CN113576487A - 特征的确定、心电预测方法及装置、电子设备和存储介质 - Google Patents

特征的确定、心电预测方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113576487A
CN113576487A CN202110677301.8A CN202110677301A CN113576487A CN 113576487 A CN113576487 A CN 113576487A CN 202110677301 A CN202110677301 A CN 202110677301A CN 113576487 A CN113576487 A CN 113576487A
Authority
CN
China
Prior art keywords
data
lung
image
determining
electrocardio
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
Application number
CN202110677301.8A
Other languages
English (en)
Other versions
CN113576487B (zh
Inventor
康雁
杨英健
李玮
李强
刘洋
郭英委
刘虎
雷亮
郑小丽
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.)
Shenzhen Technology University
Original Assignee
Shenzhen Technology 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 Shenzhen Technology University filed Critical Shenzhen Technology University
Priority to CN202110677301.8A priority Critical patent/CN113576487B/zh
Publication of CN113576487A publication Critical patent/CN113576487A/zh
Application granted granted Critical
Publication of CN113576487B publication Critical patent/CN113576487B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本公开涉及一种特征的确定方法、心电预测方法及装置、设备和存储介质，涉及心肺领域，所述的特征的确定方法，包括：获取与心电相关的筛选数据及其对应的系数，所述筛选数据至少包括：非影像临床数据及肺影像组学数据；基于所述筛选数据及所述系数确定与心电相关的多种特征。本公开实施例可确定与心电相关的特征以及对心电的状态进行预测。

Description

特征的确定、心电预测方法及装置、电子设备和存储介质
技术领域
本公开涉及心肺技术领域，尤其涉及一种特征的确定方法、心电预测方法及装置、电子设备和存储介质。
背景技术
慢性阻塞性肺疾病(COPD)是一种可预防、可治疗、进行性的慢性疾病，以持续性气流受限为特征，是呼吸系统常见的多发性疾病[1，2]。COPD是全球第四大死因[3]，预计到2060年，每年将有540多万人死于COPD及其相关并发症[1，4]。
由于慢性阻塞性肺病持续的气流受限，自主调节心率(HR)可能受到影响[5]。与非COPD患者相比，COPD患者不能获得足够的空气，导致HR增加，无法获得足够的氧气供应。然而，心率只是心脏的搏动频率，不能反映心脏生物电在心动周期中的变化。肺心病作为COPD的典型相关并发症，其表现为心电图(ECG)改变，导致心电图异常[6]。因此，慢性阻塞性肺病患者常有异常心电图征象[7]。在杜利赫勒医院的慢性阻塞性肺病患者中，心电图也被评估为与超声心动图测量的肺动脉收缩压升高相关[8]。
适当的计算机断层扫描(CT)技术对于评估慢性阻塞性肺病(COPD)至关重要，在过去的十年中，CT对我们理解COPD做出了重大贡献[9]。CT被认为是表征和量化慢性阻塞性肺病最有效的方法[9]。由于影像组学作为一种新兴的无创方法的概念在2012年被正式提出[10]，影像组学允许从CT等医学图像中提取定量特征[11]。影像组学已广泛应用于辅助诊断和预测，包括肿瘤预测[13]和良恶性肿瘤治疗效果预测[14]。然而，有关肺的影像组学主要是从特定的肿瘤[15]中计算出来的，如肺癌或肺结节，用于预测和治疗[16]。由于COPD在肺部的分布缺乏规律性，很少有研究者关注COPD的影像组学，因此不能充分利用影像组学来分析COPD与心电图的关系。
正是因为CT是目前表征和量化COPD最有效的方式[9]，而且影像组学可以从胸部CT图像中提取，所以COPD影像组学应该为ECG分析提供更多的信息。
[1]Singh D，Agusti A，Anzueto A，Barnes PJ，Bourbeau J，Celli BR，CrinerGJ，Frith P，Halpin DMG，Han M，Lopez Varela MV，Martinez F，Montes de Oca M，PapiA，Pavord ID，Roche N，Sin DD，Stockley R，Vestbo J，Wedzicha JA，VogelmeierC.Global Strategy for the Diagnosis，Management，and Prevention of ChronicObstructive Lung Disease:the GOLD science committee report 2019.The Europeanrespiratory journal 2019，53(5).
[2]Melanie M，Gayan B，Jennifer P，et al.Prediction models for thedevelopment of COPD:a systematic review[J].International Journal of ChronicObstructive Pulmonary Disease，2018，Volume 13:1927-1935.
[3]Mortality GBD，Causes of Death C.Global，regional，and national lifeexpectancy，all-cause mortality，and cause-specific mortality for 249causes ofdeath，1980-2015:a systematic analysis for the Global Burden of Disease Study2015.Lancet 2016，388(10053):1459-1544.
[4]World Health Organization World Health OrganizationGhwwihgbdpeA.Projections of mortality and causes of death，2016to 2060.2019，29.
[5]Lewis M J，Annandale J，Lewis K E.Influence of long-term oxygentherapy on heart rate and QT time-series in hypoxic patients with chronicobstructive pulmonary disease.[J].Clinical Physiology&Functional Imaging，2010，31(6):431-439.
[6]Suma K R，Srinath S，Praveen P.Electrocardiographic andechocardiographic changes in chronic obstructive pulmonary disease(copd)ofdifferent grades of severity[J]，2015.
[7]Larssen M S，Steine K，Hilde J M，et al.Original research article:Mechanisms of ECG signs in chronic obstructive pulmonary disease.2017.
[8]Humagain S，Keshari S，Gurung R，et al.Electrocardiographic changesin Chronic Obstructive Pulmonary Disease patients with elevated PulmonaryArtery Systolic Pressure[J].Nepalese Heart Journal，2013，8(1).
[9]Lynch D A.Progress in Imaging COPD，2004-2014[J].ChronicObstructive Pulmonary Diseases Journal of the Copd Foundation，2014，1(1):73.
[10]Lambin，P，Rios-Velazquez，et al.Radiomics:Extracting moreinformation from medical images using advanced feature analysis[J].Europeanjournal of cancer:official journal for European Organization for Research andTreatment of Cancer(EORTC)[and]European Association for Cancer Research(EACR)，2012.
