CN112102233A - 基于磁共振图像脑卒中病因甄别方法、装置、设备及介质 - Google Patents
基于磁共振图像脑卒中病因甄别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112102233A CN112102233A CN202010776173.8A CN202010776173A CN112102233A CN 112102233 A CN112102233 A CN 112102233A CN 202010776173 A CN202010776173 A CN 202010776173A CN 112102233 A CN112102233 A CN 112102233A
- Authority
- CN
- China
- Prior art keywords
- value
- cause
- screening
- feature vector
- target
- 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
- 208000006011 Stroke Diseases 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000002490 cerebral effect Effects 0.000 title abstract description 28
- 206010008190 Cerebrovascular accident Diseases 0.000 title abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 240
- 239000013598 vector Substances 0.000 claims abstract description 232
- 201000001320 Atherosclerosis Diseases 0.000 claims abstract description 40
- 208000005189 Embolism Diseases 0.000 claims abstract description 36
- 230000001269 cardiogenic effect Effects 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 68
- 238000013528 artificial neural network Methods 0.000 claims description 52
- 238000013527 convolutional neural network Methods 0.000 claims description 50
- 210000004556 brain Anatomy 0.000 claims description 40
- 238000001514 detection method Methods 0.000 claims description 39
- 230000001537 neural effect Effects 0.000 claims description 35
- 208000031104 Arterial Occlusive disease Diseases 0.000 claims description 18
- 208000021328 arterial occlusion Diseases 0.000 claims description 18
- 210000005036 nerve Anatomy 0.000 claims description 18
- 238000010801 machine learning Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 201000010099 disease Diseases 0.000 claims description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 5
- 238000002604 ultrasonography Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004159 blood analysis Methods 0.000 claims description 2
- 210000001367 artery Anatomy 0.000 abstract description 19
- 208000019622 heart disease Diseases 0.000 description 20
- 238000011176 pooling Methods 0.000 description 16
- 206010028980 Neoplasm Diseases 0.000 description 14
- 239000008280 blood Substances 0.000 description 14
- 210000004369 blood Anatomy 0.000 description 14
- 208000032928 Dyslipidaemia Diseases 0.000 description 13
- 206010020772 Hypertension Diseases 0.000 description 13
- 208000017170 Lipid metabolism disease Diseases 0.000 description 13
- 238000000605 extraction Methods 0.000 description 13
- 208000001286 intracranial vasospasm Diseases 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 210000002569 neuron Anatomy 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000036770 blood supply Effects 0.000 description 8
- 206010012601 diabetes mellitus Diseases 0.000 description 8
- 201000001421 hyperglycemia Diseases 0.000 description 7
- 238000007917 intracranial administration Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- FFFHZYDWPBMWHY-VKHMYHEASA-N L-homocysteine Chemical compound OC(=O)[C@@H](N)CCS FFFHZYDWPBMWHY-VKHMYHEASA-N 0.000 description 3
- 208000026106 cerebrovascular disease Diseases 0.000 description 3
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 2
- 108010014663 Glycated Hemoglobin A Proteins 0.000 description 2
- 208000032382 Ischaemic stroke Diseases 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 238000009534 blood test Methods 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000007530 Essential hypertension Diseases 0.000 description 1
- 208000002705 Glucose Intolerance Diseases 0.000 description 1
- 208000033892 Hyperhomocysteinemia Diseases 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 208000013016 Hypoglycemia Diseases 0.000 description 1
- 206010022489 Insulin Resistance Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 208000032109 Transient ischaemic attack Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000001627 cerebral artery Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000014951 hematologic disease Diseases 0.000 description 1
