CN113576488A - 基于心率的肺影像组学的确定方法及装置、设备及介质 - Google Patents

基于心率的肺影像组学的确定方法及装置、设备及介质 Download PDF

Info

Publication number
CN113576488A
CN113576488A CN202110677292.2A CN202110677292A CN113576488A CN 113576488 A CN113576488 A CN 113576488A CN 202110677292 A CN202110677292 A CN 202110677292A CN 113576488 A CN113576488 A CN 113576488A
Authority
CN
China
Prior art keywords
lung
significance
image
determining
heart rate
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
CN202110677292.2A
Other languages
English (en)
Other versions
CN113576488B (zh
Inventor
刘洋
杨英健
康雁
李玮
李强
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 CN202110677292.2A priority Critical patent/CN113576488B/zh
Publication of CN113576488A publication Critical patent/CN113576488A/zh
Application granted granted Critical
Publication of CN113576488B publication Critical patent/CN113576488B/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
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
    • 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

本公开涉及一种基于心率的肺影像组学的确定方法，涉及心肺领域，所述的基于心率的肺影像组学的确定方法，包括：获取多个慢性阻塞性肺疾病等级的胸部影像图像及其对应的心率；计算所述胸部影像图像的肺影像组学数据；基于所述心率及预设筛选模型对所述肺影像组学数据行筛选，得到筛选的肺影像组学；根据所述筛选的肺影像组学在多个慢性阻塞性肺疾病等级下组间的显著性及显著性设定关系确定影响心率的肺影像组学。本公开实施例可确定影响心率的肺影像组学，以便更好揭示心肺的关系。

Description

基于心率的肺影像组学的确定方法及装置、设备及介质
技术领域
本公开涉及心肺技术领域，尤其涉及一种基于心率的肺影像组学的确定方法及装置、设备及介质。
背景技术
静息心率(HR)变异性是心脏神经生理状况的重要标志[1]。慢性阻塞性肺疾病(COPD)是一种可预防、可治疗和进行性的慢性疾病，其特征是持续性气流受限[2,3]。由于慢性阻塞性肺病持续的气流受限，静息心率的自主调节受到影响[4]。与非COPD患者相比，COPD患者不能获得足够的空气，这可能导致HR增加，无法获得足够的氧气供应。随着COPD病情的加重，静息心率可能呈上升趋势。COPD的严重程度可以通过使用支气管扩张剂后肺功能试验(PFT)预测的1秒用力呼气量/用力肺活量(FEV1/FVC)和1秒用力呼气量百分比(FEV1％)来评估[5]。
COPD患者心率与PFT的关系已被深入研究[1,6,7]。PiZα1抗胰蛋白酶缺乏症患者的心率变异性与COPD严重程度的关系也已被揭示[8]。然而，PFT作为金标准只能用于COPD的诊断和评价[5]，不能获得肺区的解剖结构。PFT可能导致早期COPD的漏诊或初级保健中的过度诊断[9]。与PFT相比，胸部CT能提供更多的肺部解剖结构、病变部位和形态等信息。CT图像不仅可以提供包括气管、血管和肺叶在内的肺部解剖结构，而且可以提供肺部纹理信息。从胸部CT图像可以定量计算出肺部解剖结构和肺纹理信息，为进一步分析COPD提供依据[10,11,12]。因此，CT被认为是表征和量化COPD最有效的方法[13]。
为了充分利用胸部CT图像的信息，从胸部CT图像计算的放射性组学已用于通过定量CT和基于CT的放射性组学评估慢性阻塞性肺病肺气肿的存在和严重程度[14]，并且还提出了放射性组学在慢性阻塞性肺病中的新兴作用[15]。尽管心率变异性与PFT[1,6,7,16,17]或COPD[1,6,7,18,19,20]之间的关系已经被充分揭示，但静息心率变异性与COPD放射组学之间的关系仍不清楚。
[1]Camillo C A,F Pitta,Possani H V,et al.Heart Rate Variability andDisease Characteristics in Patients with COPD[J].Lung,2008,186(6):393-401.
[2]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 journal2019,53(5).
[3]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.
[4]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.
[5]GOLD 2021:Global initiative for chronic obstructive lung disease,2021.