[11]Philipp L，Anna-Katharina M，Martin K，et al.Feature-based PET/MRIradiomics in patients with brain tumors[J].Neuro-Oncology Advances，2021(Supplement_4):Supplement_4.
[12]Mu W，Chen Z，Liang Y，et al.Staging of cervical cancer based ontumor heterogeneity characterized by texture features on 18F-FDG PET images[J].Physics in Medicine&Biology，2015，60(13):5123-39.
[13]Huang Y，Liu Z，He L，et al.Radiomics Signature:A PotentialBiomarker for the Prediction of Disease-Free Survival in Early-Stage(I or II)Non—Small Cell Lung Cancer[J].Radiology，2016:947.
[14]Ke N，Shi L，Qin C，et al.Rectal Cancer:Assessment of NeoadjuvantChemo-Radiation Outcome Based on Radiomics of Multi-Parametric MRI[J].Clinical Cancer Research，2016，22(21):5256-5264.
[15]Aerts H，Velazquez E R，Leijenaar R，et al.Decoding tumour phenotypeby noninvasive imaging using a quantitative radiomics approach[J].NatureCommunications，2014，5(1):4006.
[16]Wu J，Lian C，Su R，et al.Treatment Outcome Prediction for CancerPatients Based on Radiomics and Belief Function Theory[J].IEEE Transactionson Radiation and Plasma Medical Sciences，2019，3(2):216-224.
发明内容
本公开提出了一种特征的确定方法、心电预测方法及装置、电子设备和存储介质技术方案。
根据本公开的一方面，提供了一种特征的确定方法，包括：
获取与心电相关的筛选数据及其对应的系数，所述筛选数据至少包括：非影像临床数据及肺影像组学数据；
基于所述筛选数据及所述系数确定与心电相关的多种特征。
优选地，在所述获取与心电相关的筛选数据及其对应的系数之前，需要确定与心电相关的筛选数据及其对应的系数，其确定方法，包括：
获取多个非影像临床数据及其对应的肺影像组学数据；
将心电作为状态量，通过预设筛选模型筛选所述多个非影像临床数据及其对应的肺影像组学数据，得到所述心电相关的筛选数据及其对应的系数。
优选地，在所述获取多个非影像临床数据对应的肺影像组学数据的方法，包括：
获取肺影像图像；
对所述肺影像图像进行肺区域分割，得到肺区域图像；
基于所述肺区域图像及组学计算模型，得到所述肺影像组学数据。
优选地，所述基于所述筛选数据及所述系数确定与心电相关的多种特征的方法，包括：
根据所述筛选数据中肺影像组学数据的图像类型确定所述筛选数据中肺影像组学数据的类型；
根据所述类型对所述筛选数据中肺影像组学数据进行划分，得到不同类型的肺影像组学数据；
分别基于所述筛选数据的非影像临床数据及所述不同类型的肺影像组学数据及其对应的系数确定与心电相关的多种特征。
根据本公开的一方面，提供了一种心电的预测方法，包括：如上述特征的确定方法；以及，
根据所述多种特征在心电由正常到异常及慢阻肺的演进阶段确定预测心电的特征；
基于所述预测心电的特征及预设预测模型对心电的状态进行预测。
优选地，所述根据所述多种特征在心电由正常到异常及慢阻肺的演进阶段确定预测心电的特征的方法，包括：
分别确定所述多种特征在心电由正常到异常的多个第一显著性，根据所述多个第一显著性及第一设定显著性确定待确定特征；
分别根据所述待确定特征在慢阻肺的演进阶段中的多个第二显著性，根据所述多个第二显著性及第二设定显著性确定预测心电的特征。
根据本公开的一方面，提供了一种特征的确定装置，包括：
获取单元，用于获取与心电相关的筛选数据及其对应的系数，所述筛选数据至少包括：非影像临床数据及肺影像组学数据；
确定单元，基于所述筛选数据及所述系数确定与心电相关的多种特征。
根据本公开的一方面，提供了一种心电的预测装置，包括：如上述的特征的确定装置；以及，
预测心电的特征确定单元，用于根据所述多种特征在心电由正常到异常及慢阻肺的演进阶段确定预测心电的特征；
预测单元，用于基于所述预测心电的特征及预设预测模型对心电的状态进行预测。
根据本公开的一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述特征的确定方法以及/或心电预测方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述特征的确定方法以及/或心电预测方法。
本实施例提出的特征的确定方法、心电预测方法及装置、电子设备和存储介质，可以解决目前肺影像组学及非影像临床数据的集合与心电关系不清楚，不能够很好确定影响心电的特征，以至于不能对心电进行有效预测的问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的特征的确定方法的流程图；
图2示出根据本公开实施例的特征的肺区域分割后的肺区域图像；
图3示出根据本公开实施例的预设组学计算模型示意图；
图4示出根据本公开实施例的待确定特征的显著性示意图；
图5是根据一示例性实施例示出的一种电子设备800的框图；
图6是根据一示例性实施例示出的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了特征的确定装置以及/或所述心电的预测装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种特征的确定方法以及/或所述心电的预测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图1示出根据本公开实施例的特征的确定方法的流程图，如图1所示，所述特征的确定方法，包括：步骤S101:获取与心电相关的筛选数据及其对应的系数，所述筛选数据至少包括：非影像临床数据及肺影像组学数据；步骤S102:基于所述筛选数据及所述系数确定与心电相关的多种特征。可以解决目前肺影像组学及非影像临床数据的集合与心电关系不清楚，不能够很好确定影响心电的特征，以至于不能对心电进行有效预测的问题。
步骤S101:获取与心电相关的筛选数据及其对应的系数，所述筛选数据至少包括：非影像临床数据及肺影像组学数据。
在本公开中，在所述获取与心电相关的筛选数据及其对应的系数之前，需要确定与心电相关的筛选数据及其对应的系数，其确定方法，包括：获取多个非影像临床数据及其对应的肺影像组学数据；将心电作为状态量，通过预设筛选模型筛选所述多个非影像临床数据及其对应的肺影像组学数据，得到所述心电相关的筛选数据及其对应的系数。
