CN112700877A - 一种血管介入训练安全防护方法 - Google Patents

一种血管介入训练安全防护方法 Download PDF

Info

Publication number
CN112700877A
CN112700877A CN202110031720.4A CN202110031720A CN112700877A CN 112700877 A CN112700877 A CN 112700877A CN 202110031720 A CN202110031720 A CN 202110031720A CN 112700877 A CN112700877 A CN 112700877A
Authority
CN
China
Prior art keywords
training
safety protection
protection method
guide wire
neural network
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
Application number
CN202110031720.4A
Other languages
English (en)
Inventor
顾力栩
杨智凯
王皓宇
吴蔚
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202110031720.4A priority Critical patent/CN112700877A/zh
Publication of CN112700877A publication Critical patent/CN112700877A/zh
Pending legal-status Critical Current

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
    • G16H50/50—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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种血管介入训练安全防护方法，涉及血管介入训练技术领域，包括以下步骤：记录血管介入手术训练操作过程中，导丝的多个位置值，建立用于训练神经网络的第一数据集；进行数据预处理，得到第二数据集；建立基于长短时记忆神经网络的预测模型，进行模型训练并保存模型权重；在使用者使用导航系统时，读取导丝的当前位置值，加载模型权重并使用预测模型进行预测；使用Kdtree数据结构计算出所述预测值与血管中心线的偏移距离；当偏移距离大于阈值时，进行安全风险提示。该方法能够在血管介入手术训练过程中进行行为预测，预先进行安全防护风险提示。