[6]Camargo AD,Justino T,Andrade C D,et al.Chester Step Test inPatients With COPD:Reliability and Correlation With Pulmonary Function TestResults[J].Respiratory Care,2011,56(7):995-1001.
[7]Cheng S T,Wu Y K,Yang M C,et al.Pulmonary rehabilitation improvesheart rate variability at peak exercise,exercise capacity and health-relatedquality of life in chronic obstructive pulmonary disease[J].Heart&Lung theJournal of Critical Care,2014,43(3):249-255.
[8]Stein P K,Nelson P,Rottman J N,et al.Heart Rate VariabilityReflects Severity of COPD in PiZ α1-Antitrypsin Deficiency[J].Chest,1998,113(2):327-333.
[9]Josephs L,Culliford D,Johnson M,et al.COPD overdiagnosis inprimary care:a UK observational study of consistency of airflow obstruction[J].npj Primary Care Respiratory Medicine.
[10]Rintaro O,Tsuneo Y,Hiroshi H,et al.3D-measurement oftracheobronchial angles on inspiratory and expiratory chest CT in COPD:respiratory changes and correlation with airflow limitation[J].InternationalJournal of Chronic Obstructive Pulmonary Disease,2018,13:2399-2407.
[11]Q.Li,L.Chen,X.Li,X.Lv,S.Xia,Y.Kang,PRF-RW:a progressive randomforest-based random walk approach for interactive semi-automated pulmonarylobes segmentation,Int.J.Mach.Learn.Cybern.,11(2020),2221-2235.
[12]Y Ohno,Aoyagi K,Takenaka D,et al.Machine learning for lung CTtexture analysis:Improvement of inter-observer agreement for radiologicalfinding classification in patients with pulmonary diseases[J].EuropeanJournal of Radiology,2021,134:109410.
[13]Lynch D A.Progress in Imaging COPD,2004-2014[J].ChronicObstructive Pulmonary Diseases Journal of the Copd Foundation,2014,1(1):73.
[14]Occhipinti M,Paoletti M,Bartholmai B J,et al.Spirometricassessment of emphysema presence and severity as measured by quantitative CTand CT-based radiomics in COPD[J].Respiratory research,2019,20(1).
[15]Refaee T,Wu G,Ibrahim A,et al.The Emerging Role of Radiomics inCOPD and Lung Cancer[J].Respiration,2020,99(2):1-9.
[16]Wheeler A,Zanobetti A,Gold D R,et al.The relationship betweenambient air pollution and heart rate variability differs for individuals withheart and pulmonary disease[J].Environmental Health Perspectives,2006,114(4):560-566.
[17]Bianchim M S,Sperandio E F,Martinhao G S,et al.Correlationbetween heart rate variability and pulmonary function adjusted by confoundingfactors in healthy adults[J].Brazilian Journal of Medical and BiologicalResearch,2016,49(3).
[18]Jensen M T,Marott J L,Lange P,et al.Resting heart rate is apredictor of mortality in chronic obstructive pulmonary disease.[J].EuropeanRespiratory Journal,2012,42(2).
[19]
Figure BDA0003121283170000021
N F,Porta A,Minatel V,et al.Complexity analysis of heartrate variability in chronic obstructive pulmonary disease:relationship withseverity and symptoms[J].Clinical Autonomic Research,2020:1-8.
[20]Camargo P F,Ditomaso-Luporini L,de Carvalho Jr L C S,etal.Association Between the Predictors of Functional Capacity and Heart RateOff-Kinetics in Patients with Chronic Obstructive Pulmonary Disease[J].International Journal of Chronic Obstructive Pulmonary Disease,2020,15:1977.
