CN113096796A - 脑出血血肿扩大风险智能化预测系统及方法 - Google Patents
脑出血血肿扩大风险智能化预测系统及方法 Download PDFInfo
- Publication number
- CN113096796A CN113096796A CN202110358312.XA CN202110358312A CN113096796A CN 113096796 A CN113096796 A CN 113096796A CN 202110358312 A CN202110358312 A CN 202110358312A CN 113096796 A CN113096796 A CN 113096796A
- Authority
- CN
- China
- Prior art keywords
- hematoma
- image
- module
- risk
- cerebral hemorrhage
- 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
- 206010018852 Haematoma Diseases 0.000 title claims abstract description 90
- 206010008111 Cerebral haemorrhage Diseases 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000003902 lesion Effects 0.000 claims abstract description 19
- 238000002591 computed tomography Methods 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 26
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 201000010099 disease Diseases 0.000 claims description 17
- 206010020772 Hypertension Diseases 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 14
- 230000023555 blood coagulation Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 208000024891 symptom Diseases 0.000 claims description 8
- 230000004064 dysfunction Effects 0.000 claims description 7
- 206010053942 Cerebral haematoma Diseases 0.000 claims description 3
- 238000002224 dissection Methods 0.000 abstract description 4
- 238000011282 treatment Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 16
- 208000032843 Hemorrhage Diseases 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 230000002269 spontaneous effect Effects 0.000 description 12
- 210000004556 brain Anatomy 0.000 description 9
- 210000001652 frontal lobe Anatomy 0.000 description 8
- 230000001788 irregular Effects 0.000 description 8
- 210000001103 thalamus Anatomy 0.000 description 8
- 230000000740 bleeding effect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 210000003484 anatomy Anatomy 0.000 description 6
- 210000004227 basal ganglia Anatomy 0.000 description 6
- 210000001638 cerebellum Anatomy 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 210000000869 occipital lobe Anatomy 0.000 description 6
- 210000003478 temporal lobe Anatomy 0.000 description 6
- 208000015294 blood coagulation disease Diseases 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000012552 review Methods 0.000 description 5
- 230000002861 ventricular Effects 0.000 description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 4
- 208000007848 Alcoholism Diseases 0.000 description 4
- 201000007930 alcohol dependence Diseases 0.000 description 4
- 239000003146 anticoagulant agent Substances 0.000 description 4
- 210000000133 brain stem Anatomy 0.000 description 4
- 230000002779 inactivation Effects 0.000 description 4
- 208000019423 liver disease Diseases 0.000 description 4