- 208000018706 hematopoietic system disease Diseases 0.000 description 1
- 230000003225 hyperhomocysteinemia Effects 0.000 description 1
- 230000002218 hypoglycaemic effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000026278 immune system disease Diseases 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 210000003041 ligament Anatomy 0.000 description 1
- 230000037356 lipid metabolism Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 201000009104 prediabetes syndrome Diseases 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 201000010875 transient cerebral ischemia Diseases 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Abstract
本发明公开了一种基于磁共振图像脑卒中病因甄别方法、装置、设备及介质。通过将目标特征向量、第一目标临床数据输入第一病因甄别模型进行甄别，得到第一病因甄别值；根据第一病因甄别值确定最大值甄别值；当最大值甄别值为大动脉粥样硬化甄别值、心源性栓塞甄别值、穿支动脉闭塞甄别值中任一个时，根据第一病因甄别值确定脑卒中病因甄别结果；当最大值甄别值为其他原因甄别值或不明原因甄别值时，获取第二目标临床数据，将目标特征向量、第二目标临床数据输入第二病因甄别模型进行甄别，得到第二病因甄别值，根据第二病因甄别值确定脑卒中病因甄别结果。本发明可以避免对同一张磁共振图像得出不同的结论，提高脑卒中病因甄别的准确性。
Description
技术领域
本发明涉及医学图像技术领域，尤其涉及一种基于磁共振图像脑卒中病因甄别方法、装置、设备及介质。
背景技术
急性缺血性脑血管疾病，俗称缺血性脑卒中，具有“高死亡率、高致残率、高发病率、高花费”的疾病，是全世界范围内亟待解决的问题。而不同病因的脑卒中治疗方式不同，因此，准确甄别脑卒中病因对脑卒中的治疗显得尤为重要。
核磁共振成像，是利用核磁共振原理，依据所释放的能量在物质内部不同结构环境中不同的衰减，通过外加梯度磁场检测所发射出的电磁波，即可得知构成这一物体原子核的位置和种类，据此可以绘制成物体内部的结构图像。核磁共振成像对近骨骼和骨骼周围的软组织，包括韧带与肌肉，可呈现清晰影像，因此核磁共振成像得到的磁共振图像被广泛应用于脑卒中的临床诊断。
现有技术中主要依靠医生的眼睛来阅读图像，医生根据专业技能和个人经验来确定脑卒中病因。由于不同医生的专业技能、个人经验不同，对同一张磁共振图像得出不同的结论，从而影响了脑卒中的治疗效率。
发明内容
基于此，有必要针对上述问题，提出了一种基于磁共振图像脑卒中病因甄别方法、装置、设备及介质，用于解决不同医生对同一张磁共振图像得出不同的结论的技术问题。
第一方面，本发明提出了一种基于磁共振图像脑卒中病因甄别方法，所述方法包括：
获取目标特征向量、第一目标临床数据，所述目标特征向量是根据脑部磁共振图像确定的；
将所述目标特征向量、所述第一目标临床数据输入第一病因甄别模型进行甄别，得到第一病因甄别值，所述第一病因甄别值包括：大动脉粥样硬化甄别值、心源性栓塞甄别值、穿支动脉闭塞甄别值、其他原因甄别值、不明原因甄别值；
根据所述第一病因甄别值确定最大值甄别值；
当所述最大值甄别值为所述大动脉粥样硬化甄别值、所述心源性栓塞甄别值、所述穿支动脉闭塞甄别值中任一个时，根据所述第一病因甄别值确定脑卒中病因甄别结果；
当所述最大值甄别值为所述其他原因甄别值或所述不明原因甄别值时，获取第二目标临床数据，将所述目标特征向量、所述第二目标临床数据输入第二病因甄别模型进行甄别，得到第二病因甄别值，根据所述第二病因甄别值确定所述脑卒中病因甄别结果；
其中，所述目标特征向量、所述第一目标临床数据、所述第二目标临床数据来源于同一被测者。
在一个实施例中，所述获取目标特征向量、第一目标临床数据，包括：
获取所述脑部磁共振图像；
根据所述脑部磁共振图像进行预处理，得到目标磁共振图像；
根据所述目标磁共振图像，确定所述目标特征向量。
在一个实施例中，所述方法还包括：
通过机器学习平台构建基于第一卷积神经网络和第一概率神经网络训练的所述第一病因甄别模型。
在一个实施例中，所述第一病因甄别模型训练步骤如下：
获取多个第一训练样本，所述第一训练样本包括：第一特征向量样本值、第一临床数据样本值、第一特征向量标定值、第一脑卒中病因标定值；
将所述第一特征向量样本值输入所述第一卷积神经网络进行卷积及降采样，得到与每个所述第一特征向量样本值对应的第一提取特征向量；
根据所述第一提取特征向量、所述第一特征向量标定值对所述第一卷积神经网络进行训练，得到已训练的第一卷积神经子模型；
将所述第一特征向量样本值输入所述第一卷积神经子模型，得到与每个所述第一特征向量样本值对应的的第一已训练特征向量；
根据所述第一已训练特征向量、所述第一临床数据样本值、所述第一脑卒中病因标定值对所述第一概率神经网络进行训练，得到已训练的第一概率神经子模型；
将所述第一卷积神经子模型、所述第一概率神经子模型组合成已训练的所述第一病因甄别模型。
在一个实施例中，所述方法还包括：
通过机器学习平台构建基于第二卷积神经网络和第二概率神经网络训练的所述第二病因甄别模型。
在一个实施例中，所述第二病因甄别模型训练步骤如下：
获取多个第二训练样本，所述第二训练样本包括：第二特征向量样本值、第二临床数据样本值、第二特征向量标定值、第二脑卒中病因标定值；
将所述第二特征向量样本值输入所述第二卷积神经网络进行卷积及降采样，得到与每个所述第二特征向量样本值对应的第二提取特征向量；
根据所述第二提取特征向量、所述第二特征向量标定值对所述第二卷积神经网络进行训练，得到已训练的第二卷积神经子模型；
将所述第二特征向量样本值输入所述第二卷积神经子模型，得到与每个所述第二特征向量样本值对应的的第二已训练特征向量；
根据所述第二已训练特征向量、所述第二临床数据样本值、所述第二脑卒中病因标定值对所述第二概率神经网络进行训练，得到已训练的第二概率神经子模型；
将所述第二卷积神经子模型、所述第二概率神经子模型组合成已训练的所述第二病因甄别模型。
在一个实施例中，所述第一目标临床数据包括：脑部B超检测数据和/或血液检测数据；
所述第二目标临床数据包括：经颅多普勒检测数据、疾病检测数据。
第二方面，本发明还提出了一种基于磁共振图像脑卒中病因甄别装置，所述装置包括：
特征向量获取模块，用于获取目标特征向量、第一目标临床数据，所述目标特征向量是根据脑部磁共振图像确定的；
第一甄别模块，用于将所述目标特征向量、所述第一目标临床数据输入第一病因甄别模型进行甄别，得到第一病因甄别值，所述第一病因甄别值包括：大动脉粥样硬化甄别值、心源性栓塞甄别值、穿支动脉闭塞甄别值、其他原因甄别值、不明原因甄别值；
第二甄别模块，用于根据所述第一病因甄别值确定最大值甄别值，当所述最大值甄别值为所述其他原因甄别值或所述不明原因甄别值时，获取第二目标临床数据，将所述目标特征向量、所述第二目标临床数据输入第二病因甄别模型进行甄别，得到第二病因甄别值；
脑卒中病因确定模块，用于当所述最大值甄别值为所述大动脉粥样硬化甄别值、所述心源性栓塞甄别值、所述穿支动脉闭塞甄别值中任一个时，根据所述第一病因甄别值确定脑卒中病因甄别结果，当所述最大值甄别值为所述其他原因甄别值或所述不明原因甄别值时，根据所述第二病因甄别值确定所述脑卒中病因甄别结果；
其中，所述目标特征向量、所述第一目标临床数据、所述第二目标临床数据来源于同一被测者。
第三方面，本发明还提出了一种存储介质，存储有计算机指令程序，所述计算机指令程序被处理器执行时，使得所述处理器执行第一方面任一项所述方法的步骤。
第四方面，本发明还提出了一种计算机设备，包括至少一个存储器、至少一个处理器，所述存储器存储有计算机指令程序，所述计算机指令程序被所述处理器执行时，使得所述处理器执行第四方面任一项所述方法的步骤。
实施本发明实施例，将具有如下有益效果：
本发明提出了一种基于磁共振图像脑卒中病因甄别方法、装置、设备及介质，通过将目标特征向量、第一目标临床数据输入第一病因甄别模型进行甄别，得到第一病因甄别值；根据第一病因甄别值确定最大值甄别值；当最大值甄别值为大动脉粥样硬化甄别值、心源性栓塞甄别值、穿支动脉闭塞甄别值中任一个时，根据第一病因甄别值确定脑卒中病因甄别结果；当最大值甄别值为其他原因甄别值或不明原因甄别值时，获取第二目标临床数据，将目标特征向量、第二目标临床数据输入第二病因甄别模型进行甄别，得到第二病因甄别值，根据第二病因甄别值确定脑卒中病因甄别结果。目标特征向量是根据脑部磁共振图像确定的，目标特征向量、第一目标临床数据、第二目标临床数据来源于同一被测者，因此目标特征向量、第一目标临床数据、第二目标临床数据可以用于甄别脑卒中病因。采用第一病因甄别模型、第二病因甄别模型进行甄别，可以避免对同一张磁共振图像得出不同的结论，甄别过程充分利用了机器学习的优点，具有较强的泛化能力。将目标特征向量、第一目标临床数据作为输入第一病因甄别模型进行甄别，使得到的第一病因甄别值充分考虑了第一目标临床数据，提高了第一病因甄别值的准确性；将目标特征向量、第二目标临床数据输入第二病因甄别模型进行甄别，使得到的第二病因甄别值充分考虑了第二目标临床数据，提高了第二病因甄别值的准确性。因此，本发明可以避免对同一张磁共振图像得出不同的结论，提高脑卒中病因甄别的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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。