发明内容
本公开提出了一种基于心率的肺影像组学的确定方法及装置、设备及介质技术方案。
根据本公开的一方面，提供了一种基于心率的肺影像组学的确定方法，包括：
获取多个慢性阻塞性肺疾病等级的胸部影像图像及其对应的心率；
计算所述胸部影像图像的肺影像组学数据；
基于所述心率及预设筛选模型对所述肺影像组学数据行筛选，得到筛选的肺影像组学；
根据所述筛选的肺影像组学在多个慢性阻塞性肺疾病等级下组间的显著性及显著性设定关系确定影响心率的肺影像组学。
优选地，在所述获取多个慢性阻塞性肺疾病等级的胸部影像图像及其对应的心率之前，对所述心率进行筛选，其筛选方法，包括：
统计在心电正常下的多个慢性阻塞性肺疾病等级的心率区间；
若所述心率在所述心率区间内，则保留所述胸部影像图像及其对应的心率；
否则，删除所述胸部影像图像及其对应的心率。
优选地，所述计算所述胸部影像图像的肺影像组学数据的方法，包括：
对所述胸部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。
优选地，所述对所述胸部影像图像进行肺区域分割，得到肺区域图像的方法，包括:
利用预设肺区域分割模型，对所述胸部影像图像进行肺区域分割得到肺区域掩码图像；
根据所述胸部影像图像及所述肺区域掩码图像得到肺区域图像。
优选地，所述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的方法，包括：
确定肺衍生图像的类型及组学类；
将所述肺区域图像确定为肺原始图像，根据所述肺衍生图像的类型及所述肺原始图像确定肺衍生图像；
分别根据所述组学类及所述预设组学计算模型确定所述肺原始图像及所述肺衍生图像对应的肺影像组学数据。
优选地，所述基于所述心率及预设筛选模型对所述肺影像组学数据行筛选，得到筛选的肺影像组学的方法，包括：
将所述心率作为状态量，利用所述预设组学计算模型对所述肺影像组学数据行筛选，得到筛选的肺影像组学。
优选地，所述根据所述筛选的肺影像组学在多个慢性阻塞性肺疾病等级下组间的显著性及显著性设定关系确定影响心率的肺影像组学的方法，包括：
获取显著性设定条件；
分别确定所述筛选的肺影像组学在多个慢性阻塞性肺疾病等级下多个组间的显著性；
若所述多个组间的显著性都满足所述显著性设定条件，则将所述满足所述显著性设定条件的所述筛选的肺影像组学确定为第一组待确定的肺影像组学；
确定所述第一组待确定的肺影像组学的数目；
若所述数目大于1，则分别计算所述第一组待确定的肺影像组学对应的组间的显著性的多个显著性总和；
确定所述多个显著性总和中最小的显著性总和；
将所述最小的第一显著性总和对应的第一组待确定的肺影像组学确定为影响心率的肺影像组学；
若所述数目为1，则将所述第一组待确定的肺影像组学确定为影响心率的肺影像组学。
优选地，所述根据所述筛选的肺影像组学在多个慢性阻塞性肺疾病等级下组间的显著性及显著性设定关系确定影响心率的肺影像组学的方法，还包括：
若所述多个组间的显著性中的任一组间的显著性不满足显著性设定条件，获取基于所述心率及预设筛选模型对所述肺影像组学数据行筛选，得到筛选的肺影像组学对应的筛选系数；
根据所述筛选的肺影像组学及对应的筛选系数，得到第一组合肺影像组学；
确定所述第一组合肺影像组学在多个慢性阻塞性肺疾病等级下第一组间的显著性；
若所述第一组间的显著性都满足显著性设定条件，则将所述第一组合肺影像组学确定为影响心率的肺影像组学。
优选地，所述根据所述筛选的肺影像组学在多个慢性阻塞性肺疾病等级下组间的显著性及显著性设定关系确定影响心率的肺影像组学的方法，还包括：
若所述组间的显著性中的任一组间的显著性不满足显著性设定条件，则基于所述筛选的肺影像组学的图像类别及对应的筛选系数分别确定所述类别对应的多个第二组合肺影像组学；
分别确定所述多个第二组合肺影像组学在多个慢性阻塞性肺疾病等级下组间的多个第二显著性；
若所述多个第二显著性都满足显著性设定条件，则将所述满足显著性设定条件的第二组合肺影像组学确定为第二组待确定的肺影像组学；
确定所述第二组待确定的肺影像组学的数目；
若所述数目大于1，则分别计算所述第二待确定的肺影像组学对应的组间的显著性的多个第二显著性总和；
确定所述多个第二显著性总和中最小的第二显著性总和；
将所述最小的第二显著性总和对应的第二待确定的肺影像组学确定为影响心率的肺影像组学；
若所述数目为1，则将所述第二组待确定的肺影像组学确定为影响心率的肺影像组学。
优选地，所述根据所述筛选的肺影像组学确定影响心率的肺影像组学的方法，还包括：
若所述组间的第二显著性中的任一组间的第二显著性都不满足显著性设定条件，则按照所述筛选系数的大小，对所述筛选的肺影像组学进行排序；