- 230000035488 systolic blood pressure Effects 0.000 description 4
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 206010008190 Cerebrovascular accident Diseases 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 229940127219 anticoagulant drug Drugs 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 230000015271 coagulation Effects 0.000 description 2
- 238000005345 coagulation Methods 0.000 description 2
- 210000000877 corpus callosum Anatomy 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 208000014951 hematologic disease Diseases 0.000 description 2
- 208000018706 hematopoietic system disease Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 208000020658 intracerebral hemorrhage Diseases 0.000 description 2
- 238000007917 intracranial administration Methods 0.000 description 2
- 231100000225 lethality Toxicity 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 210000001152 parietal lobe Anatomy 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010048962 Brain oedema Diseases 0.000 description 1
- 206010008092 Cerebral artery thrombosis Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 208000016988 Hemorrhagic Stroke Diseases 0.000 description 1
- 206010060840 Ischaemic cerebral infarction Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 206010037714 Quadriplegia Diseases 0.000 description 1
- 206010063837 Reperfusion injury Diseases 0.000 description 1
- 206010068067 Tumour thrombosis Diseases 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000011256 aggressive treatment Methods 0.000 description 1
- 210000002565 arteriole Anatomy 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 208000034158 bleeding Diseases 0.000 description 1
- 230000008499 blood brain barrier function Effects 0.000 description 1
- 210000001218 blood-brain barrier Anatomy 0.000 description 1
- 208000006752 brain edema Diseases 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000002008 hemorrhagic effect Effects 0.000 description 1
- 208000003906 hydrocephalus Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 201000011107 obstructive hydrocephalus Diseases 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 230000008673 vomiting Effects 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
- G16H50/20—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
-
- 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
- G06N3/08—Learning methods
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Pulmonology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种脑出血血肿扩大风险智能化预测系统及方法,本发明主要包括临床信息知识库模块、解剖模式图模块、影像特征标准化描述模块、神经网络单元和报告生成模块。优选的,还包括影像对比判读模块。本发明设计了可视化病灶解剖模式图,便于解剖及病灶的对照。将放射科医师观察到的征象,以一种简单、标准、易于掌握的操作流程呈现。对病灶的描述准确、规范。通过病灶描述结果与预设数据模块进行对比,在完成描述结果输出的同时,输出血肿早期扩大分级,为临床的治疗和干预决策提供依据。
Description
技术领域
本申请涉及医学影像领域,尤其是涉及一种依据自发性脑出血患者CT(computerized tomography)图像预测血肿扩大风险的智能化判读方法。
背景技术