Description

一种血管介入训练安全防护方法
技术领域
本发明涉及血管介入训练技术领域，尤其涉及一种血管介入训练安全防护方法。
背景技术
血管介入治疗技术是使用现代高科技手段，通过结合使用CT或数字减影血管造影技术在手术过程中获取实时影像，但是医生无法获取一个相对清晰的内部情况，只能在获取静态的体绘制影像或二维减影图像，所以在手术过程中就很容易出现各种危险情况，如导丝误将血管捅破造成出血甚至病人死亡，为此医生需要大量的训练才能获取足够经验以对病人进行手术操作。
在目前的研究中，陶丽等人在论文《Safety Protection Based onElectromagnetic Navigation in Robot-assisted Vascular Interventional Surgery》中提出了基于使用基尔霍夫弹性杆和电磁导航技术的手术安全防护方式进行介入手术的安全防范。郭建等人提出的一种血管介入手术操作的安全性预警系统中通过在手术导管中放置前端碰撞力传感器以及在运动过程中使用阻力传感器来记录受力情况，同时安置导管径向轴向的运动传感器，能够更精确的获得运动量和阻力值，当数值到达安全预警区时进行安全提示。吴健等人提出一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置，主要是通过接收待测的临床特征数据来进行在心血管介入手术过程中预测不良事件，其数据主要来自于临床特征。
上述三种安全防护方式均是基于当前的行为或术前的临床特征进行预警，而无法预判未来的行为，不能充分考虑到当前的行为对未来行为的风险提示。
因此，本领域的技术人员致力于开发一种血管介入训练安全防护方法，以供使用者在血管介入训练过程中，结合当前行为来预测未来行为，从而进行安全风险防护提示。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何通过当前的血管介入手术训练行为来预测未来行为，从而提供安全防护提示和预警。
为实现上述目的，本发明提供了一种血管介入训练安全防护方法，包括：
步骤1、记录使用者进行手术血管介入手术训练操作过程中，导丝在移动过程中的多个位置值，根据所述多个位置值建立用于训练神经网络的第一数据集；
步骤2、对所述第一数据集进行数据预处理，得到第二数据集；
步骤3、建立基于长短时记忆神经网络的预测模型，在所述第二数据集上进行模型训练并保存模型权重；
步骤4、在使用者使用导航系统时，读取所述导丝在磁导航空间下的当前坐标值，加载所述模型权重并使用所述预测模型进行预测，得到所述导丝在所述磁导航空间的第一预测坐标值；将所述第一预测坐标值通过变换矩阵转换为第二预测坐标值；
步骤5、使用Kdtree数据结构计算出所述第二预测坐标值与血管中心线的偏移距离；
步骤6、当所述偏移距离大于术前规定阈值时，进行安全风险提示；否则使所述导丝继续移动到下一步并读取所述导丝的当前位置值，以及转入步骤4继续执行。
进一步地，所述导丝包括附着有磁导航传感器的导丝。
进一步地，所述步骤2中的所述数据预处理包括滤波平滑和归一化。
进一步地，建立所述基于长短时记忆神经网络的预测模型的公式如下：
ft＝σ(Wf[ht-1，xt]+bf)
it＝σ(Wi[ht-1，xt]+bi)
Figure BDA0002892598490000021
Figure BDA0002892598490000022
ot＝σ(Wo[ht-1，xt]+bo)
ht＝ot*tanh(Ct)
其中，ft，xt为所述预测模型的输入，其中xt为输入数据序列，ft为计算单元中间值，ot，ht为所述预测模型的输出，其中ot为输出值，ht为中间输出值，Wi，Wi，WC，Wo和bf，bi，bc，bo的权重和偏置量，σ为sigmoid函数，σ的计算公式为
Figure BDA0002892598490000023
tanh的计算公式为
Figure BDA0002892598490000024
进一步地，所述公式的计算流程为一个长短时记忆神经网络单元，由多个所述长短时记忆神经网络单元级联组成一个完整的所述预测模型。
进一步地，所述预测模型的末端包括全连接层和失活层，所述全连接层被配置为将前一层网络的输出与每个神经元进行连接构建，所述失活层被配置为在训练过程中随机将某些神经网络连接剔除，从而增强所述预测模型的泛化能力。
进一步地，在所述步骤3中，使用均方根误差MSE作为反向传播误差，所述均方根误差的计算公式为：
Figure BDA0002892598490000025
其中，M为一批数据的数量，N为预测的维度，
Figure BDA0002892598490000026
为第j个样本的第i维度。
进一步地，在所述步骤3中，所述模型训练包括使用adam优化器进行梯度下降训练。
进一步地，所述第一预测坐标值是磁导航空间坐标系下的，所述第二预测坐标值是CT图像坐标系下的，所述变换矩阵是从所述磁导航空间坐标系到所述CT图像坐标系的转换。
进一步地，所述血管中心线是从三维重建的血管模型中通过使用中心线提取算法提取出来的三维点云数据。
