中获取病灶区域的面积变化并生成对应的疾病进程曲线。
具体的，以静态预测图像为例，可获取每一静态预测图像中像素的灰度值大于预设灰度阈值的像素，灰度值大于灰度阈值的像素组成为像素区域，并将像素区域所包含的像素点数量大于预设数量阈值的像素区域确定为病灶区域，统计每一静态预测图像中所有病灶区域的像素点数量，病灶区域的像素点数量即可直观体现病灶区域的面积，根据每一静态预测图像的预测时间点对所得到的多个像素点数量进行整理，即可生成以预测时间点为横坐标、像素点数量为纵坐标的疾病进程曲线。
S150、将所述病情预测结果发送至所述第一终端及与所述病例信息中联系人信息对应的第二终端。
将所述病情预测结果发送至所述第一终端及与所述病例信息中联系人信息对应的第二终端。病例信息中还包括联系人信息，联系人信息可以是电话号码或邮箱地址等，联系人可以是负责对该病例信息的患者进行诊疗的医师或者该患者的家属(例如，若患者为儿童则，家属为该儿童的监护人)。病情预测结果为基于检验图像所得到的可视化预测结果，患者察看到病情预测结果后，可让患者更直观感受到治疗效果以增强患者治疗的信心，并以此提高患者在治疗过程中的配合度。
本申请中的技术方法可应用于智慧医疗领域，从而推动智慧城市的建设。
在本发明实施例所提供的病情可视化预测方法中，获取来自检验设备的检验图像，获取病例信息库中与检验图像所属患者对应的病例信息，生成与病例信息对应的询问信息并发送至第一终端，获取反馈的答复信息，根据预测模型获取与病例信息及答复信息对应的预测参数，根据预测参数生成与检验图像对应的病情预测结果并发送至第一终端及第二终端。通过上述方法，可依据患者的病例信息及答复信息，对检验图像进行预测得到对应的可视化的病情预测结果，使患者可以更直观获取自身的病情变化，让患者更直观感受到治疗效果。
本发明实施例还提供一种病情可视化预测系统，该病情可视化预测系统用于执行前述病情可视化预测方法的任一实施例。具体地，请参阅图9，图9是本发明实施例提供的病情可视化预测系统的示意性框图。该病情可视化预测系统可以配置于管理服务器10中。
如图9所示，病情可视化预测系统100包括病例信息获取模块110、询问信息生成模块120、预测参数获取模块130、预测结果获取模块140和预测结果发送模块150。
病例信息获取模块110，用于若接收到检验设备所采集的检验图像，获取预存的病例信息库中与所述检验图像所属的患者对应的病例信息。
询问信息生成模块120，用于根据所述病例信息及预存的询问数据库生成对应的询问信息并发送至与所述病例信息中患者联系方式对应的第一终端。
在一实施例中，所述询问信息生成模块120包括单元：第一询问数据获取单元、第二询问数据获取单元及询问数据组合单元。
第一询问数据获取单元，用于获取所述询问数据库中与所述病灶类型对应的第一询问数据；第二询问数据获取单元，用于获取所述询问数据库中与所述生活习惯对应的第二询问数据；询问数据组合单元，用于将所述第一询问数据与所述第二询问数据组合为所述询问信息并发送至与所述患者联系方式对应的第一终端。
预测参数获取模块130，用于若接收到所述第一终端反馈的答复信息，根据预置的预测模型获取与所述病例信息及所述答复信息对应的预测参数。
在一实施例中，所述预测参数获取模块130包括单元：量化信息获取单元及量化信息预测单元。
量化信息获取单元，用于根据所述数值量化规则对所述答复信息及所述病例信息进行量化以得到量化信息；量化信息预测单元，用于根据所述神经网络对所述量化信息进行预测以获取对应的预测参数。
在一实施例中，所述病情可视化预测系统100还包括预测模型训练模块。
预测模型训练模块，用于若接收到用户所输入的训练数据集，根据预置的梯度下降训练模型及所述训练数据集对所述预测模型中的神经网络进行迭代训练以得到训练后的预测模型。
在一实施例中，所述预测模型训练模块包括单元：目标预测参数获取单元、量化信息预测单元、损失值计算单元、参数更新值获取单元及参数更新值获取单元。
目标预测参数获取单元，用于根据所述图像对比规则获取所述训练数据集中同属一个患者且在不同时间所采集的两张检验图像的目标预测参数；量化信息预测单元，用于根据所述神经网络对所述训练数据集中所述患者的量化信息进行预测以获取对应的预测参数；损失值计算单元，用于根据所述损失值计算公式计算得到所述目标预测参数与所述预测参数之间的损失值；参数更新值获取单元，用于根据所述梯度计算公式、所述损失值及所述神经网络的计算值计算得到所述神经网络中每一参数的更新值；参数值更新单元，用于根据每一所述参数的更新值对所述神经网络中对应参数的参数值进行更新，以对所述神经网络进行训练。
预测结果获取模块140，用于根据预置的时间参数及所述预测参数生成与所述检验图像对应的病情预测结果。
在一实施例中，所述预测结果获取模块140包括单元：像素分类单元、灰度计算值获取单元及图像填充单元。