自发性脑出血(intracerebral hemorrhage)是一种常见的、严重的神经系统疾病,指非创伤性脑内血管破裂,导致血液在脑实质内聚集、形成血肿;自发性脑出血在不同亚型脑卒中的发病率仅次于缺血性脑梗塞,但致残率和死亡率为脑卒中各类型中最高,发病后一个月的病死率高达35%~52%。脑出血常见的临床表现为头痛、恶心、呕吐、意识障碍及肢体瘫痪等,起病急、病情凶险,大约30%的患者会出现血肿扩大,导致脑水肿加重,进一步引起颅内压升高。早期血肿扩大提示预后不良,不仅与死亡相关,也显著降低了患者恢复功能独立的可能,是脑出血患者发生早期神经功能恶化(early neurologicaldeterioration,END)和死亡率增加的独立预测因子。在早期发现血肿扩大的高危患者并及时进行有效的临床干预,可明显改善患者的预后,减轻患者家庭及社会负担。脑出血后病灶是否继续出血的影响因素较多,包括发病到首次CT扫描的时间(Interval of onset tofirst CT,IOFC)、血压、凝血功能、出血部位、血肿体积及形态等等。而影像学检查尤其是CT平扫及增强检查无创、费用低、成像快,是脑出血诊断的“金标准”,除了能够明确血肿的部位、形态、大小,也能够提供更多具有特征性的征象,为预测患者是否会发生血肿扩大提供了重要证据。
目前在临床工作中,医生主要根据临床病史、影像特点及经验对自发性脑出血患者血肿是否会发生扩大进行判断,主观性大,结果欠准确,且不同放射科医生对脑出血影像判读的理解程度不同,评估的准确性有差异,并且很难将信息完整、准确地传达给临床医生。同时,不同书写习惯及不同年资的放射科医生在书写报告时缺乏规范、标准的方式,报告内容和使用的术语亦存在差异。为了解决现有问题,本专利提供一种依据自发性脑出血患者CT图像预测血肿扩大风险的标准化半自动化评估系统,该系统在报告的形式上提供人机互动的解剖定位,病灶特征的准确描述,保障报告信息规范、统一;采用鼠标点击解剖位置图的方式,避免了键盘人工录入的错误和对解剖结构的误读,实现影像报告术语规范化、操作界面简单化,自动生成血肿扩大分级,以此减少人工打字工作的时间付出、减轻放射医生工作负荷,并可在报告中可视化病灶及解剖结构,使图文并存,更准确、形象地提供影像判读信息。
发明内容
一种脑出血血肿扩大风险智能化预测系统,包括临床信息知识库模块、解剖模式图模块、影像特征标准化描述模块、神经网络单元和报告生成模块;临床信息知识库模块包括结构化报告使用范围、高血压情况、凝血功能障碍、发病到首次CT扫描时间;影像特征标准化描述模块包括血肿形态、血肿扩大的征象、病灶大小;报告生成模块包括典型病灶图及影像模式图、临床信息内容、病灶位置结构名词、影像分级、标准化报告内容。
优选的,脑出血血肿扩大风险智能化预测系统还包括影像对比判读模块。
基于脑出血血肿扩大风险智能化预测系统,本申请还研究了脑出血血肿扩大风险智能化预测分析方法,第一步,对临床信息知识题库和医师输入结果进行编码;第二步,按第一步中编码方式对历史病例进行编码;第三步,建立神经网络模型,对模型进行训练和测试;第四步,根据医生在知识题库中对病例的评判结果生成临床信息编码,输入保存的模型,输出预测风险分级。
优选的,脑出血血肿扩大风险智能化预测分析方法采用独热码和实际数值相结合的方式对选择知识题库的选项、数值化手动单元和医师输入结果进行混合编码,生成一个多维编码向量;向量的维度是选择知识题库中所有选项的总数量、数值化手动输入单元的数量以及潜在疾病风险分级表中风险分级数量之和。
本申请设计了可视化病灶解剖模式图,便于解剖及病灶的对照。将放射科医师观察到的征象,以一种简单、标准、易于掌握的操作流程呈现。对病灶的描述准确、规范。通过病灶描述结果与预设数据模块进行对比,在完成描述结果输出的同时,输出血肿早期扩大分级,为临床的治疗和干预决策提供依据。具体如下:
一、临床信息知识库模块:
本模块提供选择知识题库和手动输入单元,选择知识库单元提供临床常见录入选项,手动输入单元作为补充内容。首先在知识题库中选择常见录入内容进行勾选,如无法满足需求,则可选择手动输入单元,进行补充。此模块提供与患者的影像相关的临床及病史资料,和影像征象整合,用于最后的报告生成模块对患者脑出血血肿风险度扩大做出正确的判读。影响脑出血后血肿是否扩大的临床因素较多,包括发病到首次CT扫描的时间(IOFC)、血压、凝血功能等。由于活动性出血发生时间通常较短,多发生在发病24小时以内,其后出血趋于稳定,因此IOFC越短,血肿扩大风险越高。而随着血压尤其是收缩压升高,血肿扩大的概率亦逐渐升高。有酗酒病史和慢性肝脏疾病的患者凝血功能较差,而在服用抗凝血药物或血液系统疾病患者的凝血功能通常存在异常,此类患者如果发生自发性脑出血,较易在发病早期出血血肿的扩大。本部分具体实施内容包括:
1.结构化报告使用范围:自发性脑出血CT检查
2.高血压:□无 □有(最高收缩压[]) □不详
3.凝血功能障碍:□酗酒 □慢性肝病 □血液系统疾病 □抗凝血药物[] □其他[]
4.发病到首次CT扫描时间(IOFC):□小于6小时 □6-24小时[] □大于24小时[]
5.其他血管危险因素[]
二、解剖模式图模块:
本模块设计了可视化颅内解剖结构断层模式图,可以在平面图展示可点图式解剖结构。出血部位对血肿是否继续扩大有很大影响:大脑深部的血肿致死率较高,而同样体积脑叶出血灶的致死率较低。而对于大脑深部结构的血肿,靠近外囊部的血肿短期内扩大的几率较小,而由于脑室壁的压力较脑实质小而顺应性高,发生在丘脑部位的血肿有较高的短期扩大发生率。本模块可以准确定义病灶的分布和位置,操作简单,易于掌握,输出规范,即使刚刚进入临床的初学者也比较容易掌握。解剖图中的大脑结构包括左侧额叶、左侧顶叶、左侧枕叶、左侧颞叶、左侧岛叶、左侧基底节区、左侧丘脑、右侧额叶、右侧顶叶、右侧枕叶、右侧颞叶、右侧岛叶、右侧基底节区、右侧丘脑、左侧小脑、右侧小脑、胼胝体、脑干,具体内容(如图1-4所示):
图1是本申请的额顶叶结构断层解剖图;
图2是本申请的基底节区结构断层解剖图;
图3是本申请的额颞枕叶结构断层解剖图;
图4是本申请的小脑及脑干结构图;
三、影像特征标准化描述模块:
自发性脑出血血肿形态及一些特征性的CT影像表现对于预测血肿短期内会否扩大具有重要价值,圆形/类圆形的血肿较为稳定,而不规则形与分隔形血肿常常提示可能存在活动性出血。自发性脑出血合并脑室出血的患者易导致脑脊液回流障碍,继发梗阻性脑积水,进一步加重血肿扩张;黑洞征特点是低密度区域包裹在血肿内部,混杂征指血肿内部存在CT值相差大于18Hu的不同密度区域,其出现表明血肿密度存在异质性,病灶内存在不同时期的出血;点征指CTA或CT增强图像上在血肿内出现不与外界相连的点状强化灶,表明病灶内存在动脉的活动性出血;岛征意指存在与主血肿相连的多个泡状或结节状小血肿,反映了主病灶周围邻近的小动脉损害;漩涡征定义为在连续两层CT图像中,血肿病灶高密度区域内存在各种形状的低或类似于脑实质的密度区域,表明持续性出血的存在;卫星征指至少在一层CT平扫图像上出现与主血肿完全分离的小血肿,发生机制是缺血性改变或再灌注损伤造成的毛细血管血脑屏障的破坏,并导致出血性转化;上述具有特征性的CT征象是血肿扩大的独立预测因素。为标准化、准确的反映上述信息,此模块设计了人机交互界面提供预设指示部和输入部,所述预设指示部为用户提供预设的指示信息,用户根据患者的CT影像和人机交互界面提供的预设的指示信息在输入部输入评估CT影像的参数。所述参数可以是预先设置的字段型参数,其可根据用户的先前操作而与对应输入部一起显示在人机交互界面上以供用户以单选或多选的形式直观地选择输入,也可以是由用户以填空的形式输入的数值型参数,其对应的输入部可根据用户的先前操作显示在人机交互界面上以供用户填写输入。用户输入的参数可通过系统附加的存储模块或独立存在的存储模块存储为计算机可读的数据。依据该专利预设内容,医师可在影像模块中进行简单点击操作,调取数据库中标准字段,生成标准化报告内容。
此外,随着血肿量增加,血肿扩大的发生率也相应增加。大于30ml的血肿在短期内发生扩大的几率较高。本专利自动测量血肿体积并将数值填充入标准化报告输入部,公式如下:
其中,h是层厚,Si是第i层的血肿面积(i=1,…n),l是层间距,VT是总体积。
本模块具体内容如下:
1.血肿形态:□圆形、类圆形 □不规则形 □分隔形
2.血肿扩大的征象:□脑室出血 □黑洞征(Black Hole Sign) □混杂征(BlendSign) □点征(Spot Sign) □岛征(Island Sign) □漩涡征(Swirl Sign) □卫星征(Satellite sign)
3.病灶大小:最大截面长径[],短径[],体积[]
4.其他影像所见:[]
四、影像对比判读模块
优选的,计算机内置影像对比模块:如患者不符合自发性脑出血诊断,则分级为“A”,建议结合临床及其他检查;如CT影像表现符合“没有血肿扩大的影像征象;血肿形态为圆形或类圆形;血肿体积小于30ml”且临床知识库信息符合“IOFC大于24小时;无高血压或凝血功能障碍”,则分级为B,建议结合患者临床表现,必要时随访;若CT影像表现符合“没有血肿扩大的影像征象;血肿形态为圆形或类圆形;血肿体积小于30ml”且临床知识库信息存在以下任意一项:“高血压;凝血功能障碍;IOFC小于24小时”,则分级为C1,建议适时随访;若CT影像表现符合“没有血肿扩大的影像征象”但符合以下任意一项“血肿形态为不规则形或分隔形;血肿位置位于丘脑区;血肿体积大于30ml”且临床知识库信息存在以下任意一项:“高血压;凝血功能障碍;IOFC小于24小时”,则分级为C2,建议适时随访;若CT影像表现存在“血肿扩大征象”中任一项且“血肿形态为圆形或类圆形”,临床知识库信息符合“IOFC大于24小时;无高血压或凝血功能障碍”,则分级为D1,建议短期复查;若CT影像表现存在“血肿扩大征象”中任一项且“血肿形态为不规则形或分隔形;血肿位置位于丘脑区;血肿体积大于30ml;IOFC小于24小时;有高血压或凝血功能障碍”,则分级为D2,建议短期复查;若CT影像表现存在“血肿扩大征象”中大于等于两项且“血肿形态为圆形或类圆形;血肿体积小于30ml”,临床知识库信息符合“IOFC大于24小时;无高血压或凝血功能障碍”,则分级为D3,建议短期复查;若CT影像表现存在“血肿扩大征象”中大于等于两项,且影像表现存在“血肿形态为不规则形或分隔形;血肿位置位于丘脑区;血肿体积大于30ml”任一项或临床知识库信息符合“高血压;凝血功能障碍;IOFC小于24小时”任一项,则分级为E,建议积极治疗,每2小时复查。评分的优先级及血肿扩大由A至E依次升高。本模块将于临床信息知识库模块、解剖模式图模块、影像特征标准化描述模块相连,提取上述临床及医学影像信息,与数据库中的预设信息比较,整理并逻辑分析患者病灶分级,判断是否满足上述分级标准中的某一条或两条以上,当满足上述分级标准中的某一条时,输出分级结果;当满足上述分级标准中的两条以上时,输出最高分级结果。生成的影像标准化报告内容,通过自动与影像模块进行对比,生成标准的分级。将生成的解剖模式图单元中输出的内容与构建结构化影像描述单元进行一一对比,得出分级,并输出最高级别分级,抛弃低级别分级。此单元模块要求1)发病后首次CT检查,定为基线,基线可以是首次CT或最近CT,表现可以是非出血性脑卒中,例如肿瘤或缺血性脑卒中等,此项分级为“A”。2)确诊为自发性脑出血。依据CT表现,发病时间、患者病史及临床资料,对应上述分级内容。当医生解读图像后,对影像信号的征象,病灶的大小等征象改变进行描述,描述的内容,自动与输入计算机模块内的标准进行对比。
五、神经网络单元:
将临床信息知识库单元的选项和数值化输入内容进行编码,通过历史病例临床信息和结果数据集训练一个8层的BP神经网络模型,将知识题库和手动输入单元的勾选和输入结果的编码输入训练好的神经网络模型,输出患者部位的疾病名称,提供辅助功能。其工作方式如下:
1)对临床信息知识题库和医师输入结果进行编码。本专利采用独热码和实际数值相结合的方式对选择知识题库的选项、数值化手动单元(长度、面积、体积等)和医师输入结果(疾病名称)进行混合编码,生成一个多维编码向量。向量的维度是选择知识题库中所有选项的总数量、数值化手动输入单元的数量以及潜在结果疾病风险表中风险的数量之和。
对于选择知识题库,本专利采用独热码对其选项进行编码。假设题库中的一个选择题有n个固定顺序的选项[s0,s1,s2,…,sn-1],当医生选择了第i个选项时,令si=1且sj=0,(j≠i)生成一个n维向量;对于数值化手动输入单元,本专利采用直接用实际数值编码的形式,将其在标准单位下的实际输入数值作为其编码;对于医师输入结果,本专利采用独热码对其进行编码。假设在固定顺序的潜在结果疾病名称表中有m项疾病名称,可表示为[k0,k1,k,…,km-1]。当医师判断为第p种结果时,生成一个一一对应的m维向量,其对应方式为kp=1且kq=0,(q≠p)。
将三种编码向量按临床信息题库中的顺序依次合并,组成一个有序的N维编码向量。其中,前N-m维为临床信息样本编码,后m维为样本标签。
2)按步骤1中编码方式对历史病例进行编码。对大量的历史病例临床知识题库和结果的相应信息按照步骤1的编码方式进行编码,生成一个临床病例数据集。按照8.5:1.5的比例将数据集划分为训练集和测试集两个集合。
