CN112908484A - 一种跨模态融合分析疾病的系统、设备、存储介质 - Google Patents
一种跨模态融合分析疾病的系统、设备、存储介质 Download PDFInfo
- Publication number
- CN112908484A CN112908484A CN202110063106.6A CN202110063106A CN112908484A CN 112908484 A CN112908484 A CN 112908484A CN 202110063106 A CN202110063106 A CN 202110063106A CN 112908484 A CN112908484 A CN 112908484A
- Authority
- CN
- China
- Prior art keywords
- fluid
- module
- characteristic information
- diseases
- prostatic fluid
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 63
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 63
- 230000004927 fusion Effects 0.000 title claims abstract description 25
- 210000004908 prostatic fluid Anatomy 0.000 claims abstract description 53
- 210000002307 prostate Anatomy 0.000 claims abstract description 36
- 239000012530 fluid Substances 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 208000024891 symptom Diseases 0.000 claims abstract description 29
- 238000005065 mining Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000004891 communication Methods 0.000 claims description 9
- 210000002700 urine Anatomy 0.000 claims description 9
- IIZPXYDJLKNOIY-JXPKJXOSSA-N 1-palmitoyl-2-arachidonoyl-sn-glycero-3-phosphocholine Chemical compound CCCCCCCCCCCCCCCC(=O)OC[C@H](COP([O-])(=O)OCC[N+](C)(C)C)OC(=O)CCC\C=C/C\C=C/C\C=C/C\C=C/CCCCC IIZPXYDJLKNOIY-JXPKJXOSSA-N 0.000 claims description 6
- 210000003743 erythrocyte Anatomy 0.000 claims description 6
- 229940067606 lecithin Drugs 0.000 claims description 6
- 235000010445 lecithin Nutrition 0.000 claims description 6
- 239000000787 lecithin Substances 0.000 claims description 6
- 210000000265 leukocyte Anatomy 0.000 claims description 5
- 210000002919 epithelial cell Anatomy 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000027939 micturition Effects 0.000 claims description 3
- 238000009666 routine test Methods 0.000 claims description 2
- 230000019771 cognition Effects 0.000 abstract description 5
- 206010061218 Inflammation Diseases 0.000 description 3
- 206010060862 Prostate cancer Diseases 0.000 description 3
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 3
- 208000010877 cognitive disease Diseases 0.000 description 3
- 230000004054 inflammatory process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000028327 secretion Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- KEQXNNJHMWSZHK-UHFFFAOYSA-L 1,3,2,4$l^{2}-dioxathiaplumbetane 2,2-dioxide Chemical compound [Pb+2].[O-]S([O-])(=O)=O KEQXNNJHMWSZHK-UHFFFAOYSA-L 0.000 description 1