像素分类单元，用于根据所述预测参数的灰度区间及所述检验图像中每一像素的灰度值将每一所述像素分类至对应的灰度区间；灰度计算值获取单元，用于根据所述时间参数及所述变化系数对每一所述灰度区间所包含的像素的灰度值进行计算以得到每一所述像素的灰度计算值；图像填充单元，用于根据每一所述像素的灰度计算值对所述检验图像进行重新填充以得到所述静态预测图像。
在一实施例中，所述预测结果获取模块140还包括单元：静态图像组合单元。
静态图像组合单元，用于对多张所述静态预测图像进行组合以得到所述动态预测图像。
预测结果发送模块150，用于将所述病情预测结果发送至所述第一终端及与所述病例信息中联系人信息对应的第二终端。
在本发明实施例所提供的病情可视化预测系统应用上述病情可视化预测方法，获取来自检验设备的检验图像，获取病例信息库中与检验图像所属患者对应的病例信息，生成与病例信息对应的询问信息并发送至第一终端，获取反馈的答复信息，根据预测模型获取与病例信息及答复信息对应的预测参数，根据预测参数生成与检验图像对应的病情预测结果并发送至第一终端及第二终端。通过上述方法，可依据患者的病例信息及答复信息，对检验图像进行预测得到对应的可视化的病情预测结果，使患者可以更直观获取自身的病情变化，让患者更直观感受到治疗效果。
上述病情可视化预测系统可以实现为计算机程序的形式，该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10，图10是本发明实施例提供的计算机设备的示意性框图。该计算机设备可以是即是用于执行病情可视化预测方法以对患者的检验图像进行预测得到相应病情预测结果的服务器端，例如，医院内所设置的服务器、健康服务企业所设置的服务器等。
参阅图10，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行病情可视化预测方法。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行病情可视化预测方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图10中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500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。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现上述的病情可视化预测方法中对应的功能。
本领域技术人员可以理解，图10中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图10所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现上述的病情可视化预测方法中所包含的步骤。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种病情可视化预测系统，可配置于管理服务器中，所述管理服务器与至少两台终端及至少一台检验设备进行通信，其特征在于，包括：
病例信息获取模块，用于若接收到检验设备所采集的检验图像，获取预存的病例信息库中与所述检验图像所属的患者对应的病例信息；
询问信息生成模块，用于根据所述病例信息及预存的询问数据库生成对应的询问信息并发送至与所述病例信息中患者联系方式对应的第一终端；
预测参数获取模块，用于若接收到所述第一终端反馈的答复信息，根据预置的预测模型获取与所述病例信息及所述答复信息对应的预测参数；
预测结果获取模块，用于根据预置的时间参数及所述预测参数生成与所述检验图像对应的病情预测结果；
预测结果发送模块，用于将所述病情预测结果发送至所述第一终端及与所述病例信息中联系人信息对应的第二终端；
所述病情预测结果包含静态预测图像，所述预测参数中包含多个灰度区间及与每一所述灰度区间对应的变化系数，所述预测结果获取模块，包括：
像素分类单元，用于根据所述预测参数的灰度区间及所述检验图像中每一像素的灰度值将每一所述像素分类至对应的灰度区间；
灰度计算值获取单元，用于根据所述时间参数及所述变化系数对每一所述灰度区间所包含的像素的灰度值进行计算以得到每一所述像素的灰度计算值；根据所述时间参数包含的预测时间点，在所述灰度区间所包含的像素的灰度值上增加与各所述预测时间点数量相等的变化系数，对计算结果取整后得到每一像素分别与各所述预测时间点对应的灰度计算值；
图像填充单元，用于根据每一所述像素的灰度计算值对所述检验图像进行重新填充以得到所述静态预测图像。
2.根据权利要求1所述的病情可视化预测系统，其特征在于，所述病例信息中包括病灶类型、生活习惯及患者联系方式，所述询问信息生成模块，包括：
第一询问数据获取单元，用于获取所述询问数据库中与所述病灶类型对应的第一询问数据；