3)建立神经网络模型,对模型进行训练和测试。本专利设计了一个由8层神经元组成的前馈神经网络模型,从输入层到输出层的神经元数量分别为:N-m(输入层),128,256,512,1024,1024,512,512,m(输出层)。每层神经元(除输出层外)经过仿射计算后分别进行批归一化计算和ReLU6非线性映射。在第4-7层的仿射计算后增加失活概率为0.5的随机失活以防止神经网络过拟合。采用交叉熵损失函数和Softmax输出层。优化器使用随机梯度下降(SGD)优化器,设置初始学习率为0.01并使用学习率余弦函数衰减策略。
每次从训练集中随机采样32个未训练样本数据输入神经网络进行模型训练,训练时只输入样本编码向量的前N-m维数据,得到m维的模型预测输出。将模型预测输出进行独热编码,具体编码方式为:将其最大的项置1,其它项置0。将独热编码后的模型预测输出与相应样本编码向量中的后m维样本标签数据计算交叉熵损失,并用SGD优化器更新模型参数。待将所有训练集的数据训练完一遍后,更新学习率,并将验证集的样本数据输入模型得到预测向量,预测时只输入样本编码向量的前N-m维数据,得到m维独热编码形式的模型预测输出,将模型预测输出与相应样本编码向量的后m维样本标签进行对比,若二者相同,则预测正确;否则,预测错误。
反复将训练集数据和测试集数据输入神经网络模型进行迭代训练和测试,保存测试准确率最大时的模型及参数。测试准确率的计算方式为在测试集上预测正确的样本总数除以测试集样本总数。
4)根据医生在知识题库中对病例的评判结果生成临床信息编码,输入保存的模型,输出预测风险分级。当医师每次根据病例的临床特征填写完临床信息题库时,按照医师填写情况按步骤1对题库信息按顺序生成编码,将编码输入步骤3中保存的神经网络模型,模型输出预测结果的编码。按照模型预测编码,假设其中第z项为最大值项,则对照潜在结果风险分级表选择第z个结果的风险分级作为建议风险级别结果。
六、报告生成模块
此部分输出内容有,典型病灶图及影像模式图;临床信息内容;病灶位置结构名词;影像分级;标准化报告内容。在计算机内部人工设定预定的解剖结构、病灶形态、病灶信号术语和输出结果等,以避免人为输入错误和非标准用词,输出影像表现的模式图及典型影像图。并逐层、逐次规范输出病灶的解剖结构、病灶影像特征,以规范的书写方式通过人机交互输出标准格式报告内容及风险分级。
附图说明
图1是本申请的额顶叶结构断层解剖图;
图2是本申请的基底节区结构断层解剖图;
图3是本申请的额颞枕叶结构断层解剖图;
图4是本申请的小脑及脑干结构图;
图5是本申请的病灶位置指示图;
图6是本申请的报告生成示意图。
附图标记说明:1右侧额叶、2左侧额叶、3右侧顶叶、4左侧顶叶、5右侧颞叶、6左侧颞叶、7右侧枕叶、8左侧枕叶、9右侧基底节区、10左侧基底节区、11右侧丘脑、12左侧丘脑、13胼胝体、14右侧岛叶、15左侧岛叶、16右侧小脑、17左侧小脑、18脑干。
具体实施方式
实施例一
一、建立临床信息知识库模块:
本结构化报告的使用范围是自发性脑出血。首先确定患者有无高血压病史,例如,高血压:□无 □有(选中)(最高收缩压[最高收缩压220毫米汞柱]) □不详;第二步确定患者有无影响凝血功能的病史,凝血功能障碍:□酗酒(选中) □慢性肝病 □血液系统疾病□抗凝血药物[] □其他[];第三步确定发病到CT检查时间:发病到本次CT扫描时间(IOFC):□小于6小时 □6-24小时(选中) □大于24小时[];最后确定有无其他血管危险因素:无。
二、解剖模式图模块:
计算机显示模式图模块中的各大脑解剖结构断层示意图,由放射科医师阅片后用鼠标点击血肿所在位置左侧颞叶,该脑区颜色突出显示,精确定位病灶所在位置并与报告生成模块相连,输出病灶所在位置示意图,如图5所示。
三、影像特征标准化描述模块:
构建影像特征标准化描述模块,由用户根据患者的CT影像和人机交互界面提供的预设的指示信息在输入部输入影像评估的参数,及在必要时以填空的形式输入的文本型参数。病灶大小将由计算机自动测量的数值填充入标准化报告输入部。
1.形态:□圆形、类圆形 □不规则形(选中) □分隔形
2.血肿扩大的征象:□脑室出血□黑洞征(Black Hole Sign)(选中) □混杂征(Blend Sign) □点征(Spot Sign) □岛征(Island Sign) □低密度征(Hypodensities)□漩涡征(Swirl Sign) □卫星征(Satellite sign)
3.病灶大小:最大截面长径[5.3]cm,短径[3.3]cm,体积[47]cm3血肿体积计算
其中,h是层厚,Si是第i层的血肿面积(i=1,…n),l是层间距,VT是总体积。
4.其他影像所见:中线结构向右移位,脑室变窄。
四、计算机内置影像对比判读模块
整理并逻辑分析前述临床信息知识库模块、解剖模式图模块及影像特征标准化描述模块信息,提取医学影像信息、自动化计算的病灶参数和人工输入信息,自动与计算机模块内的数据库预设信息进行对比,输出危险度分级结构及治疗建议。
具体地,实施实例一中,关键信息为:血肿形态为不规则形,血肿体积大于30ml,IOFC小于24小时,有高血压,且存在血肿扩大征象之一(黑洞征),与内置模块对比,符合影像报告分类中D2,管理建议为“建议短期复查”,输出影像表现及关联分级D2至报告生成模块。
五、神经网络单元:
将临床信息知识库单元的选项和数值化输入内容进行编码,通过历史病例临床信息和结果数据集训练一个8层的BP神经网络模型,将知识题库和手动输入单元的勾选和输入结果的编码输入训练好的神经网络模型,输出患者部位的疾病名称,提供辅助功能。其工作方式如下:
1)对临床信息知识题库和医师输入结果进行编码。本专利采用独热码和实际数值相结合的方式对选择知识题库的选项、数值化手动单元(长度、面积、体积等)和医师输入结果(疾病名称)进行混合编码,生成一个多维编码向量。向量的维度是选择知识题库中所有选项的总数量、数值化手动输入单元的数量以及潜在结果疾病名称表中疾病的数量之和。
对于选择知识题库,本专利采用独热码对其选项进行编码。假设题库中的一个选择题有n个固定顺序的选项[s0,s1,s2,…,sn-1],当医生选择了第i个选项时,令si=1且sj=0,(j≠i)生成一个n维向量;对于数值化手动输入单元,本专利采用直接用实际数值编码的形式,将其在标准单位下的实际输入数值作为其编码;对于医师输入结果,本专利采用独热码对其进行编码。假设在固定顺序的潜在结果疾病名称表中有m项疾病名称,可表示为[k0,k1,k,…,km-1]。当医师判断为第p种结果时,生成一个一一对应的m维向量,其对应方式为kp=1且kq=0,(q≠p)。