与现有技术方案相比，本发明的有益技术效果在于：利用长短时记忆神经网络算法，根据导丝的当前位置来预测计算导丝中心线在血管中的下一步位置，从而在血管介入手术训练过程中进行行为预测，预先进行安全防护风险提示。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的流程图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
如图1所示，一种血管介入训练安全防护方法，包括以下6个步骤。其中，步骤1、2、3属于训练阶段，步骤4、5、6属于测试阶段。
步骤1、记录使用者进行手术血管介入手术训练操作过程中，导丝在移动过程中的多个位置值，根据所述多个位置值建立用于训练神经网络的第一数据集；
其中，导丝附着有磁导航传感器，可以用该传感器来测量记录导丝在移动中的实时位置。
步骤2、对所述第一数据集进行数据预处理，得到第二数据集；
其中，对数据处理包括有滤波平滑、归一化，同时制作模型标签，采用滑动窗口方式进行数据处理，一个窗口有m+n个数据，其中一组样本的输入为磁导航传感器数据序列中的前n个采样点，输出磁导航传感器数据序列为m个采样点位置。
步骤3、建立基于长短时记忆神经网络的预测模型，在所述第二数据集上进行模型训练并保存模型权重；
其中，长短时记忆神经网络为传统神经网络结构的一种特例，其特点在于擅长序列数据的预测。建立基于长短时记忆神经网络的预测模型的公式如下：
ft＝σ(Wf[ht-1，xt]+bf)
it＝σ(Wi[ht-1，xt]+bi)
Figure BDA0002892598490000031
Figure BDA0002892598490000032
ot＝σ(Wo[ht-1，xt]+bo)
ht＝ot*tanh(Ct)
其中，ft，xt为所述预测模型的输入，其中xt为输入数据序列，ft为计算单元中间值，ot，ht为所述预测模型的输出，其中ot为输出值，ht为中间输出值，Wi，Wi，WC，Wo和bf，bi，bc，bo的权重和偏置量，σ为sigmoid函数，σ的计算公式为
Figure BDA0002892598490000041
tanh的计算公式为
Figure BDA0002892598490000042
这些公式的计算流程为一个长短时记忆神经网络单元，由多个长短时记忆神经网络单元级联组成一个完整的预测模型。
此外，基于长短时记忆神经网络的预测模型的末端包括全连接层和失活层，全连接层被配置为将前一层网络的输出与每个神经元进行连接构建，失活层被配置为在训练过程中随机将某些神经网络连接剔除，从而增强所述预测模型的泛化能力。
在步骤3中，使用均方根误差MSE作为反向传播误差，所述均方根误差的计算公式为：
Figure BDA0002892598490000043
其中，M为一批数据的数量，N为预测的维度，
Figure BDA0002892598490000044
为第j个样本的第i维度。
在步骤3中，模型训练包括使用adam优化器进行梯度下降训练。
步骤4、在使用者使用导航系统时，读取所述导丝在磁导航空间下的当前坐标值，加载所述模型权重并使用所述预测模型进行预测，得到所述导丝在所述磁导航空间的第一预测坐标值；将所述第一预测坐标值通过变换矩阵转换为第二预测坐标值；
其中，第一预测坐标值是磁导航空间坐标系下测得的，第二预测坐标值是CT图像坐标系下的，所述变换矩阵是从所述磁导航空间坐标系到所述CT图像坐标系的转换。
步骤5、使用Kdtree数据结构计算出所述预测值与血管中心线的偏移距离；
其中，血管中心线是从三维重建的血管模型中通过使用中心线提取算法提取出来的三维点云数据。利用血管中心线点集来构建kdtree，用于查找磁导航传感器坐标到血管中心线点集最近距离查询。所使用的kdtree是k-dimensional树的简称，是一种对k维空间中的实例点进行存储以便对其进行快速检索的树形数据结构。
步骤6、当所述偏移距离大于术前规定阈值时，进行安全风险提示；否则使所述导丝继续移动到下一步并读取所述导丝的当前位置值，以及转入步骤4继续执行。
由于该部分实验操作涉及深度神经网络构建，上文所有设计的实验操作改为在一台高性能的计算机工作站上的Windows系统中运行。该计算机自带Intel(R)Core(TM)i7-9750H CPU(主频2.60GHz)，16G系统内存与一块NVIDIA1650显卡。
整个实验设计的代码是用Python和C++编写，python主要实现神经网络模型的训练，C++部分实现使用kdtree得到预测点到中心线距离，通过由NDI公司生产的Aurora电磁导航跟踪系统进行导丝末端点跟踪定位。
在此实验中，使用长短时记忆神经网络(LSTM)与双向长短时记忆神经网络(BiLSTM)和门控循环单元(Gate Recurrent Unit，GRU)进行对比。
通过使用Keras进行神经网络搭建，训练使用Adma优化器，Batchsize设置为512，损失函数为MSE，训练1000Epoch。使用五种误差计算方法进行对比，包括RMSE、MSE、MAPE、SMAPE和MAE。计算误差公式如下：
Figure BDA0002892598490000051
Figure BDA0002892598490000052