其中：
图1为一个实施例中基于磁共振图像脑卒中病因甄别方法的流程图；
图2为图1的基于磁共振图像脑卒中病因甄别方法的确定第一病因甄别模型的流程图；
图3为图1的基于磁共振图像脑卒中病因甄别方法的确定第二病因甄别模型的流程图；
图4为一个实施例中XXX装置的结构框图；
图5为一个实施例中计算机设备的结构框图。
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，所描述的实施例仅仅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作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。
为了解决不同医生对同一张磁共振图像得出不同的结论的技术问题，本发明提出了一种基于磁共振图像脑卒中病因甄别方法，该方法应用于磁共振图像甄别技术领域，该方法的执行主体为能够实现基于磁共振图像脑卒中病因甄别方法的设备，该设备与包括但不限于终端和服务器。其中，终端包括台式终端和移动终端，台式终端包括但不限于台式电脑、工控机、车载电脑，移动终端包括但不限于手机、平板电脑、笔记本电脑、智能手表和其他穿戴设备；服务器包括高性能计算机和高性能计算机集群。
如图1所示，在一个实施例中，所述基于磁共振图像脑卒中病因甄别方法包括：
S102、获取目标特征向量、第一目标临床数据，所述目标特征向量是根据脑部磁共振图像确定的；
所述目标特征向量，是需要甄别脑卒中病因的特征向量。
其中，脑部磁共振图像，是对被测者脑部采用核磁共振原理成影得到的。其中，目标特征向量是根据脑部磁共振图像的像素点的像素值得到的矩阵。
其中，所述目标特征向量、所述第一目标临床数据来源于同一被测者。可以理解的是，所述目标特征向量、所述第一目标临床数据是在预设时间段内从同一被测者获取得到的。
可选的，所述第一目标临床数据包括：脑部B超检测数据和/或血液检测数据。可以理解的是，所述第一目标临床数据还包括其他检测数据，在此不做具体限定。
其中，脑部B超检测数据，是对被测者脑部采用B超进行检测得到，检测脑血管痉挛和脑供血情况。脑部B超检测数据包括：脑血管痉挛检测结果、脑供血检测结果、检测时间。检测时间是一个具体的时间点。脑血管痉挛检测结果是指颅内动脉收缩状态，脑血管痉挛检测结果包括：无脑血管痉挛、轻度脑血管痉挛、中度脑血管痉挛、重度脑血管痉挛、特重度脑血管痉挛中任一个，轻度脑血管痉挛时颅内动脉口径比为71％至90％，中度脑血管痉挛时颅内动脉口径比为71％至80％，重度脑血管痉挛时颅内动脉口径比为50％至70％，特重度脑血管痉挛时颅内动脉口径比为低于50％。脑供血检测结果包括：脑供血正常、轻度脑供血不足、中度脑脑供血不足、重度脑供血不足、特脑供血不足中任一个。
其中，血液检测数据包括血糖检测结果、糖化血红蛋白检测结果、血脂检测结果、同型半胱氨酸检测结果、检测时间。
糖尿病是脑血管病发病高危因素之一，特别是作为缺血性卒中和短暂性脑缺血发作的危险因素已经得到公认。越来越多的证据表明，高血糖可以增加脑卒中发生率，是脑卒中的独立危险因素。早期的胰岛素抵抗和糖耐量异常也可增加脑卒中的发生风险，而且卒中急性期血糖过高或过低均可对卒中预后产生不良影响。因此，血糖检测结果和糖化血红蛋白检测结果可以用于辅助脑卒中病因的甄别。
动脉粥样硬化的主要危险因素之一即为血脂异常，并且根据脑卒中的不同类型其脂类代谢也有很大的差别。在通常情况下，血脂异常时并不会出现任何症状，但却会造成动脉粥样硬化，而动脉粥样硬化又是脑卒中发生的重要病理基础。因此，血脂检测结果可以用于辅助脑卒中病因的甄别。
高同型半胱氨酸是继高血压、高血脂、吸烟、肥胖等传统脑卒中危险因素后发现的又一新的独立危险因素。伴有高同型半胱氨酸血症的原发性高血压是诱发各种心脑血管疾病，尤其是脑卒中疾病的元凶。因此，同型半胱氨酸检测结果可以用于辅助脑卒中病因的甄别。
S104、将所述目标特征向量、所述第一目标临床数据输入第一病因甄别模型进行甄别，得到第一病因甄别值，所述第一病因甄别值包括：大动脉粥样硬化甄别值、心源性栓塞甄别值、穿支动脉闭塞甄别值、其他原因甄别值、不明原因甄别值；
其中，首先将所述目标特征向量输入第一病因甄别模型的第一卷积神经子模型进行特征提取，得到与所述目标特征向量对应的第一特征提取结果；然后将所述与所述目标特征向量对应的第一特征提取结果、所述第一目标临床数据输入第一病因甄别模型的第一概率神经子模型进行分类预测，将分类预测结果作为第一病因甄别值。
所述第一病因甄别值包括五个数值，所述五个数值分别是大动脉粥样硬化甄别值、心源性栓塞甄别值、穿支动脉闭塞甄别值、其他原因甄别值、不明原因甄别值，大动脉粥样硬化甄别值、心源性栓塞甄别值、穿支动脉闭塞甄别值、其他原因甄别值、不明原因甄别值都是0至1的概率值。
其中，大动脉粥样硬化甄别值是病因为大动脉粥样硬化的概率值，心源性栓塞甄别值是病因为心源性栓塞的概率值，穿支动脉闭塞甄别值是病因为穿支动脉闭塞的概率值，其他原因甄别值是病因为其他原因的概率值，不明原因甄别值是病因为不明原因的概率值。
S106、根据所述第一病因甄别值确定最大值甄别值；
其中，从大动脉粥样硬化甄别值、心源性栓塞甄别值、穿支动脉闭塞甄别值、其他原因甄别值、不明原因甄别值中确定最大值作为最大值甄别值。
S108、当所述最大值甄别值为所述大动脉粥样硬化甄别值、所述心源性栓塞甄别值、所述穿支动脉闭塞甄别值中任一个时，根据所述第一病因甄别值确定脑卒中病因甄别结果；
其中，当所述最大值甄别值为所述大动脉粥样硬化甄别值、所述心源性栓塞甄别值、所述穿支动脉闭塞甄别值中任一个时，将最大值甄别值对应的病因作为脑卒中病因甄别结果。比如，大动脉粥样硬化甄别值、心源性栓塞甄别值、穿支动脉闭塞甄别值、其他原因甄别值、不明原因甄别值中大动脉粥样硬化甄别值最高，则将大动脉粥样硬化作为脑卒中病因甄别结果。
可选的，根据所述第一病因甄别值确定脑卒中病因甄别结果，还包括：从所述大动脉粥样硬化甄别值、所述心源性栓塞甄别值、所述穿支动脉闭塞甄别值中找出最大值，将该最大值与第一预设概率值进行对比，当该最大值大于第一预设概率值时，将找出的最大值对应的病因作为所述脑卒中病因甄别结果，否则，将病因不确定作为所述脑卒中病因甄别结果。通过第一预设概率值可以提高脑卒中病因甄别结果的准确性，从而进一步提高基于磁共振图像脑卒中病因甄别方法的准确性。
S110、当所述最大值甄别值为所述其他原因甄别值或所述不明原因甄别值时，获取第二目标临床数据，将所述目标特征向量、所述第二目标临床数据输入第二病因甄别模型进行甄别，得到第二病因甄别值，根据所述第二病因甄别值确定所述脑卒中病因甄别结果；
其中，当所述最大值甄别值为所述其他原因甄别值或所述不明原因甄别值时，首先将所述目标特征向量输入第二病因甄别模型的第二卷积神经子模型进行特征提取，得到与所述目标特征向量对应的第二特征提取结果；然后将所述与所述目标特征向量对应的第二特征提取结果、所述第二目标临床数据输入第二病因甄别模型的第二概率神经子模型进行分类预测，将分类预测结果作为第二病因甄别值。
所述第二病因甄别值包括：高血压甄别值、高血糖甄别值、心脏病甄别值、肿瘤甄别值、血脂异常甄别值。高血压甄别值的病因为高血压，高血糖甄别的病因为高血糖，心脏病甄别值的病因为心脏病，肿瘤甄别值的病因是肿瘤，血脂异常甄别值的病因为血脂异常。高血压甄别值、高血糖甄别值、心脏病甄别值、肿瘤甄别值、血脂异常甄别值都是0至1的概率值。
所述根据所述第二病因甄别值确定所述脑卒中病因甄别结果，包括：从高血压甄别值、高血糖甄别值、心脏病甄别值、肿瘤甄别值、血脂异常甄别值中找出最大值，将找出的最大值对应的病因作为所述脑卒中病因甄别结果。比如，高血压甄别值、高血糖甄别值、心脏病甄别值、肿瘤甄别值、血脂异常甄别值中心脏病甄别值最大，则将心脏病作为所述脑卒中病因甄别结果。
可选的，根据所述第二病因甄别值确定所述脑卒中病因甄别结果，还包括：从高血压甄别值、高血糖甄别值、心脏病甄别值、肿瘤甄别值、血脂异常甄别值中找出最大值，将该最大值与第二预设概率值进行对比，当该最大值大于第二预设概率值时，将找出的最大值对应的病因作为所述脑卒中病因甄别结果，否则，将病因不确定作为所述脑卒中病因甄别结果。通过第二预设概率值可以提高脑卒中病因甄别结果的准确性，从而进一步提高基于磁共振图像脑卒中病因甄别方法的准确性。
其中，所述目标特征向量、所述第一目标临床数据、所述第二目标临床数据来源于同一被测者。可以理解的是，所述目标特征向量、所述第一目标临床数据、所述第二目标临床数据是在预设时间段内从同一被测者获取得到的。
其中，所述目标特征向量、所述第一目标临床数据、所述第二目标临床数据来源于同一被测者。
可选的，所述第二目标临床数据包括：经颅多普勒检测数据、疾病检测数据。所述经颅多普勒检测数据包括脑血管血液流速，通过超声波记录脑动脉的多普勒信号，根据多普勒信号确定脑血管血液流速。所述疾病检测数据包括但不限于：糖尿病检测结果、心脏病检测结果、肿瘤检测结果、血液病检测结果、免疫系统疾病检测结果。所述糖尿病检测结果包括：无糖尿病、曾经糖尿病、轻度糖尿病、中度糖尿病、重度糖尿病。心脏病检测结果：无心脏病、曾经心脏病、早期心脏病、中期心脏病、晚期心脏病。
