CN112991320B - 脑出血患者血肿扩大风险预测系统及方法 - Google Patents
脑出血患者血肿扩大风险预测系统及方法 Download PDFInfo
- Publication number
- CN112991320B CN112991320B CN202110372083.7A CN202110372083A CN112991320B CN 112991320 B CN112991320 B CN 112991320B CN 202110372083 A CN202110372083 A CN 202110372083A CN 112991320 B CN112991320 B CN 112991320B
- Authority
- CN
- China
- Prior art keywords
- hematoma
- image
- cerebral
- clinical
- prediction model
- 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
Links
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
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种脑出血患者血肿扩大风险预测系统及方法,属于图像处理技术领域,接收输入的脑出血患者的脑血肿CT图像和临床信息;对输入的脑血肿CT图像和临床信息进行分析,输出所述脑出血患者的血肿在一定时期内出现扩大的风险预测结果;其中,利用训练好的影像预测模型,对脑血肿CT图像进行分析,获取血肿扩大的关键影像学特征;利用训练好的临床预测模型,对临床信息进行分析,获取血肿扩大的关键临床特征。本发明通过分析脑出血急性期患者的影像及临床大数据,设计并构建了基于神经网络的多输入复合预测模型,实现脑血肿扩大的综合智能预测;可辅助神经科医师对脑血肿扩大作出预判,为患者诊疗提供合理的决策支持。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种脑出血患者血肿扩大风险预测系统及方法。
背景技术
脑出血(ICH)是一种病死率及致残率最高的急性脑血管病,脑出血早期部分患者会出现脑血肿扩大,可能因此危及生命或导致远期预后不良。实际工作中,医师对脑血肿扩大的预测难以实现。相关预测研究中,有科研人员采用常规影像征象(CTA或平扫CT)推断法、传统机器学习方法实现血肿扩大预测,但是相应征象的敏感度及特异度不高,预测准确度仍然有待提高,另外因为操作的繁琐性,以上方法难以真正实现临床应用。另外,目前的预测方法均基于单一影像学指标,而未考虑到患者的身体条件、发病状态等临床指标。
发明内容
本发明的目的在于提供一种脑出血患者血肿扩大风险预测系统及方法,以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的,本发明采取了如下技术方案:
第一方面,本发明提供一种脑出血患者血肿扩大风险预测系统,包括:
获取模块,用于接收输入的脑出血患者的脑血肿CT图像和临床信息;
判断模块,用于对输入的脑血肿CT图像和临床信息进行分析,输出所述脑出血患者的血肿在一定时期内出现扩大的风险预测结果;其中,
利用训练好的影像预测模型,对脑血肿CT图像进行分析,获取血肿扩大的关键影像学特征;利用训练好的临床预测模型,对临床信息进行分析,获取血肿扩大的关键临床特征。
优选的,所述影像预测模型使用多组第一训练数据训练得到,所述多组第一训练数据中的每组数据均包括:首诊脑血肿CT图像以及用于标识该图像中血肿区域扩大与否的标签。
优选的,所述临床预测模型使用多组第二训练数据训练得到,所述多组第二训练数据中的每组数据均包括:脑出血患者基本信息、发病后状态、24小时内出血相关实验室检查结果以及对应的数据标签。
优选的,训练所述影像预测模型包括:
重采样不同机型及层厚的脑血肿CT图像数据;
使用3D-Slicer软件的半自动分割方式标注CT图像中的血肿区域,并获取血肿体积,依据与最初脑血肿CT图像中的血肿区域体积变化及相关标准确定用于标注脑血肿CT图像中血肿区域扩大或稳定的标签,构建数据集;
将数据集随机划分为训练集、测试集、验证集;
运用数据增强技术对训练集进行增强处理;搭建基于卷积神经网络的二分类模型,采用10-折交叉验证法训练并测试模型,调整网络超参数,直至达到最佳效果,得到影像预测模型。
优选的,训练所述临床预测模型包括:
获取患者的临床信息并进行预处理,包括数据清洗、转换和集成,对于缺失值采取人工填充法补;