按照设定数目依次取所述排序后的所述筛选的肺影像组学，得到选定的肺影像组学；
根据所述选定的肺影像组学及对应的筛选系数确定第三组合肺影像组学；
确定所述第三组合肺影像组学在多个慢性阻塞性肺疾病等级下第三组间的显著性；
若所述第三组间的显著性满足显著性设定条件，则将所述第三组合肺影像组学确定为影响心率的肺影像组学；
其中，所述设定数目≥1且小于所述筛选系数或所述筛选的肺影像组学的数目。
根据本公开的一方面，提供了一种基于心率的肺影像组学的确定装置，包括：
获取单元，用于获取多个慢性阻塞性肺疾病等级的胸部影像图像及其对应的心率；
计算单元，用于计算所述胸部影像图像的肺影像组学数据；
筛选单元，用于基于所述心率及预设筛选模型对所述肺影像组学数据行筛选，得到筛选的肺影像组学；
确定单元，用于根据所述筛选的肺影像组学在多个慢性阻塞性肺疾病等级下组间的显著性及显著性设定关系确定影响心率的肺影像组学。
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：执行上述基于心率的肺影像组学的确定方法。
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基于心率的肺影像组学的确定方法。
在本公开实施例中，基于心率的肺影像组学的确定方法及装置、设备及介质，确定了一个可以可很好表述心率的肺影像组学，以确定影响心率的肺影像组学，以便更好揭示心肺的关系，以解决目前没有表述心率的肺影像组学的问题。
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基于心率的肺影像组学的确定方法的流程图；
图2示出根据本公开实施例的基于心率的肺影像组学的确定方法的具体实施流程图；
图3示出根据本公开实施例的Radiomics1-13在多个慢性阻塞性肺疾病等级下多个组间的显著性的示意图；
图4示出根据本公开实施例的第一组合肺影像组学及第二组合肺影像组学在多个慢性阻塞性肺疾病等级下多个组间的显著性的示意图；
图5示出根据本公开实施例的第三组合肺影像组学在多个慢性阻塞性肺疾病等级下多个组间的显著性的示意图；
图6是根据一示例性实施例示出的一种电子设备800的框图；
图7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，本公开还提供了基于心率的肺影像组学的确定装置、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基于心率的肺影像组学的确定方法，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基于心率的肺影像组学的确定方法的流程图，如图1所示，所述基于心率的肺影像组学的确定方法，包括：步骤S101：获取多个慢性阻塞性肺疾病等级的胸部影像图像及其对应的心率；步骤S102：计算所述胸部影像图像的肺影像组学数据；步骤S103：基于所述心率及预设筛选模型对所述肺影像组学数据行筛选，得到筛选的肺影像组学；步骤S104：根据所述筛选的肺影像组学在多个慢性阻塞性肺疾病等级下组间的显著性及显著性设定关系确定影响心率的肺影像组学。以确定影响心率的肺影像组学，以便更好揭示心肺的关系。
图2示出根据本公开实施例的基于心率的肺影像组学的确定方法的具体实施流程图。
步骤S101：获取多个慢性阻塞性肺疾病等级的胸部影像图像及其对应的心率。
在本公开的实施例及图2中，胸部影像图像可以采用CT装置进行拍摄，得到胸部CT影像图像。
在本公开的实施例及图2中，多个慢性阻塞性肺疾病等级可为5个等级，即Stage0-4，Stage0为没有确诊为COPD疾病，Stage1-4为已经确诊为COPD疾病，Stage1为最轻的COPD疾病，Stage4为最严重的COPD疾病。
同时，在本公开的实施例及图2中，在通过CT装置采集胸部影像图像的当天会通过8导联心电装置采集患者的心率。也就是说，每个患者的胸部影像图像会有对应的心率。
在本公开中，在所述获取多个慢性阻塞性肺疾病等级的胸部影像图像及其对应的心率之前，对所述心率进行筛选，其筛选方法，包括：统计在心电正常下的多个慢性阻塞性肺疾病等级的心率区间；若所述心率在所述心率区间内，则保留所述胸部影像图像及其对应的心率；否则，删除所述胸部影像图像及其对应的心率。
在本公开的实施例及图2中，考虑了异常的心率，通过在心电正常下的多个慢性阻塞性肺疾病等级的心率区间为[60,100]，因此需要删除不在此心率区间为[60,100]范围内的心率及对应的胸部影像图像；若所述心率在所述心率区间内，则保留所述胸部影像图像及其对应的心率，以进一步分析。