例如，在本公开的具体实施例中，所述多个非影像临床数据可包括：年龄、不良事件(AEANY)、肺上病灶严重程度的等级、心率、性别等。其中，肺上病灶可以为COPD疾病，COPD疾病的等级(GOLDCLA)可为5个等级，即GOLDCLA0-4，GOLDCLA0为没有确诊为COPD疾病，GOLDCLA1-4为已经确诊为COPD疾病，GOLDCLA1为最轻的COPD疾病，GOLDCLA4为最严重的COPD疾病。
在本公开的实施例中，在所述通过预设筛选模型筛选所述多个非影像临床数据及其对应的肺影像组学数据，得到所述心电相关的筛选数据及其对应的系数之前，需要对除所述状态量之外其他数值型的多个非影像临床数据及其对应的肺影像组学数据进行标准化。其标准化的方法可以采用最大值、最小值及均值的标准化方法。
在本公开的实施例中，所述对除所述状态量之外其他数值型的多个非影像临床数据及其对应的肺影像组学数据进行标准化的方法，包括：分别求取除所述除状态量之外其他数值型的多个非影像临床数据及其对应的肺影像组学数据的最大值、最小值及均值；分别利用所述最大值、最小值及均值对所述除状态量之外其他数值型的多个非影像临床数据及其对应的肺影像组学数据进行标准化。
例如，在本公开的实施例中，不良事件(any adverse events，AEANY)、肺上病灶严重程度的等级、及性别属于枚举型数据，不能进行标准化；而年龄、心率及肺影像组学数据的数值型数据需要标准化。
在本公开的实施例中，多个非影像临床数据及对应的肺影像组学数据指的是同一个人的多个非影像临床数据及对应的肺影像组学数据。本公开的实施例内可包括232人的多个非影像临床数据及对应的肺影像组学数据。其中，GOLDCLA0-4的人数分别为57，51，66，35及22人。
在本公开的实施例中，将多个非影像临床数据及其对应的肺影像组学数据放到一个表格内，将多个非影像临床数据的心电作为为状态量，通过预设筛选模型筛选所述多个非影像临床数据及其对应的肺影像组学数据，得到所述心电相关的筛选数据及其对应的系数。
在本公开的实施例中，预设筛选模型可选用Lasso筛选模型，Lasso筛选模型的数学形式为：
Figure BDA0003121286380000071
其中，在公式(1)中，
Figure BDA0003121286380000072
为标准化后除心电外的数值型非影像临床数据及其对应的肺影像组学数据及不进行标准化的枚举型非影像临床数据；yi是心电(状态量)；心电取值为0或1，0表示正常心电，1表示异常心电；λ≥0为惩罚系数；βj为回归系数；i∈[1，n]；j∈[0，p]；n为心电或除心电外的非影像临床数据及其对应的肺影像组学数据的个数，也可以理解为表格内数据的行数(232)，p为回归系数的数目。
在本公开的实施例中，经过预设筛选模型得到了以下筛选数据：年龄、不良事件(AEANY)及肺上病灶严重程度的等级(非影像临床数据)以及10个肺影像组学数据。10个肺影像组学数据的名称、类别及定义如表1所示。
表1 10个肺影像组学数据的名称、类别及定义
Figure BDA0003121286380000073
Figure BDA0003121286380000081
在表1中，原始图像对应的肺影像组学为Radiomics1，派生图像的Log图像对应的肺影像组学为Radiomics2-6，派生图像的wavelet图像对应的肺影像组学为Radiomics7-10。上述Radiomics1-Radiomics10在GOLDCLA0-4组间显著性都存在不满足设定显著性(0.05)的情形，因此需要构造新的组学特征。
表1中的组学的类别分别为灰度级大小区域矩阵(Gray Level Size ZoneMatrix)、一阶特征(First Order Features)、灰度级独立矩阵(Gray Level DependenceMatrix)、灰度级共生矩阵(Gray Level Cooccurence Matrix)、邻域灰度差分矩阵(Neighbouring Gray Tone Difference Matrix)。
在本公开中，在所述获取多个非影像临床数据对应的肺影像组学数据的方法，包括：获取肺影像图像；对所述肺影像图像进行肺区域分割，得到肺区域图像；基于所述肺区域图像及预设组学计算模型，得到所述肺影像组学数据。
在本公开的实施例中，肺影像可以采用CT装置进行拍摄，得到肺CT影像图像。
例如，在本公开的实施例中，所述对所述肺影像图像进行肺区域分割，得到肺区域图像的方法，包括：获取已经训练的预设分割模型，根据所述预设分割模型对所述肺影像图像进行肺区域分割，得到肺区域图像。其中，所述肺区域图像包括：左肺图像及右肺图像。所述预设分割模型可为ResU-Net神经网络模型，其具体网络结构图可以参考我们已经公开的论文：Lung parenchyma parameters measure of rats from pulmonary windowcomputed tomography images based on ResU-Net model for medical respiratoryresearches。
图2示出根据本公开实施例的特征的肺区域分割后的肺区域图像。在图2中，第1、3、5列为原始的胸部CT图像，第2、4、6列为通预设分割模型过对应的肺区域分割后的肺区域图像的结果展示。
步骤S102:基于所述筛选数据及所述系数确定与心电相关的多种特征。
在本公开中，所述基于所述筛选数据及所述系数确定与心电相关的多种特征的方法，包括：根据所述筛选数据中肺影像组学数据的图像类型确定所述筛选数据中肺影像组学数据的类型；根据所述类型对所述筛选数据中肺影像组学数据进行划分，得到不同类型的肺影像组学数据；分别基于所述筛选数据的非影像临床数据及所述不同类型的肺影像组学数据及其对应的系数确定与心电相关的多种特征。
在本公开的实施例中，图3示出根据本公开实施例的预设组学计算模型示意图。所述筛选数据中肺影像组学数据的图像类型可以为原始图像及派生图像，所述派生图像可包括：拉普拉斯高斯滤波(Laplacian of Gaussian filter，LoG)图像以及小波滤波(wavelet)图像；LoG图像内配置参数sigma，参数sigma为1.0-5.0的任一整数值，wavelet图像为8种wavelet图像，8(23)种wavelet图像可由wavelet滤波器在每层的8个分解量经过高通滤波器(H)及低通滤波器(L)的任意组合得到，即：wavelet.LLL-wavelet.HHH的8种wavelet图像。
在本公开的实施例中，上述肺区域图像经过预设组学计算模型，得到所述肺影像组学数据。预设组学计算模型为现有的影像组学计算模型，可以通过网址https://pyradiomics.readthedocs.io/en/latest/index.html得到，再此不在对影像组学计算模进行详细说明。