将临床信息划分训练集、测试集、验证集;搭建基于多层感知器的前馈网络模型,分析脑出血临床定量及定性数值数据;
采用10-折交叉验证法训练并测试模型,调整网络超参数,直至达到最佳效果,得到临床预测模型。
优选的,所述临床信息包括:患者基本信息、发病时间、入院时体温、血压、GCS评分、生活史及既往史、相关病史情况、抗凝或抗血小板药物史、入院24小时内实验室检查指标情况。
优选的,所述判断模块以二分类形式输出最终风险预测结果,其中,输出“0”表示血肿稳定,输出“1”表示血肿扩大。
第二方面,本发明提供一种利用如上所述的脑出血患者血肿扩大风险预测系统的脑出血患者血肿扩大风险预测方法,包括:
接收输入的脑出血患者的脑血肿CT图像和临床信息;
对输入的脑血肿CT图像和临床信息进行分析,输出所述脑出血患者的血肿在一定时期内出现扩大的风险预测结果;其中,
利用训练好的影像预测模型,对脑血肿CT图像进行分析,获取血肿扩大的关键影像学特征;利用训练好的临床预测模型,对临床信息进行分析,获取血肿扩大的关键临床特征。
第三方面,本发明提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质包括用于执行如上所述的脑出血患者血肿扩大风险预测方法的指令。
第四方面,本发明提供一种电子设备,包括如上所述的非暂态计算机可读存储介质;以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。
本发明有益效果:通过分析脑出血急性期患者的影像及临床大数据,设计并构建了基于神经网络的多输入复合预测模型,实现脑血肿扩大的综合智能预测;可辅助神经科医师对脑血肿扩大作出预判,为患者诊疗提供合理的决策支持。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,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为本发明实施例所述的脑出血患者血肿扩大风险预测方法流程图。
具体实施方式
下面详细叙述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明,下面结合附图以具体实施例对本发明作进一步解释说明,且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解,附图只是实施例的示意图,附图中的部件并不一定是实施本发明所必须的。
实施例1
本发明实施例1提供一种脑出血患者血肿扩大风险预测系统,该系统包括:
获取模块,用于接收输入的脑出血患者的脑血肿CT图像和临床信息;
判断模块,用于对输入的脑血肿CT图像和临床信息进行分析,输出所述脑出血患者的血肿在一定时期内出现扩大的风险预测结果;其中,
利用训练好的影像预测模型,对脑血肿CT图像进行分析,获取血肿扩大的关键影像学特征;利用训练好的临床预测模型,对临床信息进行分析,获取血肿扩大的关键临床特征。
在本实施例1中,所述影像预测模型使用多组第一训练数据训练得到,所述多组第一训练数据中的每组数据均包括:首诊脑血肿CT图像以及用于标识该图像中血肿区域扩大与否的标签。
在本实施例1中,所述临床预测模型使用多组第二训练数据训练得到,所述多组第二训练数据中的每组数据均包括:脑出血患者基本信息、发病后状态、24小时内出血相关实验室检查结果以及对应的数据标签。
训练所述影像预测模型包括:
重采样不同机型及层厚的脑血肿CT图像数据;
使用3D-Slicer软件的半自动分割方式标注CT图像中的血肿区域,并获取血肿体积,依据与最初脑血肿CT图像中的血肿区域体积变化及相关标准确定用于标注脑血肿CT图像中血肿区域扩大或稳定的标签,构建数据集;
将数据集随机划分为训练集、测试集、验证集;
运用数据增强技术对训练集进行增强处理;搭建基于卷积神经网络的二分类模型,采用10-折交叉验证法训练并测试模型,调整网络超参数,直至达到最佳效果,得到影像预测模型。
训练所述临床预测模型包括:
获取患者的临床信息并进行预处理,包括数据清洗、转换和集成,对于缺失值采取人工填充法补;
将临床信息划分训练集、测试集、验证集;搭建基于多层感知器的前馈网络模型,分析脑出血临床定量及定性数值数据;
采用10-折交叉验证法训练并测试模型,调整网络超参数,直至达到最佳效果,得到临床预测模型。
所述临床信息包括:患者基本信息、发病时间、入院时体温、血压、GCS评分、生活史及既往史、相关病史情况、抗凝或抗血小板药物史、入院24小时内实验室检查指标情况。
所述判断模块以二分类形式输出最终风险预测结果,其中,输出“0”表示血肿稳定,输出“1”表示血肿扩大。