步骤S102：计算所述胸部影像图像的肺影像组学数据。
在本公开，所述计算所述胸部影像图像的肺影像组学数据的方法，包括：对所述胸部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。
在本公开的实施例及图2中，仅计算肺区域图像的肺影像组学数据，因此需要对对所述胸部影像图像进行肺区域分割，得到肺区域图像。其中，预设组学计算模型为现有的组学计算模型，可以通过网址https://pyradiomics.readthedocs.io/en/latest/index.html得到，再此不在对预设组学计算模型进行详细说明。
在本公开，所述对所述胸部影像图像进行肺区域分割，得到肺区域图像的方法，包括：利用预设肺区域分割模型，对所述胸部影像图像进行肺区域分割得到肺区域掩码图像；根据所述胸部影像图像及所述肺区域掩码图像得到肺区域图像。
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已经训练好的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：Lungparenchyma parameters measure of rats from pulmonary window computedtomography images based on ResU-Net model for medical respiratory researches。
其中，所述根据所述胸部影像图像及对应的肺区域掩码图像提取原始的肺区域图像的方法，包括：所述胸部影像图像分别乘以对应的肺区域掩码图像提取原始的肺区域图像。例如，所述肺区域掩码图像中，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，将肺区域掩码图像中右肺的掩码值设置为0，此时所述胸部影像图像分别乘以对应的肺区域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，将肺区域掩码图像中左肺的掩码值设置为0，肺区域掩码图像中右肺的掩码值设置为1，此时所述胸部影像图像分别乘以对应的肺区域掩码图像提取原始的肺区域图像中的右肺图像。
或，将所述肺区域掩码图像的肺区域配置为1，非肺区域配置为0，所述胸部影像图像分别乘以对应的肺区域掩码图像提取原始的肺区域图像中的左右肺图像。
例如，所述胸部影像图像为
Figure BDA0003121283170000101
相应肺区域掩码图像为
Figure BDA0003121283170000102
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 BDA0003121283170000103
在本公开中，所述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的方法，包括：确定肺衍生图像的类型及组学类；将所述肺区域图像确定为肺原始图像，根据所述肺衍生图像的类型及所述肺原始图像确定肺衍生图像；分别根据所述组学类及所述预设组学计算模型确定所述肺原始图像及所述肺衍生图像对应的肺影像组学数据。
在本公开的实施例及图2中，肺衍生图像的类型可以包括：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种wavelet图像可由wavelet滤波器在每层的8(23)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。
在本公开的实施例及图2中，所述肺区域图像是具有原始CT值的图像，将所述肺区域图像确定为肺原始图像；需要根据所述肺衍生图像的类型及所述肺原始图像确定肺衍生图像。
例如，所述肺衍生图像的类型为LoG图像或wavelet图像。按照已经配置参数sigma的拉普拉斯高斯滤波器对所述肺原始图像进行滤波处理，得到参数sigma对应的多类型LoG图像；小波滤波器对所述肺原始图像进行滤波处理，得到wavelet.LLL-wavelet.HHH的8种wavelet图像。
在本公开的实施例及图2中，组学类可以包括：一阶统计特征(First OrderStatistics)、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 Level Run LengthMatrix)、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)。