本实施例通过将目标特征向量、第一目标临床数据输入第一病因甄别模型进行甄别，得到第一病因甄别值；根据第一病因甄别值确定最大值甄别值；当最大值甄别值为大动脉粥样硬化甄别值、心源性栓塞甄别值、穿支动脉闭塞甄别值中任一个时，根据第一病因甄别值确定脑卒中病因甄别结果；当最大值甄别值为其他原因甄别值或不明原因甄别值时，获取第二目标临床数据，将目标特征向量、第二目标临床数据输入第二病因甄别模型进行甄别，得到第二病因甄别值，根据第二病因甄别值确定脑卒中病因甄别结果。目标特征向量是根据脑部磁共振图像确定的，目标特征向量、第一目标临床数据、第二目标临床数据来源于同一被测者，因此目标特征向量、第一目标临床数据、第二目标临床数据可以用于甄别脑卒中病因。采用第一病因甄别模型、第二病因甄别模型进行甄别，可以避免对同一张磁共振图像得出不同的结论，甄别过程充分利用了机器学习的优点，具有较强的泛化能力。将目标特征向量、第一目标临床数据作为输入第一病因甄别模型进行甄别，使得到的第一病因甄别值充分考虑了第一目标临床数据，提高了第一病因甄别值的准确性；将目标特征向量、第二目标临床数据输入第二病因甄别模型进行甄别，使得到的第二病因甄别值充分考虑了第二目标临床数据，提高了第二病因甄别值的准确性。
在一个实施例中，所述获取目标特征向量、第一目标临床数据，包括：获取所述脑部磁共振图像；根据所述脑部磁共振图像进行预处理，得到目标磁共振图像；根据所述目标磁共振图像，确定所述目标特征向量。
其中，获取所述脑部磁共振图像，所述脑部磁共振图像为数字图像。对所述脑部磁共振图像进行去噪处理，得到目标磁共振图像；根据目标磁共振图像构建图像矩阵，将该图像矩阵作为目标特征向量，也就是说，目标特征向量的每个向量元素表述目标磁共振图像中一个像素点的像素值。对所述脑部磁共振图像进行去噪处理，用于去掉脑部以外的图像区域，比如，床在在所述脑部磁共振图像上的图像区域。通过去噪处理，可以降低脑部以外的图像区域对脑卒中病因甄别结果的影响，从而进一步提高了基于磁共振图像脑卒中病因甄别方法的准确性。
在一个实施例中，所述方法还包括：通过机器学习平台构建基于第一卷积神经网络和第一概率神经网络训练的所述第一病因甄别模型。
其中，机器学习平台，用于先根据设定的第一卷积神经网络的结构、第一卷积神经网络对应的预设损失函数、第一卷积神经网络对应的预设更新函数进行训练，再根据第一概率神经网络的结构、第一概率神经网络对应的预设损失函数、第一概率神经网络对应的预设更新函数进行训练，训练完成得到所述第一病因甄别模型，比如，机器学习平台包括但不限于Tensorflow(面向所有人的端到端开源机器学习平台)。
如图2所示，在一个实施例中，所述第一病因甄别模型训练步骤如下：
S202、获取多个第一训练样本，所述第一训练样本包括：第一特征向量样本值、第一临床数据样本值、第一特征向量标定值、第一脑卒中病因标定值；
其中，所述多个第一训练样本，为用于第一卷积神经网络训练的样本。同一所述第一训练样本中的第一特征向量样本值、第一临床数据样本值、第一特征向量标定值、第一脑卒中病因标定值来源同一被测者。所述多个第一训练样本的数量可以是500个、800个、1000个、2000个，在此举例不做具体限定。
其中，第一特征向量样本值，是根据脑部磁共振图像确定的，第一特征向量样本值的每个向量元素表述脑部磁共振图像中一个像素点的像素值。
可选的，所述第一临床数据样本值包括：脑部B超检测样本值和/或血液检测样本值。脑部B超检测样本值具体数值，血液检测样本值是具体数值。
其中，第一特征向量标定值，是由经验丰富的专业人员根据第一特征向量样本值标定的病灶特征对应的特征值。可以理解的是，第一特征向量标定值包括：第一轮廓特征值、第一纹理特征值和第一颜色特征值。
其中，第一脑卒中病因标定值是由经验丰富的专业人员根据第一特征向量样本值标定的脑卒中病因，具体包括：大动脉粥样硬化标定值、心源性栓塞标定值、穿支动脉闭塞标定值、其他原因标定值、不明原因标定值，大动脉粥样硬化标定值是病因为大动脉粥样硬化的标定值，心源性栓塞标定值是病因为心源性栓塞的标定值，穿支动脉闭塞标定值是病因为穿支动脉闭塞的标定值，其他原因标定值是病因为其他原因的标定值，不明原因标定值是病因为不明原因的标定值。
可选的，大动脉粥样硬化标定值、心源性栓塞标定值、穿支动脉闭塞标定值、其他原因标定值、不明原因标定值的数值是0或者1，标定值1对应的脑卒中病因是对应第一训练样本的脑卒中病因，标定值0对应的脑卒中病因不是第一训练样本的脑卒中病因。比如，对于第一个第一训练样本，大动脉粥样硬化标定值为1，心源性栓塞标定值为0，穿支动脉闭塞标定值为0，其他原因标定值为0，不明原因标定值的数值为0，则大动脉粥样硬化标定值对应的脑卒中病因(也就是大动脉粥样硬化)是第一个第一训练样本的脑卒中病因，心源性栓塞标定值、穿支动脉闭塞标定值、其他原因标定值、不明原因标定值对应的脑卒中病因不是第一个第一训练样本的脑卒中病因，在此举例不做具体限定。
S204、将所述第一特征向量样本值输入所述第一卷积神经网络进行卷积及降采样，得到与每个所述第一特征向量样本值对应的第一提取特征向量；
具体而言，将所述多个第一训练样本对应的第一特征向量样本值依次输入所述第一卷积神经网络进行卷积及降采样，得到与每个所述第一特征向量样本值对应的第一提取特征向量。也就是说，每个所述第一训练样本对应一个所述第一提取特征向量。
具体而言，所述第一卷积神经网络包括依次连接的第一卷积输入层、第一隐含模块、第一全连接层、第一卷积输出层。所述第一特征向量样本值直接输入所述第一卷积输入层，无需做特殊处理，比如，无需进行低阶特征的提取。所述第一隐含模块用于对所述第一特征向量样本值进行特征提取、降维和降采样。所述第一全连接层用于进行维度压缩。第一卷积输出层用于输出第一提取特征向量。
可选的，所述第一隐含模块包括：依次连接的第一卷积层、第一池化层、第一降丢弃层。所述第一卷积层用于抽象特征的提取，以提取出抽象特征。第一池化层用于进行最大池化，以实现降维。第一降丢弃层用于进行数据丢弃，增加训练出的第一病因甄别模型的第一卷积神经子模型的抗过拟合能力以及稳定性，从而增加了第一病因甄别模型甄别脑卒中病因的准确性。
可选的，第一卷积层采用5×5的卷积核、边缘补0的填充方式、Relu激活函数对所述第一特征向量样本值进行抽象特征提取，得到第一卷积结果；第一池化层采用5×5的矩阵、步长为5、不重叠的池化方式对所述第一卷积结果进行最大池化，得到第一池化结果；第一降丢弃层采用0.3的丢弃率对所述第一池化结果进行随机丢弃，得到第一丢弃结果，将所述第一丢弃结果作为所述第一隐含模块的输出。
S206、根据所述第一提取特征向量、所述第一特征向量标定值对所述第一卷积神经网络进行训练，得到已训练的第一卷积神经子模型；
具体而言，可选的，根据所述第一提取特征向量、所述第一特征向量标定值，计算所述第一卷积神经网络的损失；根据所述第一卷积神经网络的损失，计算所述第一卷积神经网络的参数的更新值；根据所述第一卷积神经网络的参数的更新值更新所述第一卷积神经网络的参数，将更新后的所述第一卷积神经网络的参数用于下一次计算所述第一提取特征向量；重复执行上述方法步骤直至所述第一卷积神经网络的损失达到第一收敛条件或迭代次数达到第二收敛条件，将所述第一卷积神经网络的损失达到第一收敛条件或迭代次数达到第二收敛条件的所述第一卷积神经网络作为已训练的第一卷积神经子模型。
其中，所述第一卷积神经网络的损失达到第一收敛条件，为连续两次计算的所述第一卷积神经网络的损失的大小满足利普希茨连续条件。所述迭代次数达到第二收敛条件，为迭代次数不超过第一预设次数。
其中，所述第一卷积神经网络的参数包括第一输入层的参数、第一隐含模块的参数、第一全连接层的参数、第一输出层的参数。
可以理解的是，步骤S204至步骤S206可以采用所述机器学习平台实现训练过程。
S208、将所述第一特征向量样本值输入所述第一卷积神经子模型，得到与每个所述第一特征向量样本值对应的的第一已训练特征向量；
具体而言，将所述多个第一训练样本对应的第一特征向量样本值依次输入所述第一卷积神经子模型进行特征提取，得到与每个所述第一特征向量样本值对应的的第一已训练特征向量，也就是说，每个所述第一特征向量样本值对应一个所述第一已训练特征向量。
S210、根据所述第一已训练特征向量、所述第一临床数据样本值、所述第一脑卒中病因标定值对所述第一概率神经网络进行训练，得到已训练的第一概率神经子模型；
其中，将所述第一已训练特征向量、所述第一临床数据样本值，得到第一拟合特征向量；根据所述第一拟合特征向量、所述第一脑卒中病因标定值进行训练，得到已训练的第一概率神经子模型。
所述将所述第一已训练特征向量、所述第一临床数据样本值，得到第一拟合特征向量，包括：将所述第一临床数据样本值与所述第一已训练特征向量进行非线性拟合，得到第一拟合特征向量。
其中，包括依次连接的第一概率输入层、第一模式层、第一求和层。第一概率输入层的神经元的个数与第一拟合特征向量的维度数相同。在第一输入层和第一模式层之间的连接是通过一个高斯函数，求得第一模式层中的每个神经元和第一输入层中每个神经元之间的匹配程度，然后通过每类的匹配程度累加求和，再取平均，得到输入的第一拟合特征向量的所属类别。第一求和层用于计算出各个脑卒中病因的概率密度估计。第一求和层的神经元的个数与第一病因甄别值的个数相同，也就是说，第一求和层的每个神经元输出一个第一病因甄别值。