Figure BDA0002892598490000053
Figure BDA0002892598490000054
Figure BDA0002892598490000055
其中N代表一批训练数据的数量，pi为真实值，
Figure BDA0002892598490000056
为预测值。
表1不同神经网络模型对比精度对比结果
Figure BDA0002892598490000057
如表1所示，其中LSTM的预测准确率在五种误差计算公式中最低误差，由此可以看出LSTM的在用于预测导丝未来移动轨迹预测中性能最好。而BiLSTM和GRU相比，BiLSTM预测效果好于GRU，虽然一般而言更容易收敛，但是在这个轨迹预测问题上效果不如LSTM一类算法效果。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种血管介入训练安全防护方法，其特征在于，包括：
步骤1、记录使用者进行手术血管介入手术训练操作过程中，导丝在移动过程中的多个位置值，根据所述多个位置值建立用于训练神经网络的第一数据集；
步骤2、对所述第一数据集进行数据预处理，得到第二数据集；
步骤3、建立基于长短时记忆神经网络的预测模型，在所述第二数据集上进行模型训练并保存模型权重；
步骤4、在使用者使用导航系统时，读取所述导丝在磁导航空间下的当前坐标值，加载所述模型权重并使用所述预测模型进行预测，得到所述导丝在所述磁导航空间的第一预测坐标值；将所述第一预测坐标值通过变换矩阵转换为第二预测坐标值；
步骤5、使用Kdtree数据结构计算出所述第二预测坐标值与血管中心线的偏移距离；
步骤6、当所述偏移距离大于术前规定阈值时，进行安全风险提示；否则使所述导丝继续移动到下一步并读取所述导丝的当前位置值，以及转入步骤4继续执行。
2.如权利要求1所述的血管介入训练安全防护方法，其特征在于，所述导丝包括附着有磁导航传感器的导丝。
3.如权利要求1所述的血管介入训练安全防护方法，其特征在于，所述步骤2中的所述数据预处理包括滤波平滑和归一化。
4.如权利要求1所述的血管介入训练安全防护方法，其特征在于，建立所述基于长短时记忆神经网络的预测模型的公式如下：
ft＝σ(Wf[ht-1，xt]+bf)
it＝σ(Wi[ht-1，xt]+bi)
Figure FDA0002892598480000011
Figure FDA0002892598480000012
ot＝σ(Wo[ht-1，xt]+bo)
ht＝ot*tanh(Ct)
其中，ft，xt为所述预测模型的输入，其中xt为输入数据序列，ft为计算单元中间值，ot，ht为所述预测模型的输出，其中ot为输出值，ht为中间输出值，Wi，Wi，WC，Wo和bf，bi，bc，bo的权重和偏置量，σ为sigmoid函数，σ的计算公式为
Figure FDA0002892598480000013
tanh的计算公式为
Figure FDA0002892598480000014
5.如权利要求4所述的血管介入训练安全防护方法，其特征在于，所述公式的计算流程为一个长短时记忆神经网络单元，由多个所述长短时记忆神经网络单元级联组成一个完整的所述预测模型。
6.如权利要求1所述的血管介入训练安全防护方法，其特征在于，所述预测模型的末端包括全连接层和失活层，所述全连接层被配置为将前一层网络的输出与每个神经元进行连接构建，所述失活层被配置为在训练过程中随机将某些神经网络连接剔除，从而增强所述预测模型的泛化能力。
7.如权利要求1所述的血管介入训练安全防护方法，其特征在于，在所述步骤3中，使用均方根误差MSE作为反向传播误差，所述均方根误差的计算公式为：
Figure FDA0002892598480000021
其中，M为一批数据的数量，N为预测的维度，
Figure FDA0002892598480000022
为第j个样本的第i维度。
8.如权利要求1所述的血管介入训练安全防护方法，其特征在于，在所述步骤3中，所述模型训练包括使用adam优化器进行梯度下降训练。
9.如权利要求1所述的血管介入训练安全防护方法，其特征在于，所述第一预测坐标值是磁导航空间坐标系下的，所述第二预测坐标值是CT图像坐标系下的，所述变换矩阵是从所述磁导航空间坐标系到所述CT图像坐标系的转换。
10.如权利要求1所述的血管介入训练安全防护方法，其特征在于，所述血管中心线是从三维重建的血管模型中通过使用中心线提取算法提取出来的三维点云数据。
CN202110031720.4A 2021-01-11 2021-01-11 一种血管介入训练安全防护方法 Pending CN112700877A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110031720.4A CN112700877A (zh) 2021-01-11 2021-01-11 一种血管介入训练安全防护方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110031720.4A CN112700877A (zh) 2021-01-11 2021-01-11 一种血管介入训练安全防护方法