将三种编码向量按临床信息题库中的顺序依次合并,组成一个有序的N维编码向量。其中,前N-m维为临床信息样本编码,后m维为样本标签。
2)按步骤1中编码方式对历史病例进行编码。对大量的历史病例临床知识题库和结果的相应信息按照步骤1的编码方式进行编码,生成一个临床病例数据集。按照8.5:1.5的比例将数据集划分为训练集和测试集两个集合。
3)建立神经网络模型,对模型进行训练和测试。本专利设计了一个由8层神经元组成的前馈神经网络模型,从输入层到输出层的神经元数量分别为:N-m(输入层),128,256,512,1024,1024,512,512,m(输出层)。每层神经元(除输出层外)经过仿射计算后分别进行批归一化计算和ReLU6非线性映射。在第4-7层的仿射计算后增加失活概率为0.5的随机失活以防止神经网络过拟合。采用交叉熵损失函数和Softmax输出层。优化器使用随机梯度下降(SGD)优化器,设置初始学习率为0.01并使用学习率余弦函数衰减策略。
每次从训练集中随机采样32个未训练样本数据输入神经网络进行模型训练,训练时只输入样本编码向量的前N-m维数据,得到m维的模型预测输出。将模型预测输出进行独热编码,具体编码方式为:将其最大的项置1,其它项置0。将独热编码后的模型预测输出与相应样本编码向量中的后m维样本标签数据计算交叉熵损失,并用SGD优化器更新模型参数。待将所有训练集的数据训练完一遍后,更新学习率,并将验证集的样本数据输入模型得到预测向量,预测时只输入样本编码向量的前N-m维数据,得到m维独热编码形式的模型预测输出,将模型预测输出与相应样本编码向量的后m维样本标签进行对比,若二者相同,则预测正确;否则,预测错误。
反复将训练集数据和测试集数据输入神经网络模型进行迭代训练和测试,保存测试准确率最大时的模型及参数。测试准确率的计算方式为在测试集上预测正确的样本总数除以测试集样本总数。
4)根据医生在知识题库中对病例的评判结果生成临床信息编码,输入保存的模型,输出预测风险分级。当医生每次根据病例的临床特征填写完临床信息题库时,按照填写内容按步骤1对题库信息按顺序生成编码,将编码输入步骤3中保存的神经网络模型,模型输出预测结果的编码。按照模型预测编码,假设其中第z项为最大值项,则对照潜在结果风险分级表选择第z个结果的风险分级作为建议结果风险级别。
六、报告生成模块
报告生成模块与前述临床信息知识库模块、解剖模式图模块、影像特征标准化描述模块、神经网络单元、影像对比模块相连,输出内容包括,影像模式图;临床信息内容;病灶位置结构名词;影像分级;标准化报告内容。具体地,实施实例一中,生成报告包括:
(一)临床资料
1.高血压:□无 ■有(最高收缩压[220毫米汞柱]) □不详
2.凝血功能障碍:■酗酒 □慢性肝病 □血液系统疾病 □抗凝血药物 □其他[]
3.发病到本次CT扫描时间(IOFC):□小于6小时 ■6-24小时 □大于24小时
4.其他血管危险因素[无]
(二)影像表现:
如图5所示。
1.形态:□圆形、类圆形 ■不规则形 □分隔形
2.血肿扩大的征象:□脑室出血 ■黑洞征(Black Hole Sign) □混杂征(BlendSign) □点征(Spot Sign) □岛征(Island Sign) □漩涡征(Swirl Sign) □卫星征(Satellite sign)
3.病灶大小:最大截面长径[5.3]cm,短径[3.3]cm体积[47]cm3
(三)印象判断:
左侧颞叶脑出血,血肿扩大危险分类为D2级,建议短期随访。
最终生成报告如图6。
表1:血肿扩大影像报告分类标准
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (4)
1.一种脑出血血肿扩大风险智能化预测系统,其特征在于,包括临床信息知识库模块、解剖模式图模块、影像特征标准化描述模块、神经网络单元和报告生成模块;临床信息知识库模块包括结构化报告使用范围、高血压情况、凝血功能障碍、发病到首次CT扫描时间;影像特征标准化描述模块包括血肿形态、血肿扩大的征象、病灶大小;报告生成模块包括典型病灶图及影像模式图、临床信息内容、病灶位置结构名词、影像分级、标准化报告内容。
2.根据权利要求1所述的一种脑出血血肿扩大风险智能化预测系统,其特征在于,还包括所述影像对比判读模块。
3.基于权利要求1所述的一种脑出血血肿扩大风险智能化预测系统的分析方法,其特征在于,第一步,对临床信息知识题库和医师输入结果进行编码;第二步,按第一步中编码方式对历史病例进行编码;第三步,建立神经网络模型,对模型进行训练和测试;第四步,根据医生在知识题库中对病例的评判结果生成临床信息编码,输入保存的模型,输出预测风险分级。
4.根据权利要求3所述的基于权利要求1所述的一种脑出血血肿扩大风险智能化预测系统的分析方法,其特征在于,采用独热码和实际数值相结合的方式对选择知识题库的选项、数值化手动单元和医师输入结果进行混合编码,生成一个多维编码向量;向量的维度是选择知识题库中所有选项的总数量、数值化手动输入单元的数量以及潜在疾病风险分级表中风险分级数量之和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110358312.XA CN113096796B (zh) | 2021-04-01 | 2021-04-01 | 脑出血血肿扩大风险智能化预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110358312.XA CN113096796B (zh) | 2021-04-01 | 2021-04-01 | 脑出血血肿扩大风险智能化预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113096796A true CN113096796A (zh) | 2021-07-09 |
CN113096796B CN113096796B (zh) | 2022-09-02 |
Family