如图3所示，肺区域图像输入预设组学计算模型中，所述预设组学计算模型根据原始CT图像及对应的肺掩码图像提取原始的肺区域图像；将所述肺区域图像作为原始图像，分别将所述肺区域图像进行LoG以及wavelet处理得到派生图像，所述派生图像包括：LoG图像以及wavelet图像，分别对所述原始图像及所述原始图像按照组学特征的类(Class ofradiomics features)计算肺影像组学数据。其中，所述组学特征的类，可包括：一阶统计特征(First Order Statistics)、3D形态特征(Shape-based(3D))、2D形态特征(Shape-based(2D))、灰度级共生矩阵(Gray Level Cooccurence Matrix)、灰度级长度矩阵(Gray LevelRun Length Matrix)、灰度级大小区域矩阵(Gray Level Size Zone Matrix)、邻域灰度差分矩阵(Neighbouring Gray Tone Difference Matrix)及灰度级独立矩阵(Gray LevelDependence Matrix)。
其中，所述根据原始CT图像及对应的肺掩码图像提取原始的肺区域图像的方法，包括：所述原始CT图像分别乘以对应的肺掩码图像提取原始的肺区域图像。例如，所述肺掩码图像中，左肺的掩码值配置为1，右肺的掩码值配置为2。当提取原始的肺区域图像是左肺时，将右肺的掩码值设置为0，此时所述原始CT图像分别乘以对应的肺掩码图像提取原始的肺区域图像中的左肺图像。当提取原始的肺区域图像是右肺时，将左肺的掩码值设置为0，右肺的掩码值设置为1，此时所述原始CT图像分别乘以对应的肺掩码图像提取原始的肺区域图像中的右肺图像。
或，将所述肺掩码图像的肺区域配置为1，非肺区域配置为0，所述原始CT图像分别乘以对应的肺掩码图像提取原始的肺区域图像中的左右肺图像。
例如，所述原始CT图像为
Figure BDA0003121286380000101
相应肺掩码图像为
Figure BDA0003121286380000102
则通过上述方法得到的肺区域图像中的左以及/或右肺图像为
Figure BDA0003121286380000103
在本公开的实施例中，每个人的肺区域图像经过上述肺区域图像的计算，得到1316个影像组学数据。
在本公开的实施例中，根据所述类型对所述筛选数据中肺影像组学数据进行划分，得到不同类型的肺影像组学数据。也就是得到了原始图像及派生图像的肺影像组学数据，其中派生图像的肺影像组学数据可包括：LoG图像以及wavelet图像对应的肺影像组学数据。
在本公开的实施例中，分别基于所述筛选数据的非影像临床数据及所述不同类型的肺影像组学数据及其对应的系数(回归系数)确定与心电相关的多种特征具体方法，包括：基于所述筛选数据的非影像临床数据及对应的系数(回归系数)确定第一特征分量；分别基于所述不同类型的肺影像组学数据及其对应的系数(回归系数)确定多个第二特征分量；分别基于所述第一特征分量及所述多个第二特征分量的每个第二特征分量确定与心电相关的多种特征。
具体地说，在本公开的实施例中，所述基于所述筛选数据的非影像临床数据及对应的系数(回归系数)确定第一特征分量的方法，包括：所述筛选数据的非影像临床数据分别乘以及对应的系数(回归系数)，得到所述第一特征分量的多个第一因子；对所述多个第一因子进行累加操作，得到所述第一特征分量。具体地说，在本公开的实施例中，所述分别基于所述不同类型的肺影像组学数据及其对应的系数(回归系数)确定多个第二特征分量的方法，包括：所述不同类型的肺影像组学数据分别乘以其对应的系数(回归系数)得到多个第二特征分量内的多个第二因子；每个所述第二特征分量内的多个第二因子进行累加操作，得到每个所述第二特征分量。
具体地说，在本公开的实施例中，所述分别基于所述第一特征分量及所述多个第二特征分量的每个第二特征分量确定与心电相关的多种特征的方法，包括：所述第一特征分量分别与所述多个第二特征分量的每个第二特征分量进行累加操作，得到与心电相关的多种特征。
在本公开的实施例中，给出了与心电相关的多种特征的数学形式，第一特征Y、第二特征Y1、第三特征Y2、第四特征Y3。
第一特征
Figure BDA0003121286380000111
在公式(2)中，
Figure BDA0003121286380000112
为所述筛选数据的非影像临床数据及对应的系数(回归系数)对应的第一特征分量，
Figure BDA0003121286380000113
为所述筛选数据的肺影像组学数据及对应的系数(回归系数)对应的一个第二特征分量。βi为通过预设筛选模型得到的年龄、不良事件(AEANY)及肺上病灶严重程度的等级(非影像临床数据)xi的系数(回归系数)，βj为通过预设筛选模型得到的肺影像组学Radiomics1-10数据xj的系数(回归系数)，N1为所述筛选数据的非影像临床数据数目，N2为所述筛选数据的肺影像组学数据数目，N1＝3，N2＝10。具体地，年龄、不良事件(AEANY)及肺上病灶严重程度的等级的系数βi分别为0.0197，0.0610及0.0015。肺影像组学Radiomics1-10数据xj的系数βj分别为-0.0018，-0.0554，0.0509，0.0091，0.0010，0.0020，0.0459，0.0592，0.0274及0.0101。
第二特征
Figure BDA0003121286380000114
在公式(3)中，
Figure BDA0003121286380000115
为所述筛选数据的非影像临床数据及对应的系数(回归系数)对应的第一特征分量，βkxk为所述筛选数据中属于原始图像的肺影像组学数据Radiomics1及对应的系数(回归系数)对应的一个第二特征分量。βk为-0.0018。
第三特征
Figure BDA0003121286380000121
在公式(4)中，
Figure BDA0003121286380000122
为所述筛选数据的非影像临床数据及对应的系数(回归系数)对应的第一特征分量，
Figure BDA0003121286380000123
为所述筛选数据中属于Log图像的肺影像组学数据Radiomics2-6及对应的系数(回归系数)对应的一个第二特征分量。βl为所述筛选数据的肺影像组学数据Radiomics2-6 xl对应的系数-0.0554，0.0509，0.0091，0.0010，0.0020。N3为所述筛选数据中属于Log图像的肺影像组学数据数目。
第四特征
Figure BDA0003121286380000124
在公式(4)中，
Figure BDA0003121286380000125
为所述筛选数据的非影像临床数据及对应的系数(回归系数)对应的第一特征分量，
Figure BDA0003121286380000126
为所述筛选数据中属于wavelet图像的肺影像组学数据Radiomics6-10及对应的系数(回归系数)对应的一个第二特征分量。βm为所述筛选数据的肺影像组学数据Radiomics6-10 xm对应的系数0.0459，0.0592，0.0274及0.0101。N4为所述筛选数据中属于wavelet图像的肺影像组学数据数目。
在本公开的实施例中，根据所述多种特征在心电由正常到异常及慢阻肺的演进阶段确定特定的特征。
具体地说，所述根据所述多种特征在心电由正常到异常及慢阻肺(COPD)的演进阶段确定特定的特征的方法，包括：分别确定所述多种特征在心电由正常到异常的多个第一显著性，根据所述多个第一显著性及第一设定显著性确定待确定特征；分别根据所述待确定特征在慢阻肺(COPD)的演进阶段中的多个第二显著性，根据所述多个第二显著性及第二设定显著性确定特定的特征。特定的特征为在临床上具有价值的特征，例如预测心电的特征。其中，多个第二显著性为GOLDCLA0-4各个组间的显著性。多种特征在心电由正常到异常的多个第一显著性使用的是双边的非配对的t检验(unpaired t test with two-tailed)，而多个第二显著性使用的是Tukey多列比较检验(Tukey’s multiple comparisons test)。