第二询问数据获取单元，用于获取所述询问数据库中与所述生活习惯对应的第二询问数据；
询问数据组合单元，用于将所述第一询问数据与所述第二询问数据组合为所述询问信息并发送至与所述患者联系方式对应的第一终端。
3.根据权利要求1所述的病情可视化预测系统，其特征在于，所述预测模型包括数值量化规则及神经网络，所述预测参数获取模块，包括：
量化信息获取单元，用于根据所述数值量化规则对所述答复信息及所述病例信息进行量化以得到量化信息；
量化信息预测单元，用于根据所述神经网络对所述量化信息进行预测以获取对应的预测参数。
4.根据权利要求3所述的病情可视化预测系统，其特征在于，所述病情可视化预测系统，还包括：
预测模型训练模块，用于若接收到用户所输入的训练数据集，根据预置的梯度下降训练模型及所述训练数据集对所述预测模型中的神经网络进行迭代训练以得到训练后的预测模型。
5.根据权利要求4所述的病情可视化预测系统，其特征在于，所述梯度下降训练模型中包括图像对比规则、损失值计算公式及梯度计算公式，所述预测模型训练模块，包括：
目标预测参数获取单元，用于根据所述图像对比规则获取所述训练数据集中同属一个患者且在不同时间所采集的两张检验图像的目标预测参数；
量化信息预测单元，用于根据所述神经网络对所述训练数据集中所述患者的量化信息进行预测以获取对应的预测参数；
损失值计算单元，用于根据所述损失值计算公式计算得到所述目标预测参数与所述预测参数之间的损失值；
参数更新值获取单元，用于根据所述梯度计算公式、所述损失值及所述神经网络的计算值计算得到所述神经网络中每一参数的更新值；
参数值更新单元，用于根据每一所述参数的更新值对所述神经网络中对应参数的参数值进行更新，以对所述神经网络进行训练。
6.根据权利要求1所述的病情可视化预测系统，其特征在于，所述病情预测结果还包含动态预测图像，所述预测结果获取模块，还包括：
静态图像组合单元，用于对多张所述静态预测图像进行组合以得到所述动态预测图像。
7.一种病情可视化预测方法，应用于管理服务器中，所述管理服务器与至少两台终端及至少一台检验设备进行通信，其特征在于，包括：
若接收到检验设备所采集的检验图像，获取预存的病例信息库中与所述检验图像所属的患者对应的病例信息；
根据所述病例信息及预存的询问数据库生成对应的询问信息并发送至与所述病例信息中患者联系方式对应的第一终端；
若接收到所述第一终端反馈的答复信息，根据预置的预测模型获取与所述病例信息及所述答复信息对应的预测参数；
根据预置的时间参数及所述预测参数生成与所述检验图像对应的病情预测结果；
将所述病情预测结果发送至所述第一终端及与所述病例信息中联系人信息对应的第二终端；
所述病情预测结果包含静态预测图像，所述预测参数中包含多个灰度区间及与每一所述灰度区间对应的变化系数；所述根据预置的时间参数及所述预测参数生成与所述检验图像对应的病情预测结果，包括：
根据所述预测参数的灰度区间及所述检验图像中每一像素的灰度值将每一所述像素分类至对应的灰度区间；
根据所述时间参数及所述变化系数对每一所述灰度区间所包含的像素的灰度值进行计算以得到每一所述像素的灰度计算值；根据所述时间参数包含的预测时间点，在所述灰度区间所包含的像素的灰度值上增加与各所述预测时间点数量相等的变化系数，对计算结果取整后得到每一像素分别与各所述预测时间点对应的灰度计算值；
根据每一所述像素的灰度计算值对所述检验图像进行重新填充以得到静态预测图像。
8.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的病情可视化预测系统所执行的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至6任一项所述的病情可视化预测系统所执行的方法。
CN202010621374.0A 2020-06-30 2020-06-30 病情可视化预测系统、方法、计算机设备及存储介质 Active CN111785376B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010621374.0A CN111785376B (zh) 2020-06-30 2020-06-30 病情可视化预测系统、方法、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010621374.0A CN111785376B (zh) 2020-06-30 2020-06-30 病情可视化预测系统、方法、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN111785376A CN111785376A (zh) 2020-10-16
CN111785376B true CN111785376B (zh) 2022-09-02