ID=76672862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110358312.XA Active CN113096796B (zh) | 2021-04-01 | 2021-04-01 | 脑出血血肿扩大风险智能化预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113096796B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511556A (zh) * | 2022-04-02 | 2022-05-17 | 武汉大学 | 胃黏膜出血风险预警方法、装置和医学图像处理设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184307A (zh) * | 2015-07-27 | 2015-12-23 | 蚌埠医学院 | 一种医学领域图像语义相似度矩阵的生成方法 |
US20170068792A1 (en) * | 2015-09-03 | 2017-03-09 | Bruce Reiner | System and method for medical device security, data tracking and outcomes analysis |
CN106599600A (zh) * | 2016-12-28 | 2017-04-26 | 上海联影医疗科技有限公司 | 放疗计划报告和医学影像检查报告的电子显示方法和电子设备 |
CN107463786A (zh) * | 2017-08-17 | 2017-12-12 | 王卫鹏 | 基于结构化报告模板的医学影像知识库建立方法 |
CN108376558A (zh) * | 2018-01-24 | 2018-08-07 | 复旦大学 | 一种多模态核磁共振影像病历报告自动生成方法 |
CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
CN110378383A (zh) * | 2019-06-19 | 2019-10-25 | 江苏大学 | 一种基于Keras框架和深度神经网络的图片分类方法 |
CN110797119A (zh) * | 2019-09-23 | 2020-02-14 | 深圳甲田科技有限公司 | 健康风险智能监测装置和迁移学习方法 |
CN111179722A (zh) * | 2019-12-03 | 2020-05-19 | 王宇 | 一种颅脑手术训练仿真模型 |
CN111223085A (zh) * | 2020-01-09 | 2020-06-02 | 北京安德医智科技有限公司 | 一种基于神经网络的头部医疗影像辅助判读报告生成方法 |
CN111667897A (zh) * | 2020-04-24 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种影像诊断结果的结构化报告系统 |
US20200410670A1 (en) * | 2019-06-27 | 2020-12-31 | University Of Iowa Research Foundation | Fissurenet: A Deep Learning Approach for Pulmonary Fissure Detection in CT Images |
CN112241351A (zh) * | 2020-09-30 | 2021-01-19 | 中国银联股份有限公司 | 数据处理方法、装置、设备和介质 |
-
2021
- 2021-04-01 CN CN202110358312.XA patent/CN113096796B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184307A (zh) * | 2015-07-27 | 2015-12-23 | 蚌埠医学院 | 一种医学领域图像语义相似度矩阵的生成方法 |
US20170068792A1 (en) * | 2015-09-03 | 2017-03-09 | Bruce Reiner | System and method for medical device security, data tracking and outcomes analysis |
CN106599600A (zh) * | 2016-12-28 | 2017-04-26 | 上海联影医疗科技有限公司 | 放疗计划报告和医学影像检查报告的电子显示方法和电子设备 |
CN107463786A (zh) * | 2017-08-17 | 2017-12-12 | 王卫鹏 | 基于结构化报告模板的医学影像知识库建立方法 |
CN108376558A (zh) * | 2018-01-24 | 2018-08-07 | 复旦大学 | 一种多模态核磁共振影像病历报告自动生成方法 |
CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
CN110378383A (zh) * | 2019-06-19 | 2019-10-25 | 江苏大学 | 一种基于Keras框架和深度神经网络的图片分类方法 |
US20200410670A1 (en) * | 2019-06-27 | 2020-12-31 | University Of Iowa Research Foundation | Fissurenet: A Deep Learning Approach for Pulmonary Fissure Detection in CT Images |
CN110797119A (zh) * | 2019-09-23 | 2020-02-14 | 深圳甲田科技有限公司 | 健康风险智能监测装置和迁移学习方法 |
CN111179722A (zh) * | 2019-12-03 | 2020-05-19 | 王宇 | 一种颅脑手术训练仿真模型 |
CN111223085A (zh) * | 2020-01-09 | 2020-06-02 | 北京安德医智科技有限公司 | 一种基于神经网络的头部医疗影像辅助判读报告生成方法 |
CN111667897A (zh) * | 2020-04-24 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种影像诊断结果的结构化报告系统 |
CN112241351A (zh) * | 2020-09-30 | 2021-01-19 | 中国银联股份有限公司 | 数据处理方法、装置、设备和介质 |
Non-Patent Citations (3)
Title |
---|
VINCY DAVIS; SATISH DEVANE: "Diagnosis & classification of brain hemorrhage", 《2017 INTERNATIONAL CONFERENCE ON ADVANCES IN COMPUTING, COMMUNICATION AND CONTROL》 * |