- 206010039954 Seminal vesiculitis Diseases 0.000 description 1
- 241000224526 Trichomonas Species 0.000 description 1
- 208000012001 Trichomonas prostatitis Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 206010024378 leukocytosis Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 201000007094 prostatitis Diseases 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 201000010653 vesiculitis Diseases 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
-
- 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
- G06T2207/30081—Prostate
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开一种跨模态融合分析疾病的系统、设备、存储介质，所述方法包括：数据获取模块：用于获取多个前列腺液外观图像样本、对应的前列腺液常规检测数据以及伴随症状特征信息；预处理模块：用于对前列腺液外观图像样本进行图像特征提取，将对应的前列腺液常规检测数据以及伴随症状特征信息进行预处理；特征融合模块：用于将预处理后的三种特征融合在一起，并进行归一化处理，形成前列腺液医学生物特征与对应疾病的集合；关系挖掘模块：用于利用关联规则挖掘算法提取前列腺液医学生物特征与对应疾病之间的关联规则；疾病分析模块：用于基于关系挖掘模块的关联规则进行疾病分析。本发明实现了基于跨模态融合的疾病自动认知与分析。
Description
技术领域
本发明属于数据处理技术领域，具体涉及一种跨模态融合分析疾病的系统、设备、存储介质。
背景技术
人体分泌物在一定程度上反映了人体的健康状况，比如前列腺液是前列腺的分泌物，正常前列腺液外观呈稀薄的淡乳白色，感染了炎症性状发生改变，炎症严重时物质地可变浓厚，色泽变黄或呈淡红色混浊，或含絮状物，并黏丝。前列腺癌时，前列腺液常显不同程度的血性。
目前在进行前列腺液常规检查时，在较大程度上依赖于人工检查，比如在载玻片上由检验人员使用显微镜人工目测若干个高倍视野后，估算白细胞、红细胞、卵磷脂小体等指标的平均值并出具检验报告。这些检测方式过度依赖常规检测数据，当需要结合外观性状进行判断时则依赖于专家经验，不利于前列腺相关疾病分析。
发明内容
有鉴于此，本发明提出了一种跨模态融合分析疾病的系统、设备、存储介质，用于解决前列腺检查时过度依赖常规检测数据和专家经验的问题。
本发明第一方面，公开一种跨模态融合分析疾病的系统，所述方法包括：
数据获取模块：用于获取多个前列腺液外观图像样本、对应的前列腺液常规检测数据以及伴随症状特征信息；
预处理模块：用于对前列腺液外观图像样本进行图像特征提取，将对应的前列腺液常规检测数据以及伴随症状特征信息进行预处理；
特征融合模块：用于将前列腺液外观图像特征、预处理后的前列腺液常规检测数据、伴随症状特征信息融合在一起，并进行归一化处理，形成前列腺液医学生物特征与对应疾病的集合；
关系挖掘模块：用于利用关联规则挖掘算法提取前列腺液医学生物特征与对应疾病之间的关联规则.
优选的，所述数据获取模块中，所述前列腺液常规检测数据包括前列腺液的卵磷脂小体、上皮细胞、红细胞、白细胞、精子、PH值；所述伴随症状特征信息包括但不限于尿频、尿急、尿不尽、尿滴白、尿分叉、前列腺液分泌过多。
优选的，所述预处理模块具体包括：
通过HSV颜色空间的分量表，提取前列腺液外观图像中的淡乳白色区域，并通过淡乳白色区域面积进行前列腺液外观性状的判定；
提取前列腺液常规检测数据的数值；
提取伴随症状特征信息的关键字，对伴随症状特征信息进行向量化表示。
优选的，所述关系挖掘模块具体包括：
阈值设置单元：预先设置最小支持度阈值、最小置信度阈值；
规则分析单元：基于前列腺液医学生物特征与对应疾病的集合，利用关联规则挖掘算法对集合中的每一类疾病的前列腺液外观图像特征、前列腺液常规检测数据、伴随症状特征信息分别进行关联规则分析，得到前列腺液外观图像特征、前列腺液常规检测数据、伴随症状特征信息与对应疾病之间的关联规则。
优选的，所述关联规则挖掘算法为Aprior算法或频繁模式增长树算法。
优选的，所述系统还包括疾病分析模块：用于基于关系挖掘模块的关联规则进行疾病分析。
优选的，所述疾病分析模块具体用于：利用关系挖掘模块提取出的关联规则识别出待识别前列腺液的异常状况，预测潜在疾病，给出对应的解决方案。
本发明第二方面，公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如本发明第一方面所述的系统。
本发明第三方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明第一方面所述的系统。
本发明相对于现有技术具有以下有益效果：
1)本发明综合了前列腺液不同模态的特征信息，包括前列腺液外观图像样本、对应的前列腺液常规检测数据以及伴随症状特征信息，并建立融合后的特征集合，利用关联规则算法分析疾病与各个模态特征之间的对应关系，可明确前列腺液医学生物特征与对应疾病之间的关联规则，将疾病与各个模态特征之间原本模糊的关系进行量化表示，基于量化表示的关联规则实现基于跨模态融合的疾病自动认知与分析，避免过度依赖常规检测数据和专家经验，降低了疾病认知难度；