Family

ID=72760094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010621374.0A Active CN111785376B (zh) 2020-06-30 2020-06-30 病情可视化预测系统、方法、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111785376B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107403068A (zh) * 2017-07-31 2017-11-28 合肥工业大学 融合临床思维的智能辅助问诊方法及系统
CN108986908A (zh) * 2018-05-31 2018-12-11 平安医疗科技有限公司 问诊数据处理方法、装置、计算机设备和存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5733962B2 (ja) * 2010-02-17 2015-06-10 キヤノン株式会社 眼科装置、眼科装置の制御方法、及びプログラム
US9858665B2 (en) * 2015-04-03 2018-01-02 Regents Of The University Of Minnesota Medical imaging device rendering predictive prostate cancer visualizations using quantitative multiparametric MRI models
WO2017051229A1 (en) * 2015-09-23 2017-03-30 Novadaq Technologies Inc. Methods and systems for management of data derived from medical imaging

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107403068A (zh) * 2017-07-31 2017-11-28 合肥工业大学 融合临床思维的智能辅助问诊方法及系统
CN108986908A (zh) * 2018-05-31 2018-12-11 平安医疗科技有限公司 问诊数据处理方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN111785376A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
Nan et al. Data harmonisation for information fusion in digital healthcare: A state-of-the-art systematic review, meta-analysis and future research directions
CN110807495B (zh) 多标签分类方法、装置、电子设备及存储介质
Sheikh et al. A statistical evaluation of recent full reference image quality assessment algorithms
US11669729B2 (en) Model training method and apparatus
Linn et al. Addressing confounding in predictive models with an application to neuroimaging
Vidotto et al. Multiple imputation of missing categorical data using latent class models: State of art
Hennig et al. Flexible parametric bootstrap for testing homogeneity against clustering and assessing the number of clusters
JP2021097988A (ja) 認知症リスクの提示システムおよび方法
EP4128272A1 (en) Method for artificial intelligence (ai) model selection
US20210145389A1 (en) Standardizing breast density assessments
Chen et al. Calibration of medical diagnostic classifier scores to the probability of disease
CN113366499A (zh) 将群体描述符与经训练模型相关联
Duffy et al. Confounders mediate AI prediction of demographics in medical imaging
CN112512417A (zh) 痴呆症风险的呈现系统以及方法
Peterson et al. Bayesian modeling of multiple structural connectivity networks during the progression of Alzheimer's disease
Kugelman et al. Data augmentation for patch-based OCT chorio-retinal segmentation using generative adversarial networks
Li et al. The openVA toolkit for verbal autopsies
CN111785376B (zh) 病情可视化预测系统、方法、计算机设备及存储介质
Yang Structural equation modelling
Mazzei An unsupervised machine learning approach for medical image analysis
Bak et al. Data driven estimation of imputation error—a strategy for imputation with a reject option
Ozenne et al. Spatially regularized mixture model for lesion segmentation with application to stroke patients
Godichon-Baggioni et al. A penalized criterion for selecting the number of clusters for K-medians
Zhang et al. Usable region estimate for assessing practical usability of medical image segmentation models
CN110232401B (zh) 基于图片转换的病灶判断方法、装置、计算机设备

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
TR01 Transfer of patent right

Effective date of registration: 20221009

Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000

Patentee after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd.

Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000

Patentee before: Ping An International Smart City Technology Co.,Ltd.

TR01 Transfer of patent right