VINCY DAVIS; SATISH DEVANE: "Diagnosis & classification of brain hemorrhage", 《2017 INTERNATIONAL CONFERENCE ON ADVANCES IN COMPUTING, COMMUNICATION AND CONTROL》, 19 March 2018 (2018-03-19) * |
黄艳群等: "基于Skip-gram词嵌入算法的结构化患者特征表示方法研究", 《北京生物医学工程》, vol. 38, no. 06, 18 December 2019 (2019-12-18), pages 568 - 574 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511556A (zh) * | 2022-04-02 | 2022-05-17 | 武汉大学 | 胃黏膜出血风险预警方法、装置和医学图像处理设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113096796B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210322102A1 (en) | Systems and methods of processing images to determine patient-specific plaque progression based on the processed images | |
US10169543B2 (en) | Systems and methods for reporting blood flow characteristics | |
Philpott et al. | Gender differences in descriptions of angina symptoms and health problems immediately prior to angiography: the ACRE study | |
RU2616985C2 (ru) | Система и способ для поддержки принятия клинических решений для планирования терапии с помощью логического рассуждения на основе прецедентов | |
Clifford et al. | Robust parameter extraction for decision support using multimodal intensive care data | |
US8744151B2 (en) | Diagnosis assisting system, diagnosis assisting program and diagnosis assisting method | |
CN113077887B (zh) | 大脑白质病变自动化定量分析系统与判读方法 | |
US20150161329A1 (en) | System and method for matching patient information to clinical criteria | |
CN103339631B (zh) | 医学信息系统规则集创建的方法及系统 | |
WO2005122002A2 (ja) | 構造化文書作成方法ならびに装置 | |
US20080270080A1 (en) | Hierarchical Real-Time Patient State Indices for Patient Monitoring | |
Glueck et al. | PhenoBlocks: Phenotype comparison visualizations | |
US20140136225A1 (en) | Discharge readiness index | |
CN113096796B (zh) | 脑出血血肿扩大风险智能化预测系统及方法 | |
CN112735569B (zh) | 脑肿瘤多模态mri术前胶质瘤手术区结果输出系统及方法 | |
CN114881968A (zh) | 基于深度卷积神经网络的octa图像血管分割方法、设备及介质 | |
CN114926477A (zh) | 一种基于深度学习的脑肿瘤多模态mri影像分割方法 | |
US20230142909A1 (en) | Clinically meaningful and personalized disease progression monitoring incorporating established disease staging definitions | |
Fryback et al. | Constructing a complex judgmental model: an index of trauma severity | |
CN111599427B (zh) | 一种一元化诊断的推荐方法、装置、电子设备及存储介质 | |
CN114386382A (zh) | 基于信息化处理的病案首页诊断信息质控方法及系统 | |
CN112205965B (zh) | 基于时间窗口切割的健康风险关键事件检测方法及系统 | |
CN112863648A (zh) | 脑肿瘤术后mri多模态输出系统及方法 | |
WO2022046612A1 (en) | Automated and assisted identification of stroke using feature-based brain imaging | |
Munarriz et al. | Reliability and accuracy assessment of morphometric measurements obtained with software for three-dimensional reconstruction of brain aneurysms relative to cerebral angiography measures |
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 |