在本实施例1中,利用上述的脑出血患者血肿扩大风险预测系统,实现了脑出血患者血肿扩大风险预测方法,包括:
利用获取模块接收输入的脑出血患者的脑血肿CT图像和临床信息;
利用判断模块对输入的脑血肿CT图像和临床信息进行分析,输出所述脑出血患者的血肿在一定时期内出现扩大的风险预测结果;其中,
利用训练好的影像预测模型,对脑血肿CT图像进行分析,获取血肿扩大的关键影像学特征;利用训练好的临床预测模型,对临床信息进行分析,获取血肿扩大的关键临床特征。
实施例2
在本实施例2中,为了解决脑血肿扩大的单一影像指标预测准确度偏低的问题,提供了一种基于深度学习的脑血肿扩大影像+临床信息综合预测血肿区域扩大风险的方法。
如图1所示,本实施例2预测血肿区域扩大风险的方法包括如下步骤:
(1)脑出血数据集的获取
经患者知情同意后,收集脑出血患者两次(基线检查与复查)CT平扫图像(DICOM格式)、及相关临床资料。临床资料包括:①人口信息:性别,年龄,身高、体重;②发病时间、入院时体温、血压、GCS评分(格拉斯哥昏迷评分);③生活史及既往史:吸烟、饮酒情况;高血压、糖尿病、冠心病、中风等相关病史;抗凝或抗血小板药物史;④入院24小时内实验室检查:血小板、血糖、血脂、肝肾功能、凝血等相关指标。
(2)影像预测模型的构建:
①数据标准化:将不同机型及层厚CT数据重采样到1.0×1.0×1.0mm3;
②数据标签的建立:由神经影像医师使用3D-Slicer软件的半自动预测方式标注血肿区域,并获取血肿体积,依据前后体积变化及相关标准确定数据标签(血肿扩大-HE或血肿稳定-NE);
③影像预测模型的构建过程:将数据集按8:1:1比例随机划分为训练集、测试集、验证集;首先运用多种数据增强手段(平移、旋转、仿射变换、噪声添加等)对原始脑出血CT图像进行处理,增大训练样本量,提高模型的训练效果及泛化能力;搭建基于卷积神经网络(CNN)的二分类模型,分析样本数据;采用10-折交叉验证法训练并测试模型;训练过程中通过调整多种网络超参数(如网络深度、激活函数、dropout、batch size、epoch、学习率等)提高模型预测效果,最终使其达到最佳效果。在这一过程中,计算机将自动提取脑血肿扩大相关的影像学特征,完成影像-CNN预测模型的构建。验证集验证模型效果。
(3)临床预测模型的构建:
①数据预处理:主要包括数据清洗、转换和集成,对于缺失值采取人工填充法补齐(如完善病史调查等);
②同上将脑出血临床大数据划分训练集、测试集、验证集;搭建基于多层感知器(Multilayer Perceptron,MLP)的前馈网络模型,分析脑出血临床定量及定性数值数据;采用10-折交叉验证法训练并测试模型,调整网络参数,使其达到最优效果,计算机自动提取脑血肿扩大相关的临床特征,完成临床-MLP预测模型的构建。验证集验证模型效果。
(4)复合预测模型的迁移组合及实现:
将构建并验证满意的CNN-影像模型与MLP-临床模型进行迁移组合(concate操作),得到脑血肿扩大的影像+临床复合预测模型,复合模型的softmax值以二分类形式呈现即为最终预测结果(0-血肿稳定,1-血肿扩大)。该复合模型可用于新的脑出血患者血肿扩大的预测:新输入其基线检查CT图像、及相关临床多指标,输出血肿扩大与否的综合预测结果,供临床决策参考。
实施例3
本发明实施例3提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质包括用于执行脑出血患者血肿扩大风险预测方法的指令,该方法包括:
获取模块,用于接收输入的脑出血患者的脑血肿CT图像和临床信息;
判断模块,用于对输入的脑血肿CT图像和临床信息进行分析,输出所述脑出血患者的血肿在一定时期内出现扩大的风险预测结果;其中,
利用训练好的影像预测模型,对脑血肿CT图像进行分析,获取血肿扩大的关键影像学特征;利用训练好的临床预测模型,对临床信息进行分析,获取血肿扩大的关键临床特征。
实施例4
本发明实施例4提供一种电子设备,该电子设备包括一种非暂态计算机可读存储介质;以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。所述非暂态计算机可读存储介质包括用于执行脑出血患者血肿扩大风险预测方法的指令,该方法包括:
获取模块,用于接收输入的脑出血患者的脑血肿CT图像和临床信息;
判断模块,用于对输入的脑血肿CT图像和临床信息进行分析,输出所述脑出血患者的血肿在一定时期内出现扩大的风险预测结果;其中,
利用训练好的影像预测模型,对脑血肿CT图像进行分析,获取血肿扩大的关键影像学特征;利用训练好的临床预测模型,对临床信息进行分析,获取血肿扩大的关键临床特征。