可选的，将根据所述第一拟合特征向量输入所述第一概率神经网络进行分类，得到与第一已训练特征向量对应的第一概率预测向量；根据所述第一概率预测向量、所述第一脑卒中病因标定值，计算所述第一概率神经网络的损失；根据所述第一概率神经网络的损失，计算所述第一概率神经网络的参数的更新值；根据所述第一概率神经网络的参数的更新值更新所述第一概率神经网络的参数，将更新后的所述第一概率神经网络的参数用于下一次计算所述第一概率预测向量；重复执行上述方法步骤直至所述第一概率神经网络的损失达到第三收敛条件或迭代次数达到第四收敛条件，将所述第一概率神经网络的损失达到第三收敛条件或迭代次数达到第四收敛条件的所述第一概率神经网络作为已训练的第一概率神经子模型。
其中，所述第一概率神经网络的损失达到第三收敛条件，为连续两次计算的所述第一概率神经网络的损失的大小满足利普希茨连续条件。所述迭代次数达到第四收敛条件，为迭代次数不超过第二预设次数。
其中，所述第一概率神经网络的参数包括第一概率输入层的参数、第一模式层的参数、第一求和层的参数。
可以理解的是，所述根据所述第一拟合特征向量、所述第一脑卒中病因标定值进行训练，得到已训练的第一概率神经子模型可以采用所述机器学习平台实现训练过程。
S212、将所述第一卷积神经子模型、所述第一概率神经子模型组合成已训练的所述第一病因甄别模型。
其中，将所述第一卷积神经子模型、所述第一概率神经子模型依次拼接，得到所述第一病因甄别模型。也就是说，所述第一卷积神经子模型的输出作为所述第一概率神经子模型的输入。
本实施例实现了基于第一卷积神经网络和第一概率神经网络训练得到第一病因甄别模型。
在一个实施例中，所述方法还包括：通过机器学习平台构建基于第二卷积神经网络和第二概率神经网络训练的所述第二病因甄别模型。
其中，机器学习平台，用于先根据设定的第二卷积神经网络的结构、第二卷积神经网络对应的预设损失函数、第二卷积神经网络对应的预设更新函数进行训练，再根据第二概率神经网络的结构、第二概率神经网络对应的预设损失函数、第二概率神经网络对应的预设更新函数进行训练，训练完成得到所述第二病因甄别模型。
如图3所示，在一个实施例中，所述第二病因甄别模型训练步骤如下：
S302、获取多个第二训练样本，所述第二训练样本包括：第二特征向量样本值、第二临床数据样本值、第二特征向量标定值、第二脑卒中病因标定值；
其中，所述多个第二训练样本，为用于第二卷积神经网络训练的样本。同一所述第二训练样本中的第二特征向量样本值、第二临床数据样本值、第二特征向量标定值、第二脑卒中病因标定值来源同一被测者。所述多个第二训练样本的数量可以是500个、800个、1000个、2000个，在此举例不做具体限定。
其中，第二特征向量样本值，是根据脑部磁共振图像确定的，第二特征向量样本值的每个向量元素表述脑部磁共振图像中一个像素点的像素值。
可选的，所述第二临床数据样本值包括：经颅多普勒检测样本值、疾病检测样本值。经颅多普勒检测样本值具体数值，疾病检测样本值是具体数值。
其中，第二特征向量标定值，是由经验丰富的专业人员根据第二特征向量样本值标定的病灶特征对应的特征值。可以理解的是，第二特征向量标定值包括：第二轮廓特征值、第二纹理特征值和第二颜色特征值。
其中，第二脑卒中病因标定值是由经验丰富的专业人员根据第二特征向量样本值标定的脑卒中病因，具体包括：高血压标定值、高血糖标定值、心脏病标定值、肿瘤标定值、血脂异常标定值，高血压标定值是病因为高血压的标定值，高血糖标定值是病因为高血糖的标定值，心脏病标定值是病因为心脏病的标定值，肿瘤标定值是病因为肿瘤的标定值，血脂异常标定值是病因为肿瘤的标定值。
可选的，高血压标定值、高血糖标定值、心脏病标定值、肿瘤标定值、血脂异常标定值的数值是0或者1，标定值1对应的脑卒中病因是对应第二训练样本的脑卒中病因，标定值0对应的脑卒中病因不是第二训练样本的脑卒中病因。比如，对于第二个第二训练样本，高血压标定值为1，高血糖标定值为0，心脏病标定值为0，肿瘤标定值为0，血脂异常标定值为0，则高血压标定值对应的脑卒中病因(也就是高血压)是第二个第二训练样本的脑卒中病因，高血糖标定值、心脏病标定值、肿瘤标定值、血脂异常标定值心源性栓塞标定值、穿支动脉闭塞标定值、其他原因标定值、不明原因标定值对应的脑卒中病因不是第二个第二训练样本的脑卒中病因，在此举例不做具体限定。
S304、将所述第二特征向量样本值输入所述第二卷积神经网络进行卷积及降采样，得到与每个所述第二特征向量样本值对应的第二提取特征向量；
具体而言，将所述多个第二训练样本对应的第二特征向量样本值依次输入所述第二卷积神经网络进行卷积及降采样，得到与每个所述第二特征向量样本值对应的第二提取特征向量。也就是说，每个所述第二训练样本对应一个所述第二提取特征向量。
具体而言，所述第二卷积神经网络包括依次连接的第二卷积输入层、第二隐含模块、第二全连接层、第二卷积输出层。所述第二特征向量样本值直接输入所述第二卷积输入层，无需做特殊处理，比如，无需进行低阶特征的提取。所述第二隐含模块用于对所述第二特征向量样本值进行特征提取、降维和降采样。所述第二全连接层用于进行维度压缩。第二卷积输出层用于输出第二提取特征向量。
可选的，所述第二隐含模块包括：依次连接的第二卷积层、第二池化层、第二降丢弃层。所述第二卷积层用于抽象特征的提取，以提取出抽象特征。第二池化层用于进行最大池化，以实现降维。第二降丢弃层用于进行数据丢弃，增加训练出的第二病因甄别模型的第二卷积神经子模型的抗过拟合能力以及稳定性，从而增加了第二病因甄别模型甄别脑卒中病因的准确性。
可选的，第二卷积层采用3×3的卷积核、边缘补0的填充方式、Relu激活函数对所述第二特征向量样本值进行抽象特征提取，得到第二卷积结果；第二池化层采用3×3的矩阵、步长为3、不重叠的池化方式对所述第二卷积结果进行最大池化，得到第二池化结果；第二降丢弃层采用0.3的丢弃率对所述第二池化结果进行随机丢弃，得到第二丢弃结果，将所述第二丢弃结果作为所述第二隐含模块的输出。
S306、根据所述第二提取特征向量、所述第二特征向量标定值对所述第二卷积神经网络进行训练，得到已训练的第二卷积神经子模型；
具体而言，可选的，根据所述第二提取特征向量、所述第二特征向量标定值，计算所述第二卷积神经网络的损失；根据所述第二卷积神经网络的损失，计算所述第二卷积神经网络的参数的更新值；根据所述第二卷积神经网络的参数的更新值更新所述第二卷积神经网络的参数，将更新后的所述第二卷积神经网络的参数用于下一次计算所述第二提取特征向量；重复执行上述方法步骤直至所述第二卷积神经网络的损失达到第五收敛条件或迭代次数达到第六收敛条件，将所述第二卷积神经网络的损失达到第五收敛条件或迭代次数达到第六收敛条件的所述第二卷积神经网络作为已训练的第二卷积神经子模型。
其中，所述第二卷积神经网络的损失达到第五收敛条件，为连续两次计算的所述第二卷积神经网络的损失的大小满足利普希茨连续条件。所述迭代次数达到第六收敛条件，为迭代次数不超过第三预设次数。
其中，所述第二卷积神经网络的参数包括第二输入层的参数、第二隐含模块的参数、第二全连接层的参数、第二输出层的参数。
可以理解的是，步骤S304至步骤S306可以采用所述机器学习平台实现训练过程。
S308、将所述第二特征向量样本值输入所述第二卷积神经子模型，得到与每个所述第二特征向量样本值对应的的第二已训练特征向量；
具体而言，将所述多个第二训练样本对应的第二特征向量样本值依次输入所述第二卷积神经子模型进行特征提取，得到与每个所述第二特征向量样本值对应的的第二已训练特征向量，也就是说，每个所述第二特征向量样本值对应一个所述第二已训练特征向量。
S310、根据所述第二已训练特征向量、所述第二临床数据样本值、所述第二脑卒中病因标定值对所述第二概率神经网络进行训练，得到已训练的第二概率神经子模型；
其中，将所述第一已训练特征向量、所述第一临床数据样本值，得到第一拟合特征向量；根据所述第一拟合特征向量、所述第一脑卒中病因标定值进行训练，得到已训练的第一概率神经子模型。
所述将所述第一已训练特征向量、所述第一临床数据样本值，得到第一拟合特征向量，包括：将所述第一临床数据样本值与所述第一已训练特征向量进行非线性拟合，得到第一拟合特征向量。
其中，包括依次连接的第一概率输入层、第一模式层、第一求和层。第一概率输入层的神经元的个数与第一拟合特征向量的维度数相同。在第一输入层和第一模式层之间的连接是通过一个高斯函数，求得第一模式层中的每个神经元和第一输入层中每个神经元之间的匹配程度，然后通过每类的匹配程度累加求和，再取平均，得到输入的第一拟合特征向量的所属类别。第一求和层用于计算出各个脑卒中病因的概率密度估计。第一求和层的神经元的个数与第一病因甄别值的个数相同，也就是说，第一求和层的每个神经元输出一个第一病因甄别值。
可选的，将根据所述第二拟合特征向量输入所述第二概率神经网络进行分类，得到与第二已训练特征向量对应的第二概率预测向量；根据所述第二概率预测向量、所述第二脑卒中病因标定值，计算所述第二概率神经网络的损失；根据所述第二概率神经网络的损失，计算所述第二概率神经网络的参数的更新值；根据所述第二概率神经网络的参数的更新值更新所述第二概率神经网络的参数，将更新后的所述第二概率神经网络的参数用于下一次计算所述第二概率预测向量；重复执行上述方法步骤直至所述第二概率神经网络的损失达到第七收敛条件或迭代次数达到第八收敛条件，将所述第二概率神经网络的损失达到第七收敛条件或迭代次数达到第八收敛条件的所述第二概率神经网络作为已训练的第二概率神经子模型。
其中，所述第二概率神经网络的损失达到第七收敛条件，为连续两次计算的所述第二概率神经网络的损失的大小满足利普希茨连续条件。所述迭代次数达到第八收敛条件，为迭代次数不超过第四预设次数。