Publications (1)

Publication Number Publication Date
CN112700877A true CN112700877A (zh) 2021-04-23

Family

ID=75513835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110031720.4A Pending CN112700877A (zh) 2021-01-11 2021-01-11 一种血管介入训练安全防护方法

Country Status (1)

Country Link
CN (1) CN112700877A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830487A (zh) * 2018-06-21 2018-11-16 王芊霖 基于长短时神经网络的电力负荷预测方法
CN209713130U (zh) * 2017-09-30 2019-12-03 天津理工大学 一种血管介入手术操作的安全性预警系统
CN110664524A (zh) * 2018-10-08 2020-01-10 北京昆仑医云科技有限公司 用于引导血管中的支架植入的装置、系统和介质
CN111243746A (zh) * 2020-01-20 2020-06-05 上海奥朋医疗科技有限公司 一种血管介入手术机器人的手术仿真方法及系统
CN111916214A (zh) * 2020-07-16 2020-11-10 天津理工大学 一种用于血管介入手术医生训练系统的导管轨迹预测方法
CN111933268A (zh) * 2020-07-15 2020-11-13 天津理工大学 一种用于血管介入手术机器人系统的时滞误差预测控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN209713130U (zh) * 2017-09-30 2019-12-03 天津理工大学 一种血管介入手术操作的安全性预警系统
CN108830487A (zh) * 2018-06-21 2018-11-16 王芊霖 基于长短时神经网络的电力负荷预测方法
CN110664524A (zh) * 2018-10-08 2020-01-10 北京昆仑医云科技有限公司 用于引导血管中的支架植入的装置、系统和介质
CN111243746A (zh) * 2020-01-20 2020-06-05 上海奥朋医疗科技有限公司 一种血管介入手术机器人的手术仿真方法及系统
CN111933268A (zh) * 2020-07-15 2020-11-13 天津理工大学 一种用于血管介入手术机器人系统的时滞误差预测控制方法
CN111916214A (zh) * 2020-07-16 2020-11-10 天津理工大学 一种用于血管介入手术医生训练系统的导管轨迹预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张德丰: "《TensorFlow深度学习从入门到进阶》", 30 April 2020, 机械工业出版社 *

Similar Documents

Publication Publication Date Title
Alam et al. Machine learning approach of automatic identification and counting of blood cells
Mahajan et al. Meta-dermdiagnosis: Few-shot skin disease identification using meta-learning
CN111160139B (zh) 心电信号的处理方法、装置及终端设备
CN111368079B (zh) 一种文本分类的方法、模型训练的方法、装置及存储介质
CN111858859A (zh) 自动问答处理方法、装置、计算机设备及存储介质
CN110188272A (zh) 一种基于用户背景的社区问答网站标签推荐方法
Moldovan Transfer learning based method for two-step skin cancer images classification
Ye et al. ECG generation with sequence generative adversarial nets optimized by policy gradient
CN108563626A (zh) 医疗文本命名实体识别方法和装置
Abdallah et al. Automated question-answer medical model based on deep learning technology
CN109508740B (zh) 基于高斯混合噪声生成式对抗网络的物体硬度识别方法
CN113496123B (zh) 谣言检测方法、装置、电子设备及存储介质
CN115034315B (zh) 基于人工智能的业务处理方法、装置、计算机设备及介质
CN109493976A (zh) 基于卷积神经网络模型的慢性病复发预测方法和装置
CN118277573B (zh) 基于ChatGLM模型的院前急救文本分类标注方法、电子设备、存储介质及计算机程序产品
Lapjaturapit et al. Multi-candidate word segmentation using bi-directional LSTM neural networks
Badriyah et al. Improving stroke diagnosis accuracy using hyperparameter optimized deep learning
US12033365B2 (en) Image processing method and apparatus and storage medium
CN117390371A (zh) 基于卷积神经网络的轴承故障诊断方法、装置及设备
CN116306783A (zh) 基于lstm-dcgan模型的fhr数据增强方法
Tran et al. Exploring a deep learning pipeline for the BioCreative VI precision medicine task
Rangulov et al. Emotion recognition on large video dataset based on convolutional feature extractor and recurrent neural network
CN112700877A (zh) 一种血管介入训练安全防护方法
Guo et al. Siamese Network-Based Few-Shot Learning for Classification of Human Peripheral Blood Leukocyte
Zelinka Baselines for reinforcement learning in text games

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210423