2)本发明跨模态融合认知疾病的系统既保留了单个模态的信息特点，又可以综合利用多模态的特征信息，提高了认知疾病和最终决策的可靠性。
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。
图1为本发明的跨模态融合分析疾病的系统结构示意图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
请参阅图1，本发明提出一种跨模态融合分析疾病的系统，所述方法包括：数据获取模块10、预处理模块20、特征融合模块30、关系挖掘模块40、疾病分析模块50；
数据获取模块10，用于获取多个前列腺液外观图像样本、对应的前列腺液常规检测数据以及伴随症状特征信息；
具体的，所述前列腺液常规检测数据包括前列腺液的卵磷脂小体、上皮细胞、红细胞、白细胞、精子、PH值；所述伴随症状特征信息包括但不限于尿频、尿急、尿不尽、尿滴白、尿分叉、前列腺液分泌过多。
预处理模块20，用于对前列腺液外观图像样本进行图像特征提取，将对应的前列腺液常规检测数据以及伴随症状特征信息进行预处理；
具体的，通过HSV颜色空间的分量表，提取前列腺液外观图像中的淡乳白色区域，并通过淡乳白色区域面积进行前列腺液外观性状的判定；提取前列腺液常规检测数据的数值；提取伴随症状特征信息的关键字，对伴随症状特征信息进行向量化表示。
前列腺液外观图像样本特征提取的主要方法为：1)、首先对采集的RGB空间的图像进行滤波处理，转化到Lab颜色空间并在b通道利用OTSU算法进行分割，对得到二值图取反和形态学处理，最后将处理后的二值图与原图与操作后得到彩色分割图；2)、对彩色分割效果图转换到HSV空间，通过查取HSV淡乳白色分量表对图像进行淡乳白色区域进行提取，通过得到的淡乳白色区域确定前列腺液外观性状以及是否异常。
特征融合模块30，用于将前列腺液外观图像特征、预处理后的前列腺液常规检测数据、伴随症状特征信息融合在一起，并进行归一化处理，形成前列腺液医学生物特征与对应疾病的集合；
前列腺液外观图像特征、预处理后的前列腺液常规检测数据、伴随症状特征信息均可指示对应的疾病，比如，当前列腺轻度炎症时，前列腺液外观无明显改变；炎症较重时可见不同程度的脓性或脓血性。这时前列腺液脓稠、色黄、混浊或含絮状物；前列腺癌时，前列腺液常显不同程度的血性。轻度前列腺炎时镜检可见白细胞增多，常超过10个/HPF，可成堆出现；上皮细胞增多，卵磷脂小体减少；炎症较重时镜下可见大量白细胞及上皮细胞，还可见到不同数量的红细胞；卵磷脂小体明显减少；当精囊炎、前列腺癌时，前列腺液中可见大量红细胞；滴虫性前列腺炎时可见滴虫等。
本发明将不同的医学生物特征进行融合，得到每种疾病与对应的前列腺液医学生物特征的集合，基于该集合来挖掘前列腺液医学生物特征与疾病之间的关联关系。
关系挖掘模块40，用于利用关联规则挖掘算法提取前列腺液医学生物特征与对应疾病之间的关联规则；所述关联规则挖掘算法为Aprior算法或频繁模式增长树算法。所述关系挖掘模块具体包括：
阈值设置单元，用于预先设置最小支持度阈值、最小置信度阈值；
规则分析单元，用于基于前列腺液医学生物特征与对应疾病的集合，利用关联规则挖掘算法对集合中的每一类疾病的前列腺液外观图像特征、前列腺液常规检测数据、伴随症状特征信息分别进行关联规则分析，得到前列腺液外观图像特征、前列腺液常规检测数据、伴随症状特征信息与对应疾病之间的关联规则。
以Apriori算法为例，Apriori算法是一个逐层(level-wise)算法，即从频繁1项集到最长的频繁项集，它每次遍历项集格中的一层；Apriori算法使用产生-测试策略来发现频繁项集，在每次迭代之后，新的候选项集都由前一次迭代发现的频繁项集产生，然后对每个候选的支持度进行计数，并与最小支持度阈值进行比较。
具体步骤包括：首先，通过扫描前列腺液医学生物特征与对应疾病的集合，产生一个大的候选数据项集，并计算每个候选数据项发生的次数，然后基于预先给定的最小支持度生成频繁1项集的集合，该集合记作L1；然后基于L1和数据集中的数据，产生频繁2项集L2；用同样的方法，直到生成频繁n项集，其中已不再可能生成满足最小支持度的(N+1)项集；最后，导出前列腺液外观图像特征、前列腺液常规检测数据、伴随症状特征信息与对应疾病之间的关联规则。
本发明可将疾病与各个模态特征之间原本模糊的关系进行量化表示，基于量化表示的关联规则实现基于跨模态融合的疾病自动认知与分析，避免过度依赖常规检测数据和专家经验，降低了疾病认知难度。疾病分析模块50，用于基于关系挖掘模块的关联规则进行疾病分析。利用关系挖掘模块提取出的关联规则识别出待识别前列腺液的异常状况，预测潜在疾病，给出对应的解决方案。
本发明对于每一个模态的特征，分别不同方法进行特征提取，然后将这些特征进行融合，综合不同模态的特征信息，并建立融合后的特征集合，再利用关联规则算法，得到最终的认知结果。既保留了单个模态的信息特点，又可以综合利用多模态的特征信息，提高了最终认知疾病决策的可靠性。
本发明还公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明前述的系统，比如包括数据获取模块、预处理模块、特征融合模块、关系挖掘模块、疾病分析模块。
本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明实施例所述的全部系统或部分系统。例如包括数据获取模块、预处理模块、特征融合模块、关系挖掘模块、疾病分析模块。所述存储介质包括：U盘、移动硬盘、存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的，其中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，即可以分布到多个网络单元上。可以根据实际的衙要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种跨模态融合分析疾病的系统，其特征在于，所述方法包括：