其中，所述第二概率神经网络的参数包括第二概率输入层的参数、第二模式层的参数、第二求和层的参数。
可以理解的是，所述根据所述第二拟合特征向量、所述第二脑卒中病因标定值进行训练，得到已训练的第二概率神经子模型可以采用所述机器学习平台实现训练过程。
S312、将所述第二卷积神经子模型、所述第二概率神经子模型组合成已训练的所述第二病因甄别模型。
其中，将所述第二卷积神经子模型、所述第二概率神经子模型依次拼接，得到所述第二病因甄别模型。也就是说，所述第二卷积神经子模型的输出作为所述第二概率神经子模型的输入。
本实施例实现了基于第二卷积神经网络和第二概率神经网络训练得到第二病因甄别模型。
如图4所示，在一个实施例中，提出了一种基于磁共振图像脑卒中病因甄别装置，所述装置包括：
特征向量获取模块402，用于获取目标特征向量、第一目标临床数据，所述目标特征向量是根据脑部磁共振图像确定的；
第一甄别模块404，用于将所述目标特征向量、所述第一目标临床数据输入第一病因甄别模型进行甄别，得到第一病因甄别值，所述第一病因甄别值包括：大动脉粥样硬化甄别值、心源性栓塞甄别值、穿支动脉闭塞甄别值、其他原因甄别值、不明原因甄别值；
第二甄别模块406，用于根据所述第一病因甄别值确定最大值甄别值，当所述最大值甄别值为所述其他原因甄别值或所述不明原因甄别值时，获取第二目标临床数据，将所述目标特征向量、所述第二目标临床数据输入第二病因甄别模型进行甄别，得到第二病因甄别值；
脑卒中病因确定模块408，用于当所述最大值甄别值为所述大动脉粥样硬化甄别值、所述心源性栓塞甄别值、所述穿支动脉闭塞甄别值中任一个时，根据所述第一病因甄别值确定脑卒中病因甄别结果，当所述最大值甄别值为所述其他原因甄别值或所述不明原因甄别值时，根据所述第二病因甄别值确定所述脑卒中病因甄别结果；
其中，所述目标特征向量、所述第一目标临床数据、所述第二目标临床数据来源于同一被测者。
本实施例通过将目标特征向量、第一目标临床数据输入第一病因甄别模型进行甄别，得到第一病因甄别值；根据第一病因甄别值确定最大值甄别值；当最大值甄别值为大动脉粥样硬化甄别值、心源性栓塞甄别值、穿支动脉闭塞甄别值中任一个时，根据第一病因甄别值确定脑卒中病因甄别结果；当最大值甄别值为其他原因甄别值或不明原因甄别值时，获取第二目标临床数据，将目标特征向量、第二目标临床数据输入第二病因甄别模型进行甄别，得到第二病因甄别值，根据第二病因甄别值确定脑卒中病因甄别结果。目标特征向量是根据脑部磁共振图像确定的，目标特征向量、第一目标临床数据、第二目标临床数据来源于同一被测者，因此目标特征向量、第一目标临床数据、第二目标临床数据可以用于甄别脑卒中病因。采用第一病因甄别模型、第二病因甄别模型进行甄别，可以避免对同一张磁共振图像得出不同的结论，甄别过程充分利用了机器学习的优点，具有较强的泛化能力。将目标特征向量、第一目标临床数据作为输入第一病因甄别模型进行甄别，使得到的第一病因甄别值充分考虑了第一目标临床数据，提高了第一病因甄别值的准确性；将目标特征向量、第二目标临床数据输入第二病因甄别模型进行甄别，使得到的第二病因甄别值充分考虑了第二目标临床数据，提高了第二病因甄别值的准确性。
图5示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图5所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现基于磁共振图像脑卒中病因甄别方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行基于磁共振图像脑卒中病因甄别方法。本领域技术人员可以理解，图5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。
在一个实施例中，本申请提供的一种基于磁共振图像脑卒中病因甄别方法可以实现为一种计算机程序的形式，计算机程序可在如图5所示的计算机设备上运行。计算机设备的存储器中可存储组成的一种基于磁共振图像脑卒中病因甄别装置的各个程序模板。比如，特征向量获取模块402、第一甄别模块404、第二甄别模块406、脑卒中病因确定模块408。
在一个实施例中，提出了一种存储介质，存储有计算机指令程序，所述计算机指令程序被处理器执行时，使得所述处理器执行时实现如下方法步骤：获取目标特征向量、第一目标临床数据，所述目标特征向量是根据脑部磁共振图像确定的；将所述目标特征向量、所述第一目标临床数据输入第一病因甄别模型进行甄别，得到第一病因甄别值，所述第一病因甄别值包括：大动脉粥样硬化甄别值、心源性栓塞甄别值、穿支动脉闭塞甄别值、其他原因甄别值、不明原因甄别值；根据所述第一病因甄别值确定最大值甄别值；当所述最大值甄别值为所述大动脉粥样硬化甄别值、所述心源性栓塞甄别值、所述穿支动脉闭塞甄别值中任一个时，根据所述第一病因甄别值确定脑卒中病因甄别结果；当所述最大值甄别值为所述其他原因甄别值或所述不明原因甄别值时，获取第二目标临床数据，将所述目标特征向量、所述第二目标临床数据输入第二病因甄别模型进行甄别，得到第二病因甄别值，根据所述第二病因甄别值确定所述脑卒中病因甄别结果；其中，所述目标特征向量、所述第一目标临床数据、所述第二目标临床数据来源于同一被测者。
在一个实施例中，提出了一种计算机设备，包括至少一个存储器、至少一个处理器，所述存储器存储有计算机指令程序，所述计算机指令程序被所述处理器执行时，使得所述处理器执行时实现如下方法步骤：获取目标特征向量、第一目标临床数据，所述目标特征向量是根据脑部磁共振图像确定的；将所述目标特征向量、所述第一目标临床数据输入第一病因甄别模型进行甄别，得到第一病因甄别值，所述第一病因甄别值包括：大动脉粥样硬化甄别值、心源性栓塞甄别值、穿支动脉闭塞甄别值、其他原因甄别值、不明原因甄别值；根据所述第一病因甄别值确定最大值甄别值；当所述最大值甄别值为所述大动脉粥样硬化甄别值、所述心源性栓塞甄别值、所述穿支动脉闭塞甄别值中任一个时，根据所述第一病因甄别值确定脑卒中病因甄别结果；当所述最大值甄别值为所述其他原因甄别值或所述不明原因甄别值时，获取第二目标临床数据，将所述目标特征向量、所述第二目标临床数据输入第二病因甄别模型进行甄别，得到第二病因甄别值，根据所述第二病因甄别值确定所述脑卒中病因甄别结果；其中，所述目标特征向量、所述第一目标临床数据、所述第二目标临床数据来源于同一被测者。
需要说明的是，上述一种基于磁共振图像脑卒中病因甄别方法、一种基于磁共振图像脑卒中病因甄别装置、存储介质及计算机设备属于一个总的发明构思，一种基于磁共振图像脑卒中病因甄别方法、一种基于磁共振图像脑卒中病因甄别装置、存储介质及计算机设备实施例中的内容可相互适用。
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，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，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本申请专利范围的限制。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 (10)
1.一种基于磁共振图像脑卒中病因甄别方法，所述方法包括：
获取目标特征向量、第一目标临床数据，所述目标特征向量是根据脑部磁共振图像确定的；
将所述目标特征向量、所述第一目标临床数据输入第一病因甄别模型进行甄别，得到第一病因甄别值，所述第一病因甄别值包括：大动脉粥样硬化甄别值、心源性栓塞甄别值、穿支动脉闭塞甄别值、其他原因甄别值、不明原因甄别值；
根据所述第一病因甄别值确定最大值甄别值；
当所述最大值甄别值为所述大动脉粥样硬化甄别值、所述心源性栓塞甄别值、所述穿支动脉闭塞甄别值中任一个时，根据所述第一病因甄别值确定脑卒中病因甄别结果；
当所述最大值甄别值为所述其他原因甄别值或所述不明原因甄别值时，获取第二目标临床数据，将所述目标特征向量、所述第二目标临床数据输入第二病因甄别模型进行甄别，得到第二病因甄别值，根据所述第二病因甄别值确定所述脑卒中病因甄别结果；
其中，所述目标特征向量、所述第一目标临床数据、所述第二目标临床数据来源于同一被测者。
2.根据权利要求1所述的基于磁共振图像脑卒中病因甄别方法，其特征在于，所述获取目标特征向量、第一目标临床数据，包括：
获取所述脑部磁共振图像；
根据所述脑部磁共振图像进行预处理，得到目标磁共振图像；
根据所述目标磁共振图像，确定所述目标特征向量。
3.根据权利要求1所述的基于磁共振图像脑卒中病因甄别方法，其特征在于，所述方法还包括：
通过机器学习平台构建基于第一卷积神经网络和第一概率神经网络训练的所述第一病因甄别模型。
4.根据权利要求3所述的基于磁共振图像脑卒中病因甄别方法，其特征在于，所述第一病因甄别模型训练步骤如下：
获取多个第一训练样本，所述第一训练样本包括：第一特征向量样本值、第一临床数据样本值、第一特征向量标定值、第一脑卒中病因标定值；
将所述第一特征向量样本值输入所述第一卷积神经网络进行卷积及降采样，得到与每个所述第一特征向量样本值对应的第一提取特征向量；
根据所述第一提取特征向量、所述第一特征向量标定值对所述第一卷积神经网络进行训练，得到已训练的第一卷积神经子模型；
将所述第一特征向量样本值输入所述第一卷积神经子模型，得到与每个所述第一特征向量样本值对应的的第一已训练特征向量；
根据所述第一已训练特征向量、所述第一临床数据样本值、所述第一脑卒中病因标定值对所述第一概率神经网络进行训练，得到已训练的第一概率神经子模型；