在本公开的实施例中，第一设定显著性及所述第二设定显著性可以相同也不可以不同，例如第一设定显著性及所述第二设定显著性可以设置或配置为0.05。
在本公开的实施例中，所述根据所述多个第一显著性及第一设定显著性确定待确定特征的方法，包括：若所述多个第一显著性的某个第一显著性小于所述多个第一显著性，则将所述某个第一显著性对应的特征确定为待确定特征；否则，删除所述某个第一显著性对应的特征。
在本公开的实施例中，根据所述多个第二显著性及第二设定显著性确定特定的特征的方法，包括所述待确定特征的多个第二显著性都小于所述第二设定显著性，则将述待确定特征确定为特定的特征。
例如，本公开实施例提出的第一特征Y、第二特征Y1、第三特征Y2、第四特征Y3，第一特征Y、第二特征Y1、第三特征Y2、第四特征Y3在心电由正常到异常的第一显著性都小于所述多个第一显著性，则将第一特征Y、第二特征Y1、第三特征Y2、第四特征Y3都确定为待确定特征。在从待确定特征的第一特征Y、第二特征Y1、第三特征Y2、第四特征Y3中确定特定的特征，而在本公开提供的数据中，只有第二特征Y1满足多个第二显著性都小于所述第二设定显著性，将第二特征Y1确定为特定的特征。
图4示出根据本公开实施例的待确定特征的显著性示意图。其中，P为显著性。第一设定显著性及所述第二设定显著性都设置或配置为0.05。如图4(a1)-(d1)及表2所示，第一特征Y、第二特征Y1、第三特征Y2、第四特征Y3的多个第一显著性分别为0.0031、<0.0001、<0.0001、<0.0001，第一特征Y、第二特征Y1、第三特征Y2、第四特征Y3的多个第一显著性都小于0.05，则将第一特征Y、第二特征Y1、第三特征Y2、第四特征Y3都确定为待确定特征。如图4(a2)-(d2)及表2所示，在从待确定特征的第一特征Y、第二特征Y1、第三特征Y2、第四特征Y3中确定特定的特征，只有第二特征Y1满足多个第二显著性(<0.0001)都小于0.05，将第二特征Y1确定为特定的特征。其中，表2中的ns表示没有显著性。
表2待确定特征在COPD等级下的显著性
Tukey’s multiple comparisons test Y1 Y2 Y3 Y
GOLDCLA0 vs.GOLDCLA1 <0.0001 0.7243(ns) 0.1784(ns) 0.9978(ns)
GOLDCLA0 vs.GOLDCLA2 <0.0001 0.0119 0.0004 0.0337
GOLDCLA0 vs.GOLDCLA3 <0.0001 0.0009 <0.0001 <0.0001
GOLDCLA0 vs.GOLDCLA4 <0.0001 <0.0001 <0.0001 <0.0001
GOLDCLA1 vs.GOLDCLA2 <0.0001 0.3453(ns) 0.3800(ns) 0.0994(ns)
GOLDCLA1 vs.GOLDCLA3 <0.0001 0.0458 0.0004 0.0004
GOLDCLA1 vs.GOLDCLA4 <0.0001 0.0011 0.0003 0.0002
GOLDCLA2 vs.GOLDCLA3 <0.0001 0.7113(ns) 0.0449 0.2021(ns)
GOLDCLA2 vs.GOLDCLA4 <0.0001 0.0640(ns) 0.0243 0.0739(ns)
GOLDCLA3 vs.GOLDCLA4 <0.0001 0.6099(ns) 0.9784(ns) 0.9568(ns)
本公开还提出了一种心电的预测方法，包括：如上所述特征的确定方法，包括：根据所述多种特征在心电由正常到异常及慢阻肺的演进阶段确定预测心电的特征；基于所述预测心电的特征及预设预测模型对心电的状态进行预测。本公开的预测心电的特征融合了非影像临床数据及肺影像组学数据，可以提高其预测的准确性。例如，本公开实施例的仅仅使用筛选后的非影像临床数据进行预测的AUC＝0.53，而利用筛选后的非影像临床数据进行预测的AUC＝0.71，而预测心电的特征进行预测的AUC＝0.85。
在本公开中，所述根据所述多种特征在心电由正常到异常及慢阻肺的演进阶段确定预测心电的特征的方法，包括：分别确定所述多种特征在心电由正常到异常的多个第一显著性，根据所述多个第一显著性及第一设定显著性确定待确定特征；分别根据所述待确定特征在慢阻肺的演进阶段中的多个第二显著性，根据所述多个第二显著性及第二设定显著性确定预测心电的特征。具体可详见上述特征的确定方法详细的说说明。
在本公开的实施例中，预设预测模型可以为Cox生存分析预测模型。在训练预设预测模型中，将预测心电的特征的一定比列作为训练集，将剩余预测心电的特征(1-一定比列)作为测试集，对心电的状态进行预测。例如，一定比列可配置为0.7。
在本公开的实施例中，所述基于所述预测心电的特征及预设预测模型对心电的状态进行预测的方法，包括：利用预设预测模型对所述预测心电的特征内第一特征分量对应的非影像临床数据以及第二特征分量对应的肺影像组学数据再次进行筛选，得到筛选预测数据；基于所述筛选预测数据、所述预测心电的特征及所述预设预测模型对心电的状态进行预测。也就是说，训练预设预测模型使用的是一定比列的所述筛选预测数据及所述预测心电的特征，对心电的状态进行预测使用的是剩余的所述筛选预测数据及所述预测心电的特征。也就是说，无论训练和测试时，预设预测模型的输入都是所述筛选预测数据及所述预测心电的特征。
在本公开的实施例中，所述利用预设预测模型对所述预测心电的特征内第一特征分量对应的非影像临床数据以及第二特征分量对应的肺影像组学数据再次进行筛选，得到筛选预测数据的方法，包括：获取预设筛选显著性值；分别计算所述第一特征分量对应的非影像临床数据之间的多个第一筛选显著性以及计算所述第二特征分量对应的肺影像组学数据之间的多个第二筛选显著性；选择所述多个第一筛选显著性小于所述多个第一筛选显著性对应的非影像临床数据；否则，删除所述多个第一筛选显著性对应的非影像临床数据；选择所述多个第二筛选显著性小于所述多个第二筛选显著性对应的非影像临床数据；否则，删除所述多个第二筛选显著性对应的非影像临床数据。其中，预设筛选显著性值可配置为0.05。
例如，在第二特征Y1中，年龄、不良事件(AEANY)及肺上病灶严重程度的等级(非影像临床数据)xi之间的多个第一筛选显著性，选择所述多个第一筛选显著性小于所述多个第一筛选显著性对应的非影像临床数据仅为不良事件(AEANY)及肺上病灶严重程度的等级，删除了年龄。
在本公开的实施例中，在分别计算所述第一特征分量对应的非影像临床数据之间的多个第一筛选显著性以及计算所述第二特征分量对应的肺影像组学数据之间的多个第二筛选显著性之前，分别确定所述第一特征分量对应的非影像临床数据的第一数目及所述第二特征分量对应的肺影像组学数据的第二数目；若所述第一数目等于1，则直接保留所述第一特征分量对应的非影像临床数据；若所述第二数目等于1，则直接保留所述第二特征分量对应的肺影像组学数据。
例如，在第二特征Y1中，所述第二特征分量对应的肺影像组学数据的数目为1，直接保留所述第二特征分量对应的肺影像组学数据。
具体地说，所述基于所述预测心电的特征及预设预测模型对心电的状态进行预测的方法，还包括：根据所述筛选数据的非影像临床数据对应的第一特征分量及所述筛选数据的肺影像组学数据对应的第二特征分量得到非线性的深度特征；基于所述筛选预测数据、所述非线性的深度特征及所述预测心电的特征及所述预设预测模型对心电的状态进行预测。也就是说，无论训练和测试时，预设预测模型的输入都是所述筛选预测数据、所述非线性的深度特征及所述预测心电的特征。