数据获取模块：用于获取多个前列腺液外观图像样本、对应的前列腺液常规检测数据以及伴随症状特征信息；
预处理模块：用于对前列腺液外观图像样本进行图像特征提取，将对应的前列腺液常规检测数据以及伴随症状特征信息进行预处理；
特征融合模块：用于将前列腺液外观图像特征、预处理后的前列腺液常规检测数据、伴随症状特征信息融合在一起，并进行归一化处理，形成前列腺液医学生物特征与对应疾病的集合；
关系挖掘模块：用于利用关联规则挖掘算法提取前列腺液医学生物特征与对应疾病之间的关联规则。
2.根据权利要求1所述跨模态融合分析疾病的系统，其特征在于，所述数据获取模块中，所述前列腺液常规检测数据包括前列腺液的卵磷脂小体、上皮细胞、红细胞、白细胞、精子、PH值；所述伴随症状特征信息包括但不限于尿频、尿急、尿不尽、尿滴白、尿分叉、前列腺液分泌过多。
3.根据权利要求1所述跨模态融合分析疾病的系统，其特征在于，所述预处理模块具体包括：
通过HSV颜色空间的分量表，提取前列腺液外观图像中的淡乳白色区域，并通过淡乳白色区域面积进行前列腺液外观性状的判定；
提取前列腺液常规检测数据的数值；
提取伴随症状特征信息的关键字，对伴随症状特征信息进行向量化表示。
4.根据权利要求1所述跨模态融合分析疾病的系统，其特征在于，所述关系挖掘模块具体包括：
阈值设置单元：预先设置最小支持度阈值、最小置信度阈值；
规则分析单元：基于前列腺液医学生物特征与对应疾病的集合，利用关联规则挖掘算法对集合中的每一类疾病的前列腺液外观图像特征、前列腺液常规检测数据、伴随症状特征信息分别进行关联规则分析，得到前列腺液外观图像特征、前列腺液常规检测数据、伴随症状特征信息与对应疾病之间的关联规则。
5.根据权利要求4所述跨模态融合分析疾病的系统，其特征在于，所述关联规则挖掘算法为Aprior算法或频繁模式增长树算法。
6.根据权利要求1所述跨模态融合分析疾病的系统，其特征在于，所述系统还包括：
疾病分析模块：用于基于关系挖掘模块的关联规则进行疾病分析。
7.根据权利要求6所述跨模态融合分析疾病的系统，其特征在于，所述疾病分析模块具体用于：利用关系挖掘模块提取出的关联规则识别出待识别前列腺液的异常状况，预测潜在疾病，给出对应的解决方案。
8.一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如权利要求1～7任一项所述的系统。
9.一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现权利要求1～7任一项所述的系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110063106.6A CN112908484A (zh) | 2021-01-18 | 2021-01-18 | 一种跨模态融合分析疾病的系统、设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110063106.6A CN112908484A (zh) | 2021-01-18 | 2021-01-18 | 一种跨模态融合分析疾病的系统、设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112908484A true CN112908484A (zh) | 2021-06-04 |
Family
ID=76115193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110063106.6A Pending CN112908484A (zh) | 2021-01-18 | 2021-01-18 | 一种跨模态融合分析疾病的系统、设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112908484A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113488183A (zh) * | 2021-06-30 | 2021-10-08 | 南京云上数融技术有限公司 | 一种发热疾病多模态特征融合认知系统、设备、存储介质 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050038678A1 (en) * | 2003-08-14 | 2005-02-17 | Edda Technology, Inc. | Method and system for intelligent qualitative and quantitative analysis for medical diagnosis |
| CN105534476A (zh) * | 2015-12-05 | 2016-05-04 | 新乡医学院第一附属医院 | 儿科肾脏疾病和损伤的早期检测系统 |
| US20160253466A1 (en) * | 2013-10-10 | 2016-09-01 | Board Of Regents, The University Of Texas System | Systems and methods for quantitative analysis of histopathology images using multiclassifier ensemble schemes |
| US20170116387A1 (en) * | 2013-09-20 | 2017-04-27 | Siemens Aktiengesellschaft | Biopsy-free detection and staging of cancer using a virtual staging score |