综上所述,本发明实施例所述的脑血肿CT图像分割方法及系统,全面考虑脑出血患者影像学(脑CT图像)及临床(基础条件、既往病史、发病状态等)特征,将以上多因素纳入复合模型,解决复合模型的设计搭建、模型训练、调试及模型迁移组合等关键技术问题。可快速、精准地帮助临床医师识别脑血肿扩大的潜在患者,为临床医师及早采取干预措施(如血压监测与管理、制定治疗方案、完善术前准备)、判断患者预后等提供重要参考,将极大提高神经科医师的工作效率及效果,从而有望降低脑出血患者死亡率及致残率,具有较好的临床应用及推广前景。经过对本模型的初步验证,该模型对脑血肿扩大的综合预测准确率可达到90%以上,远远高于当前常规的经验预测方法(50%以下)。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本发明公开的技术方案的基础上,本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种脑出血患者血肿扩大风险预测系统,其特征在于,包括:
获取模块,用于接收输入的脑出血患者的脑血肿CT图像和临床信息;
判断模块,用于对输入的脑血肿CT图像和临床信息进行分析,输出所述脑出血患者的血肿在一定时期内出现扩大的风险预测结果;其中,
利用训练好的影像预测模型,对脑血肿CT图像进行分析,获取血肿扩大的关键影像学特征;利用训练好的临床预测模型,对临床信息进行分析,获取血肿扩大的关键临床特征;将影像预测模型与临床预测模型进行迁移组合,得到脑血肿扩大的影像+临床复合预测模型,该复合预测模型的最终预测结果以二分类形式呈现;
所述影像预测模型使用多组第一训练数据训练得到,所述多组第一训练数据中的每组数据均包括:首诊脑血肿CT图像以及用于标识该图像中血肿区域扩大与否的标签;
具体的,训练所述影像预测模型包括:重采样不同机型及层厚的脑血肿CT图像数据;使用3D-Slicer软件的半自动分割方式标注CT图像中的血肿区域,并获取血肿体积,依据与最初脑血肿CT图像中的血肿区域体积变化及相关标准确定用于标注脑血肿CT图像中血肿区域扩大或稳定的标签,构建数据集。
2.根据权利要求1所述的脑出血患者血肿扩大风险预测系统,其特征在于,所述临床预测模型使用多组第二训练数据训练得到,所述多组第二训练数据中的每组数据均包括:脑出血患者基本信息、发病后状态、24小时内出血相关实验室检查结果以及对应的数据标签。
3.根据权利要求1所述的脑出血患者血肿扩大风险预测系统,其特征在于,训练所述影像预测模型还包括:
将数据集随机划分为训练集、测试集、验证集;
运用数据增强技术对训练集进行增强处理;搭建基于卷积神经网络的二分类模型,采用10-折交叉验证法训练并测试模型,调整网络超参数,直至达到最佳效果,得到影像预测模型。
4.根据权利要求2所述的脑出血患者血肿扩大风险预测系统,其特征在于,训练所述临床预测模型包括:
获取患者的临床信息并进行预处理,包括数据清洗、转换和集成,对于缺失值采取人工填充法补;
将临床信息划分训练集、测试集、验证集;搭建基于多层感知器的前馈网络模型,分析脑出血临床定量及定性数值数据;
采用10-折交叉验证法训练并测试模型,调整网络超参数,直至达到最佳效果,得到临床预测模型。
5.根据权利要求4所述的脑出血患者血肿扩大风险预测系统,其特征在于,所述临床信息包括:患者基本信息、发病时间、入院时体温、血压、GCS评分、生活史及既往史、相关病史情况、抗凝或抗血小板药物史、入院24小时内实验室检查指标情况。
6.根据权利要求1所述的脑出血患者血肿扩大风险预测系统,其特征在于,所述判断模块以二分类形式输出最终风险预测结果,其中,输出“0”表示血肿稳定,输出“1”表示血肿扩大。
7.一种利用如权利要求1-6任一项所述的脑出血患者血肿扩大风险预测系统的脑出血患者血肿扩大风险预测方法,其特征在于,包括:
接收输入的脑出血患者的脑血肿CT图像和临床信息;
对输入的脑血肿CT图像和临床信息进行分析,输出所述脑出血患者的血肿在一定时期内出现扩大的风险预测结果;其中,
利用训练好的影像预测模型,对脑血肿CT图像进行分析,获取血肿扩大的关键影像学特征;利用训练好的临床预测模型,对临床信息进行分析,获取血肿扩大的关键临床特征。
8.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质包括用于执行如权利要求7所述的脑出血患者血肿扩大风险预测方法的指令。