在本公开的实施例中，将所述筛选数据的非影像临床数据及对应的系数(回归系数)对应的第一特征分量
Figure BDA0003121286380000161
及所述筛选数据的肺影像组学数据及对应的系数(回归系数)对应的一个第二特征分量
Figure BDA0003121286380000162
分别作为神经网络的输入，通过神经网络得到一个非线性的深度特征，以提升心电的状态的准确性，得到满意的ROC曲线。
所述神经网络，至少包括：输入层、隐藏层及输出层；所述预测心电的特征依次经过输入层、隐藏层及输出层得到非线性的深度特征。其中，所述隐藏层为多层结构，每层结构至少包括：全连接层(Fully-connected layer)及丢弃层(Dropout layer)。非线性的深度特征进行预测的AUC＝0.87。虽然与预测心电的特征进行预测的AUC相比，仅仅提升了0.02，但是对于医学领域也具有重大的意义。
所述特征的确定方法以及/或所述心电的预测方法的执行主体可以是特征的确定装置以及/或所述心电的预测装置，例如，特征的确定方法以及/或所述心电的预测方法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(UserEquipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(PersonalDigital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该特征的确定方法以及/或所述心电的预测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
本领域技术人员可以理解，在具体实施方式的上述特征的确定方法以及/或所述心电的预测方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本公开还提出了，一种特征的确定装置以及一种特征的确定装置。所述一种特征的确定装置，包括：获取单元，用于获取与心电相关的筛选数据及其对应的系数，所述筛选数据至少包括：非影像临床数据及肺影像组学数据；确定单元，基于所述筛选数据及所述系数确定与心电相关的多种特征。
所述的心电的预测装置，包括：如上述特征的确定装置；以及，预测心电的特征确定单元，用于根据所述多种特征在心电由正常到异常及慢阻肺的演进阶段确定预测心电的特征；预测单元，用于基于所述预测心电的特征及预设预测模型对心电的状态进行预测。
在一些实施例中，本公开实施例提供的特征的确定装置以及特征的确定具有的功能或包含的模块可以用于执行上文方法实施例描述的所述特征的确定方法以及/或所述心电的预测方法，其具体实现可以参照上文所述特征的确定方法以及/或所述心电的预测方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述特征的确定方法以及/或所述心电的预测方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述特征的确定方法以及/或所述心电的预测方法。电子设备可以被提供为终端、服务器或其它形态的设备。
图5是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种特征的确定方法，其特征在于，包括：
获取与心电相关的筛选数据及其对应的系数，所述筛选数据至少包括：非影像临床数据及肺影像组学数据；
基于所述筛选数据及所述系数确定与心电相关的多种特征。
2.根据权利要求1所述的确定方法，其特征在于，在所述获取与心电相关的筛选数据及其对应的系数之前，需要确定与心电相关的筛选数据及其对应的系数，其确定方法，包括：
获取多个非影像临床数据及其对应的肺影像组学数据；
将心电作为状态量，通过预设筛选模型筛选所述多个非影像临床数据及其对应的肺影像组学数据，得到所述心电相关的筛选数据及其对应的系数。
3.根据权利要求2所述的确定方法，其特征在于，在所述获取多个非影像临床数据对应的肺影像组学数据的方法，包括：
获取肺影像图像；
对所述肺影像图像进行肺区域分割，得到肺区域图像；
基于所述肺区域图像及组学计算模型，得到所述肺影像组学数据。
4.根据权利要求1-3任一项所述的确定方法，其特征在于，所述基于所述筛选数据及所述系数确定与心电相关的多种特征的方法，包括：
根据所述筛选数据中肺影像组学数据的图像类型确定所述筛选数据中肺影像组学数据的类型；
根据所述类型对所述筛选数据中肺影像组学数据进行划分，得到不同类型的肺影像组学数据；
分别基于所述筛选数据的非影像临床数据及所述不同类型的肺影像组学数据及其对应的系数确定与心电相关的多种特征。
5.一种心电的预测方法，包括：如权利要求1-4任一项所述特征的确定方法，其特征在于：
根据所述多种特征在心电由正常到异常及慢阻肺的演进阶段确定预测心电的特征；
基于所述预测心电的特征及预设预测模型对心电的状态进行预测。
6.根据权利要求5所述心电的预测方法，其特征在于，所述根据所述多种特征在心电由正常到异常及慢阻肺的演进阶段确定预测心电的特征的方法，包括：
分别确定所述多种特征在心电由正常到异常的多个第一显著性，根据所述多个第一显著性及第一设定显著性确定待确定特征；
分别根据所述待确定特征在慢阻肺的演进阶段中的多个第二显著性，根据所述多个第二显著性及第二设定显著性确定预测心电的特征。
7.一种特征的确定装置，其特征在于，包括：
获取单元，用于获取与心电相关的筛选数据及其对应的系数，所述筛选数据至少包括：非影像临床数据及肺影像组学数据；
确定单元，基于所述筛选数据及所述系数确定与心电相关的多种特征。
8.一种心电的预测装置，其特征在于，包括：权利要求7所述特征的确定装置；以及，
预测心电的特征确定单元，用于根据所述多种特征在心电由正常到异常及慢阻肺的演进阶段确定预测心电的特征；
预测单元，用于基于所述预测心电的特征及预设预测模型对心电的状态进行预测。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至4中任意一项所述特征的确定方法；
以及/或，以执行权利要求5或6中任意一项所述心电的预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述特征的确定方法；
以及/或，以执行权利要求5或6中任意一项所述心电的预测方法。
CN202110677301.8A 2021-06-18 2021-06-18 特征的确定、心电预测方法及装置、电子设备和存储介质 Active CN113576487B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110677301.8A CN113576487B (zh) 2021-06-18 2021-06-18 特征的确定、心电预测方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110677301.8A CN113576487B (zh) 2021-06-18 2021-06-18 特征的确定、心电预测方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113576487A true CN113576487A (zh) 2021-11-02