| CN108461127A (zh) * | 2018-01-12 | 2018-08-28 | 平安科技（深圳）有限公司 | 医疗数据关系图像获取方法、装置、终端设备及存储介质 |
| CN108694994A (zh) * | 2018-05-11 | 2018-10-23 | 浙江大学 | 基于栈式自编码器和支持向量机的无创心脏梗死分类模型构建方法 |
| CN108806767A (zh) * | 2018-06-15 | 2018-11-13 | 中南大学 | 基于电子病历的疾病症状关联分析方法 |
| CN109949929A (zh) * | 2019-03-19 | 2019-06-28 | 挂号网（杭州）科技有限公司 | 一种基于深度学习大规模病历的辅助诊断系统 |
| CN110298383A (zh) * | 2019-05-28 | 2019-10-01 | 中国科学院计算技术研究所 | 基于多模态深度学习的病理分类方法及系统 |
| CN110292396A (zh) * | 2018-03-22 | 2019-10-01 | 深圳迈瑞生物医疗电子股份有限公司 | 定量成像的预测使用 |
| CN110781216A (zh) * | 2019-11-05 | 2020-02-11 | 广东工业大学 | 一种中医症状关联规则挖掘方法、装置及存储介质 |
| CN110841205A (zh) * | 2019-10-21 | 2020-02-28 | 温州医科大学附属第一医院 | 一种肿瘤患者精准剂量验证方法、装置及设备 |
| CN110957034A (zh) * | 2018-09-26 | 2020-04-03 | 金敏 | 疾病预测系统 |
| CN111667478A (zh) * | 2020-06-10 | 2020-09-15 | 复旦大学附属华山医院 | Cta到mra跨模态预测的颈动脉斑块识别方法及系统 |
| CN111986148A (zh) * | 2020-07-15 | 2020-11-24 | 万达信息股份有限公司 | 一种前列腺数字病理图像的快速Gleason评分系统 |
| CN112017771A (zh) * | 2020-08-31 | 2020-12-01 | 吾征智能技术(北京)有限公司 | 一种基于精液常规检查数据的疾病预测模型的构建方法及系统 |
-
2021
- 2021-01-18 CN CN202110063106.6A patent/CN112908484A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050038678A1 (en) * | 2003-08-14 | 2005-02-17 | Edda Technology, Inc. | Method and system for intelligent qualitative and quantitative analysis for medical diagnosis |
| US20170116387A1 (en) * | 2013-09-20 | 2017-04-27 | Siemens Aktiengesellschaft | Biopsy-free detection and staging of cancer using a virtual staging score |
| US20160253466A1 (en) * | 2013-10-10 | 2016-09-01 | Board Of Regents, The University Of Texas System | Systems and methods for quantitative analysis of histopathology images using multiclassifier ensemble schemes |
| CN105534476A (zh) * | 2015-12-05 | 2016-05-04 | 新乡医学院第一附属医院 | 儿科肾脏疾病和损伤的早期检测系统 |
| CN108461127A (zh) * | 2018-01-12 | 2018-08-28 | 平安科技（深圳）有限公司 | 医疗数据关系图像获取方法、装置、终端设备及存储介质 |
| CN110292396A (zh) * | 2018-03-22 | 2019-10-01 | 深圳迈瑞生物医疗电子股份有限公司 | 定量成像的预测使用 |
| CN108694994A (zh) * | 2018-05-11 | 2018-10-23 | 浙江大学 | 基于栈式自编码器和支持向量机的无创心脏梗死分类模型构建方法 |
| CN108806767A (zh) * | 2018-06-15 | 2018-11-13 | 中南大学 | 基于电子病历的疾病症状关联分析方法 |
| CN110957034A (zh) * | 2018-09-26 | 2020-04-03 | 金敏 | 疾病预测系统 |
| CN109949929A (zh) * | 2019-03-19 | 2019-06-28 | 挂号网（杭州）科技有限公司 | 一种基于深度学习大规模病历的辅助诊断系统 |
| CN110298383A (zh) * | 2019-05-28 | 2019-10-01 | 中国科学院计算技术研究所 | 基于多模态深度学习的病理分类方法及系统 |
| CN110841205A (zh) * | 2019-10-21 | 2020-02-28 | 温州医科大学附属第一医院 | 一种肿瘤患者精准剂量验证方法、装置及设备 |
| CN110781216A (zh) * | 2019-11-05 | 2020-02-11 | 广东工业大学 | 一种中医症状关联规则挖掘方法、装置及存储介质 |