9.一种电子设备,其特征在于:包括如权利要求8所述的非暂态计算机可读存储介质;以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110372083.7A CN112991320B (zh) | 2021-04-07 | 2021-04-07 | 脑出血患者血肿扩大风险预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110372083.7A CN112991320B (zh) | 2021-04-07 | 2021-04-07 | 脑出血患者血肿扩大风险预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112991320A CN112991320A (zh) | 2021-06-18 |
CN112991320B true CN112991320B (zh) | 2022-04-01 |
Family
ID=76339296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110372083.7A Active CN112991320B (zh) | 2021-04-07 | 2021-04-07 | 脑出血患者血肿扩大风险预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991320B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113576508A (zh) * | 2021-07-21 | 2021-11-02 | 华中科技大学 | 一种基于神经网络的脑出血辅助诊断系统 |
TWI802309B (zh) * | 2022-03-04 | 2023-05-11 | 長庚醫療財團法人高雄長庚紀念醫院 | 臨床相片智能分類與導正的方法及影像處理裝置、電腦可讀取的記錄媒體 |
CN114431836A (zh) * | 2022-04-11 | 2022-05-06 | 中南大学湘雅医院 | 基于人工智能的甲黑线良恶性预测系统 |
CN116245951B (zh) * | 2023-05-12 | 2023-08-29 | 南昌大学第二附属医院 | 脑组织出血定位分类和出血量化方法、设备、介质和程序 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003679B (zh) * | 2018-06-28 | 2021-06-08 | 众安信息技术服务有限公司 | 一种脑血管出血与缺血预测方法及装置 |
CN109461495B (zh) * | 2018-11-01 | 2023-04-14 | 腾讯科技(深圳)有限公司 | 一种医学图像的识别方法、模型训练的方法及服务器 |
CN110993106A (zh) * | 2019-12-11 | 2020-04-10 | 深圳市华嘉生物智能科技有限公司 | 一种结合病理图像和临床信息的肝癌术后复发风险预测方法 |
CN111192660B (zh) * | 2019-12-24 | 2023-10-13 | 上海联影智能医疗科技有限公司 | 一种影像报告分析方法、设备及计算机存储介质 |
CN111292853B (zh) * | 2020-01-15 | 2023-05-26 | 长春理工大学 | 基于多参数的心血管疾病风险预测网络模型及其构建方法 |
CN111640509A (zh) * | 2020-06-02 | 2020-09-08 | 山东大学齐鲁医院 | 一种宫颈癌术后复发风险预测方法及系统 |
CN111814725A (zh) * | 2020-07-20 | 2020-10-23 | 北京华正明天信息技术股份有限公司 | 一种基于cnn+lstm+mlp组合神经网络判断监控视频着火的预警方法 |
CN111862066B (zh) * | 2020-07-28 | 2024-04-09 | 平安科技(深圳)有限公司 | 基于深度学习的脑瘤图像分割方法、装置、设备及介质 |
CN111862087A (zh) * | 2020-08-03 | 2020-10-30 | 张政 | 一种基于深度学习的肝胰脂肪变性判别方法 |
CN112183572A (zh) * | 2020-08-12 | 2021-01-05 | 上海依智医疗技术有限公司 | 一种生成预测肺炎严重程度的预测模型的方法及装置 |
CN112289455A (zh) * | 2020-10-21 | 2021-01-29 | 王智 | 一种人工智能神经网络学习模型构建系统、构建方法 |