CN113576487B CN113576487B (zh) 2023-06-13

Family

ID=78244046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110677301.8A Active CN113576487B (zh) 2021-06-18 2021-06-18 特征的确定、心电预测方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113576487B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090097731A1 (en) * 2006-01-05 2009-04-16 Shigeru Sanada Continuous x-ray image screening examination device, program, and recording medium
CN102247156A (zh) * 2010-05-17 2011-11-23 株式会社东芝 图像处理装置以及x射线ct装置
US20160296762A1 (en) * 2013-10-03 2016-10-13 University Of Washington Through Its Center For Commercialization Apparatuses and methods for classification of electrocardiogram signals during cardiopulmonary resuscitation
US20170027507A1 (en) * 2015-07-30 2017-02-02 Joiiup Technology Inc. Method and apparatus for measuring physical condition by using heart rate recovery rate
JP2017176400A (ja) * 2016-03-30 2017-10-05 コニカミノルタ株式会社 動態解析装置、動態解析システム、動態解析方法及びプログラム
WO2018016113A1 (ja) * 2016-07-19 2018-01-25 ラドウィスプ プライベート リミテッド 診断支援プログラム
CN107945167A (zh) * 2017-11-27 2018-04-20 北京医拍智能科技有限公司 基于深度神经网络的慢性阻塞性肺病的检测系统
CN107945168A (zh) * 2017-11-30 2018-04-20 上海联影医疗科技有限公司 一种医学图像的处理方法及医学图像处理系统
CN109222976A (zh) * 2018-08-15 2019-01-18 遵义市第人民医院 一种慢性阻塞性肺病的检测方法
JP2019010391A (ja) * 2017-06-30 2019-01-24 キヤノンメディカルシステムズ株式会社 医用画像処理装置及びｘ線診断装置
CN110072452A (zh) * 2016-11-18 2019-07-30 百来 用于对象的图像监测方法和设备，以及图像监测系统
CN110327066A (zh) * 2019-03-26 2019-10-15 上海联影医疗科技有限公司 心脏运动信号获取方法、装置、计算机设备和存储介质
US20190357869A1 (en) * 2018-05-23 2019-11-28 Case Western Reserve University Prediction of risk of post-ablation atrial fibrillation based on radiographic features of pulmonary vein morphology from chest imaging
CN111202511A (zh) * 2020-01-17 2020-05-29 武汉中旗生物医疗电子有限公司 一种心电数据标注的推荐分发方法及装置
CN111759304A (zh) * 2020-07-01 2020-10-13 杭州脉流科技有限公司 心电图异常识别方法、装置、计算机设备和存储介质
CN111986206A (zh) * 2019-05-24 2020-11-24 深圳市前海安测信息技术有限公司 基于UNet网络的肺叶分割方法、装置及计算机可读存储介质
CN112560993A (zh) * 2020-12-25 2021-03-26 北京百度网讯科技有限公司 数据筛选方法、装置、电子设备及存储介质

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090097731A1 (en) * 2006-01-05 2009-04-16 Shigeru Sanada Continuous x-ray image screening examination device, program, and recording medium
CN102247156A (zh) * 2010-05-17 2011-11-23 株式会社东芝 图像处理装置以及x射线ct装置
US20160296762A1 (en) * 2013-10-03 2016-10-13 University Of Washington Through Its Center For Commercialization Apparatuses and methods for classification of electrocardiogram signals during cardiopulmonary resuscitation
US20170027507A1 (en) * 2015-07-30 2017-02-02 Joiiup Technology Inc. Method and apparatus for measuring physical condition by using heart rate recovery rate
JP2017176400A (ja) * 2016-03-30 2017-10-05 コニカミノルタ株式会社 動態解析装置、動態解析システム、動態解析方法及びプログラム
WO2018016113A1 (ja) * 2016-07-19 2018-01-25 ラドウィスプ プライベート リミテッド 診断支援プログラム
CN110072452A (zh) * 2016-11-18 2019-07-30 百来 用于对象的图像监测方法和设备，以及图像监测系统
JP2019010391A (ja) * 2017-06-30 2019-01-24 キヤノンメディカルシステムズ株式会社 医用画像処理装置及びｘ線診断装置
CN107945167A (zh) * 2017-11-27 2018-04-20 北京医拍智能科技有限公司 基于深度神经网络的慢性阻塞性肺病的检测系统
CN107945168A (zh) * 2017-11-30 2018-04-20 上海联影医疗科技有限公司 一种医学图像的处理方法及医学图像处理系统