将所述第一卷积神经子模型、所述第一概率神经子模型组合成已训练的所述第一病因甄别模型。
5.根据权利要求1所述的基于磁共振图像脑卒中病因甄别方法，其特征在于，所述方法还包括：
通过机器学习平台构建基于第二卷积神经网络和第二概率神经网络训练的所述第二病因甄别模型。
6.根据权利要求5所述的基于磁共振图像脑卒中病因甄别方法，其特征在于，所述第二病因甄别模型训练步骤如下：
获取多个第二训练样本，所述第二训练样本包括：第二特征向量样本值、第二临床数据样本值、第二特征向量标定值、第二脑卒中病因标定值；
将所述第二特征向量样本值输入所述第二卷积神经网络进行卷积及降采样，得到与每个所述第二特征向量样本值对应的第二提取特征向量；
根据所述第二提取特征向量、所述第二特征向量标定值对所述第二卷积神经网络进行训练，得到已训练的第二卷积神经子模型；
将所述第二特征向量样本值输入所述第二卷积神经子模型，得到与每个所述第二特征向量样本值对应的的第二已训练特征向量；
根据所述第二已训练特征向量、所述第二临床数据样本值、所述第二脑卒中病因标定值对所述第二概率神经网络进行训练，得到已训练的第二概率神经子模型；
将所述第二卷积神经子模型、所述第二概率神经子模型组合成已训练的所述第二病因甄别模型。
7.根据权利要求1所述的基于磁共振图像脑卒中病因甄别方法，其特征在于，所述第一目标临床数据包括：脑部B超检测数据和/或血液检测数据；
所述第二目标临床数据包括：经颅多普勒检测数据、疾病检测数据。
8.一种基于磁共振图像脑卒中病因甄别装置，其特征在于，所述装置包括：
特征向量获取模块，用于获取目标特征向量、第一目标临床数据，所述目标特征向量是根据脑部磁共振图像确定的；
第一甄别模块，用于将所述目标特征向量、所述第一目标临床数据输入第一病因甄别模型进行甄别，得到第一病因甄别值，所述第一病因甄别值包括：大动脉粥样硬化甄别值、心源性栓塞甄别值、穿支动脉闭塞甄别值、其他原因甄别值、不明原因甄别值；
第二甄别模块，用于根据所述第一病因甄别值确定最大值甄别值，当所述最大值甄别值为所述其他原因甄别值或所述不明原因甄别值时，获取第二目标临床数据，将所述目标特征向量、所述第二目标临床数据输入第二病因甄别模型进行甄别，得到第二病因甄别值；
脑卒中病因确定模块，用于当所述最大值甄别值为所述大动脉粥样硬化甄别值、所述心源性栓塞甄别值、所述穿支动脉闭塞甄别值中任一个时，根据所述第一病因甄别值确定脑卒中病因甄别结果，当所述最大值甄别值为所述其他原因甄别值或所述不明原因甄别值时，根据所述第二病因甄别值确定所述脑卒中病因甄别结果；
其中，所述目标特征向量、所述第一目标临床数据、所述第二目标临床数据来源于同一被测者。
9.一种存储介质，存储有计算机指令程序，其特征在于，所述计算机指令程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机设备，其特征在于，包括至少一个存储器、至少一个处理器，所述存储器存储有计算机指令程序，所述计算机指令程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010776173.8A CN112102233B (zh) | 2020-08-05 | 2020-08-05 | 基于磁共振图像脑卒中病因甄别方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010776173.8A CN112102233B (zh) | 2020-08-05 | 2020-08-05 | 基于磁共振图像脑卒中病因甄别方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112102233A true CN112102233A (zh) | 2020-12-18 |
| CN112102233B CN112102233B (zh) | 2023-12-26 |
Family
ID=73749608
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010776173.8A Active CN112102233B (zh) | 2020-08-05 | 2020-08-05 | 基于磁共振图像脑卒中病因甄别方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112102233B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020143262A1 (en) * | 1999-11-16 | 2002-10-03 | Bardy Gust H. | System and method for providing diagnosis and monitoring of myocardial ischemia for use in automated patient care |
| US20070100242A1 (en) * | 2005-11-01 | 2007-05-03 | Omron Healthcare Co. Ltd. | Electronic blood pressure monitor with which evaluation quantity related to cardiovascular risks can be calculated |
| CN102433391A (zh) * | 2011-12-06 | 2012-05-02 | 深圳市普瑞康生物技术有限公司 | 一种甲型流感病毒甄别与耐药检测基因芯片的制备和用途 |
| CN105787918A (zh) * | 2014-12-22 | 2016-07-20 | 深圳先进技术研究院 | 一种急性缺血性卒中磁共振图像分析处理方法 |
| US20170016920A1 (en) * | 2014-02-27 | 2017-01-19 | Fundação Oswaldo Cruz (Fiocruz) | Qualitative predictive method for differential diagnosis of pneumococcal, meningococcal and viral meningitis, method and kit for differential diagnosis of meningitis |
| CN106408017A (zh) * | 2016-09-13 | 2017-02-15 | 天津大学 | 基于深度学习的超生颈动脉内中膜厚度测量装置和方法 |
| CN107145756A (zh) * | 2017-05-17 | 2017-09-08 | 上海辉明软件有限公司 | 一种脑卒中类型预测方法以及装置 |
| EP3289868A1 (en) * | 2015-05-01 | 2018-03-07 | Cyberdyne Inc. | Model-animal functional-improvement evaluation apparatus and nerve-cell culturing apparatus |
| CN108257134A (zh) * | 2017-12-21 | 2018-07-06 | 深圳大学 | 基于深度学习的鼻咽癌病灶自动分割方法和系统 |
| CN109509186A (zh) * | 2018-11-09 | 2019-03-22 | 北京邮电大学 | 基于大脑ct图像的缺血性脑卒中病灶检测方法及装置 |
| CN110176309A (zh) * | 2019-05-28 | 2019-08-27 | 上海大学 | 一种用于预测心血管疾病的医疗数据处理方法 |
| KR20190105452A (ko) * | 2018-03-05 | 2019-09-17 | 고려대학교 산학협력단 | 딥러닝 기반 뇌 질환 진단 방법 |
| CN110400301A (zh) * | 2019-07-25 | 2019-11-01 | 中山大学中山眼科中心 | 一种基于眼部特征的脑卒中人工智能筛查方法 |
| US20190365265A1 (en) * | 2018-06-04 | 2019-12-05 | Analytics For Life Inc. | Method and System to Assess Pulmonary Hypertension Using Phase Space Tomography and Machine Learning |
| CN110619957A (zh) * | 2019-08-16 | 2019-12-27 | 深圳市第二人民医院 | 一种脑卒中筛查方法、装置、存储介质及设备 |
| CN111242952A (zh) * | 2020-01-15 | 2020-06-05 | 腾讯科技（深圳）有限公司 | 图像分割模型训练方法、图像分割方法、装置及计算设备 |
| CN111368681A (zh) * | 2020-02-27 | 2020-07-03 | 深圳数联天下智能科技有限公司 | 基于多点定位的活体甄别方法、装置、设备及存储介质 |
-
2020
- 2020-08-05 CN CN202010776173.8A patent/CN112102233B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020143262A1 (en) * | 1999-11-16 | 2002-10-03 | Bardy Gust H. | System and method for providing diagnosis and monitoring of myocardial ischemia for use in automated patient care |