CN112365978B (zh) * | 2020-11-10 | 2022-09-23 | 北京航空航天大学 | 心动过速事件早期风险评估的模型的建立方法及其装置 |
CN112365962B (zh) * | 2020-11-17 | 2023-08-18 | 中南大学湘雅二医院 | 基于肺部ct影像和临床信息的医疗资源分配方法及设备 |
-
2021
- 2021-04-07 CN CN202110372083.7A patent/CN112991320B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112991320A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112991320B (zh) | 脑出血患者血肿扩大风险预测系统及方法 | |
CN108511056A (zh) | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 | |
WO2021190300A1 (zh) | Ai慢性肾病风险筛查建模方法、慢性肾病风险筛查方法及系统 | |
CN111312401B (zh) | 一种基于多标签学习的体检后慢性疾病预后系统 | |
CN114141363B (zh) | 一种基于机器学习方法的重症胰腺炎预测模型构建方法 | |
CN113327679A (zh) | 一种肺栓塞临床风险及预后评分方法与系统 | |
CN114023441A (zh) | 基于可解释机器学习模型的严重aki早期风险评估模型、装置及其开发方法 | |
CN113470816A (zh) | 一种基于机器学习的糖尿病肾病预测方法、系统和预测装置 | |
CN111081381A (zh) | 院内致命性消化道再出血预测关键指标的智能筛选方法 | |
CN114242245A (zh) | 一种基于电子病历记录数据预测糖尿病肾病发生风险的机器学习方法、系统和装置 | |
CN116403714B (zh) | 脑卒中end风险预测模型建立方法、装置、end风险预测系统、电子设备及介质 | |
CN114220540A (zh) | 一种糖尿病肾病风险预测模型的构建方法及应用 | |
CN114974585A (zh) | 一种妊娠期代谢综合征早期风险预测评估模型构建方法 | |
CN111710423A (zh) | 基于回归模型测定心境障碍发病风险概率的方法 | |
CN113128654B (zh) | 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统 | |
Nijiati et al. | A symmetric prior knowledge based deep learning model for intracerebral hemorrhage lesion segmentation | |
Chen et al. | VGG16-based intelligent image analysis in the pathological diagnosis of IgA nephropathy | |
Yellu et al. | Deep Learning-Assisted Diagnosis of Alzheimer's Disease from Brain Imaging Data | |
CN116524248B (zh) | 医学数据处理装置、方法及分类模型训练装置 | |
CN115937192B (zh) | 一种无监督视网膜血管分割方法、系统及电子设备 | |
CN113782197B (zh) | 基于可解释性机器学习算法的新冠肺炎患者转归预测方法 | |
CN115089112A (zh) | 卒中后认知障碍风险评估模型建立方法、装置及电子设备 | |
CN111883248A (zh) | 用于儿童肥胖症的预测系统 | |
Yördan et al. | Hybrid AI-Based Chronic Kidney Disease Risk Prediction | |
Nwaneri et al. | Development of a graphical user interface software for the prediction of chronic kidney disease |
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 |