US20190357869A1 (en) * 2018-05-23 2019-11-28 Case Western Reserve University Prediction of risk of post-ablation atrial fibrillation based on radiographic features of pulmonary vein morphology from chest imaging
CN109222976A (zh) * 2018-08-15 2019-01-18 遵义市第人民医院 一种慢性阻塞性肺病的检测方法
CN110327066A (zh) * 2019-03-26 2019-10-15 上海联影医疗科技有限公司 心脏运动信号获取方法、装置、计算机设备和存储介质
CN111986206A (zh) * 2019-05-24 2020-11-24 深圳市前海安测信息技术有限公司 基于UNet网络的肺叶分割方法、装置及计算机可读存储介质
CN111202511A (zh) * 2020-01-17 2020-05-29 武汉中旗生物医疗电子有限公司 一种心电数据标注的推荐分发方法及装置
CN111759304A (zh) * 2020-07-01 2020-10-13 杭州脉流科技有限公司 心电图异常识别方法、装置、计算机设备和存储介质
CN112560993A (zh) * 2020-12-25 2021-03-26 北京百度网讯科技有限公司 数据筛选方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113576487B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
Morin et al. A deep look into the future of quantitative imaging in oncology: a statement of working principles and proposal for change
Li et al. Development and validation of an endoscopic images‐based deep learning model for detection with nasopharyngeal malignancies
Hainc et al. The bright, artificial intelligence-augmented future of neuroimaging reading
Olveres et al. What is new in computer vision and artificial intelligence in medical image analysis applications
Liu et al. Medical image fusion method by using Laplacian pyramid and convolutional sparse representation
Hu et al. Artificial intelligence assists identifying malignant versus benign liver lesions using contrast‐enhanced ultrasound
US20200395123A1 (en) Systems and methods for predicting likelihood of malignancy in a target tissue
Wibowo et al. Android skin cancer detection and classification based on MobileNet v2 model
Li et al. Deep learning for locally advanced nasopharyngeal carcinoma prognostication based on pre-and post-treatment MRI
Liu et al. TN‐USMA Net: Triple normalization‐based gastrointestinal stromal tumors classification on multicenter EUS images with ultrasound‐specific pretraining and meta attention
Wei Radiomics, deep learning and early diagnosis in oncology
Gao et al. Deep multi-path network integrating incomplete biomarker and chest CT data for evaluating lung cancer risk
Gaur et al. Cloud driven framework for skin cancer detection using deep CNN
Alyami et al. Automatic skin lesions detection from images through microscopic hybrid features set and machine learning classifiers
Lai et al. Development of a metabolite-based deep learning algorithm for clinical precise diagnosis of the progression of diabetic kidney disease
CN113576487B (zh) 特征的确定、心电预测方法及装置、电子设备和存储介质
Hijazi et al. External validation of the CRAX2MACE model
CN113808082B (zh) 肺图像的处理方法及装置、电子设备和存储介质
Jiang et al. Preoperative and Prognostic Prediction of Microvascular Invasion in Hepatocellular Carcinoma: A Review Based on Artificial Intelligence
CN115115826A (zh) 特征选择、提取方法及装置、异常检测模型及其构建方法
Zhang et al. Radiomics nomogram for prediction of microvascular invasion in hepatocellular carcinoma based on MR imaging with Gd-EOB-DTPA
CN113160965B (zh) 小肝癌早期复发概率预测模型的构建方法与预测方法
KR102427749B1 (ko) 심혈관 질환 위험도 예측 방법 및 시스템
Gong et al. Unified ICH quantification and prognosis prediction in NCCT images using a multi-task interpretable network
CN114723723A (zh) 医学影像处理方法、计算机设备和存储介质

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