| CN111667478A (zh) * | 2020-06-10 | 2020-09-15 | 复旦大学附属华山医院 | Cta到mra跨模态预测的颈动脉斑块识别方法及系统 |
| CN111986148A (zh) * | 2020-07-15 | 2020-11-24 | 万达信息股份有限公司 | 一种前列腺数字病理图像的快速Gleason评分系统 |
| CN112017771A (zh) * | 2020-08-31 | 2020-12-01 | 吾征智能技术(北京)有限公司 | 一种基于精液常规检查数据的疾病预测模型的构建方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113488183A (zh) * | 2021-06-30 | 2021-10-08 | 南京云上数融技术有限公司 | 一种发热疾病多模态特征融合认知系统、设备、存储介质 |
| CN113488183B (zh) * | 2021-06-30 | 2023-10-31 | 吾征智能技术(北京)有限公司 | 一种发热疾病多模态特征融合认知系统、设备、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108961208B (zh) | 一种聚集白细胞分割计数系统及方法 | |
| CN110705403A (zh) | 细胞分类方法、装置、介质及电子设备 | |
| CN106780475A (zh) | 一种基于病理组织切片图像组织区域的图像处理方法及装置 | |
| EP1507141A1 (en) | Surface defect judging method | |
| Goceri et al. | Quantitative validation of anti‐PTBP1 antibody for diagnostic neuropathology use: Image analysis approach | |
| Ganapathy et al. | CometQ: An automated tool for the detection and quantification of DNA damage using comet assay image analysis | |
| CN113158821B (zh) | 基于多模态的眼部检测数据的处理方法、装置及终端设备 | |
| CN110991536A (zh) | 原发性肝癌的早期预警模型的训练方法 | |
| Safca et al. | Image processing techniques to identify red blood cells | |
| CN111986148A (zh) | 一种前列腺数字病理图像的快速Gleason评分系统 | |
| CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
| Moazzen et al. | Metaphase finding with deep convolutional neural networks | |
| CN113838018B (zh) | 基于Cnn-former的肝纤维化病变检测模型训练方法与系统 | |
| Kloeckner et al. | Multi-categorical classification using deep learning applied to the diagnosis of gastric cancer | |
| CN112908484A (zh) | 一种跨模态融合分析疾病的系统、设备、存储介质 | |
| Cordeiro et al. | An automatic patch-based approach for her-2 scoring in immunohistochemical breast cancer images using color features | |
| Nagadeepa et al. | Artificial intelligence based cervical cancer risk prediction using m1 algorithms | |
| CN113158822B (zh) | 基于跨模态关系推理的眼部检测数据的分类方法及装置 | |
| Chen et al. | A novel graphical model approach to segmenting cell images | |
| KR20100116404A (ko) | 영상정보로부터 독립세포와 군집세포를 분류하는 방법 및 장치 | |
| Song et al. | Robust image recognition by fusion of contextual information | |
| Taher et al. | Identification of lung cancer based on shape and color | |
| US20030191732A1 (en) | Online learning method in a decision system | |
| CN111862004A (zh) | 基于细胞荧光图像的肿瘤细胞表型识别计数方法 | |
| Tosta et al. | Application of evolutionary algorithms on unsupervised segmentation of lymphoma histological images |
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 |