| US20070100242A1 (en) * | 2005-11-01 | 2007-05-03 | Omron Healthcare Co. Ltd. | Electronic blood pressure monitor with which evaluation quantity related to cardiovascular risks can be calculated |
| CN102433391A (zh) * | 2011-12-06 | 2012-05-02 | 深圳市普瑞康生物技术有限公司 | 一种甲型流感病毒甄别与耐药检测基因芯片的制备和用途 |
| US20170016920A1 (en) * | 2014-02-27 | 2017-01-19 | Fundação Oswaldo Cruz (Fiocruz) | Qualitative predictive method for differential diagnosis of pneumococcal, meningococcal and viral meningitis, method and kit for differential diagnosis of meningitis |
| CN105787918A (zh) * | 2014-12-22 | 2016-07-20 | 深圳先进技术研究院 | 一种急性缺血性卒中磁共振图像分析处理方法 |
| EP3289868A1 (en) * | 2015-05-01 | 2018-03-07 | Cyberdyne Inc. | Model-animal functional-improvement evaluation apparatus and nerve-cell culturing apparatus |
| CN106408017A (zh) * | 2016-09-13 | 2017-02-15 | 天津大学 | 基于深度学习的超生颈动脉内中膜厚度测量装置和方法 |
| CN107145756A (zh) * | 2017-05-17 | 2017-09-08 | 上海辉明软件有限公司 | 一种脑卒中类型预测方法以及装置 |
| CN108257134A (zh) * | 2017-12-21 | 2018-07-06 | 深圳大学 | 基于深度学习的鼻咽癌病灶自动分割方法和系统 |
| KR20190105452A (ko) * | 2018-03-05 | 2019-09-17 | 고려대학교 산학협력단 | 딥러닝 기반 뇌 질환 진단 방법 |
| US20190365265A1 (en) * | 2018-06-04 | 2019-12-05 | Analytics For Life Inc. | Method and System to Assess Pulmonary Hypertension Using Phase Space Tomography and Machine Learning |
| CN109509186A (zh) * | 2018-11-09 | 2019-03-22 | 北京邮电大学 | 基于大脑ct图像的缺血性脑卒中病灶检测方法及装置 |
| CN110176309A (zh) * | 2019-05-28 | 2019-08-27 | 上海大学 | 一种用于预测心血管疾病的医疗数据处理方法 |
| CN110400301A (zh) * | 2019-07-25 | 2019-11-01 | 中山大学中山眼科中心 | 一种基于眼部特征的脑卒中人工智能筛查方法 |
| CN110619957A (zh) * | 2019-08-16 | 2019-12-27 | 深圳市第二人民医院 | 一种脑卒中筛查方法、装置、存储介质及设备 |
| CN111242952A (zh) * | 2020-01-15 | 2020-06-05 | 腾讯科技（深圳）有限公司 | 图像分割模型训练方法、图像分割方法、装置及计算设备 |
| CN111368681A (zh) * | 2020-02-27 | 2020-07-03 | 深圳数联天下智能科技有限公司 | 基于多点定位的活体甄别方法、装置、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| JIA XU ET.AL.: "Noninvasive and portable stroke type discrimination and progress monitoring based on a multichannel microwave transmitting–receiving system", PUBMED CENTRAL * |
| 中国卒中学会科学声明专家组;濮月华;荆京;宗黎霞;: "症状性颅内外动脉粥样硬化性大动脉狭窄管理规范――中国卒中学会科学声明", 中国卒中杂志, no. 01 * |
| 张旋: "坏死性凋亡在蛛网膜下腔出血后的损伤作用及其机制研究", 中国优秀硕士学位论文全文数据库 (信息科技辑) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112102233B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108665457B (zh) | 图像识别方法、装置、存储介质及计算机设备 | |
| KR101857624B1 (ko) | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 | |
| TWI742408B (zh) | 一種圖像處理方法、電子設備及儲存介質 | |
| Wang et al. | Frnet: an end-to-end feature refinement neural network for medical image segmentation | |
| Zhang et al. | LU-NET: An improved U-Net for ventricular segmentation | |
| CN112690813B (zh) | 基于分形理论的肿瘤异质性分析方法、系统、终端及介质 | |
| CN109118487B (zh) | 基于非下采样轮廓波变换和卷积神经网络的骨龄评估方法 | |
| CN112465905A (zh) | 基于深度学习的磁共振成像数据的特征脑区定位方法 | |
| CN113488200B (zh) | 智能问诊的方法、装置、计算机设备及存储介质 | |
| Assad et al. | Deep biomedical image classification using diagonal bilinear interpolation and residual network | |
| CN113129293A (zh) | 医学图像分类方法、装置、计算机设备和存储介质 | |
| US20230108389A1 (en) | Data processing method and apparatus, device and medium | |
| CN113850753A (zh) | 医学图像信息计算方法、装置、边缘计算设备和存储介质 | |
| Ren et al. | An improved U-net based retinal vessel image segmentation method | |
| CN111028232A (zh) | 基于眼底图像的糖尿病分类方法及设备 | |
| CN115018863A (zh) | 基于深度学习的图像分割方法及装置 | |
| CN114943721A (zh) | 一种建立基于改进U-Net网络的颈部超声图像分割方法 | |
| CN114548399A (zh) | 多模态数据处理方法和多模态数据处理系统 | |
| Admass et al. | Convolutional neural networks and histogram-oriented gradients: a hybrid approach for automatic mango disease detection and classification | |
| CN113706451A (zh) | 颅内动脉瘤识别检测的方法、装置、系统和计算机可读存储介质 | |
| CN111681233A (zh) | 基于深度神经网络的us-ct图像分割方法、系统及设备 | |
| CN112102233A (zh) | 基于磁共振图像脑卒中病因甄别方法、装置、设备及介质 | |
| CN115359066B (zh) | 用于内窥镜的病灶检测方法、装置、电子设备及存储介质 | |
| CN109191425B (zh) | 基于多层神经网络模型医学影像分析方法 | |
| CN115689981A (zh) | 基于信息融合的肺部图像检测方法、装置及存储介质 |
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 |