步骤S103：基于所述心率及预设筛选模型对所述肺影像组学数据行筛选，得到筛选的肺影像组学。
在本公开中，所述基于所述心率及预设筛选模型对所述肺影像组学数据行筛选，得到筛选的肺影像组学的方法，包括：将所述心率作为状态量，利用所述预设组学计算模型对所述肺影像组学数据行筛选，得到筛选的肺影像组学。
在本公开的实施例及图2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 BDA0003121283170000111
其中，在公式(1)中，
Figure BDA0003121283170000112
为标准化后的心率及肺影像组学数据；yi为心率(状态量)，其取值范围为60-100；λ≥0为惩罚系数；βj为回归系数(筛选系数)；i∈[1，n]；j∈[0，p]；n为肺影像组学数据的个数，也可以理解为表格内数据的行数，p为回归系数的数目。
表1给出了本公开实施例中筛选的肺影像组学的名称、类别、定义及筛选系数。
表1
Figure BDA0003121283170000113
Figure BDA0003121283170000121
在表1中，原始图像对应的肺影像组学为Radiomics1-3，派生图像的Log图像对应的肺影像组学为Radiomics4-8，派生图像的wavelet图像对应的肺影像组学为Radiomics9-13。Radiomics1-13对应的筛选系数如图1的最后一列所示。
表1中的组学的类别分别为形态特征(Shape features)、一阶特征(First OrderFeatures)、灰度级大小区域矩阵(Gray Level Size Zone Matrix)、灰度级共生矩阵(GrayLevel Cooccurence Matrix)、灰度级长度矩阵(Gray Level Run Length Matrix)。
步骤S104：根据所述筛选的肺影像组学在多个慢性阻塞性肺疾病等级下组间的显著性及显著性设定关系确定影响心率的肺影像组学。
在本公开中，所述根据所述筛选的肺影像组学在多个慢性阻塞性肺疾病等级下组间的显著性及显著性设定关系确定影响心率的肺影像组学的方法，包括：获取显著性设定条件；分别确定所述筛选的肺影像组学在多个慢性阻塞性肺疾病等级下多个组间的显著性；若所述多个组间的显著性都满足所述显著性设定条件，则将所述满足所述显著性设定条件的所述筛选的肺影像组学确定为第一组待确定的肺影像组学；确定所述第一组待确定的肺影像组学的数目；若所述数目大于1，则分别计算所述第一组待确定的肺影像组学对应的组间的显著性的多个显著性总和；确定所述多个显著性总和中最小的显著性总和；将所述最小的第一显著性总和对应的第一组待确定的肺影像组学确定为影响心率的肺影像组学；若所述数目为1，则将所述第一组待确定的肺影像组学确定为影响心率的肺影像组学。
在本公开的实施例及图2中，所述显著性设定条件为小于设定显著性0.05。分别确定所述筛选的肺影像组学Radiomics1-13在多个慢性阻塞性肺疾病等级下Stage0-4多个组间的显著性，若所述多个组间的显著性都小于设定显著性0.05，则将所述满足所述显著性设定条件的所述筛选的肺影像组学确定为第一组待确定的肺影像组学。
例如，只有Radiomics1的多个组间的显著性都小于设定显著性0.05，则将Radiomics1作为第一组待确定的肺影像组学，同时将Radiomics1确定为影响心率的肺影像组学。
又例如，只有Radiomics1及Radiomics13的多个组间的显著性都小于设定显著性0.05，则将Radiomics1及Radiomics13作为第一组待确定的肺影像组学。此时需要进一步在Radiomics1及Radiomics13中确定一个最优影响心率的肺影像组学。
此时，分别计算所述第一组待确定的肺影像组学对应的组间的显著性的多个显著性总和；确定所述多个显著性总和中最小的显著性总和；将所述最小的第一显著性总和对应的第一组待确定的肺影像组学确定为影响心率的肺影像组学。
例如，Radiomics1组间的显著性的多个显著性总和为0.23，Radiomics13组间的显著性的多个显著性总和为0.15，因此综合看来，Radiomics13组间的显著性要优于Radiomics1组间的显著性，此时将Radiomics13确定为影响心率的肺影像组学。
图3示出根据本公开实施例的Radiomics1-13在多个慢性阻塞性肺疾病等级下多个组间的显著性的示意图。为了简要说明，本公开将Stage3及Stage4合并为一个等级。同时，表2给出了筛选的肺影像组学在多个慢性阻塞性肺疾病等级下多个组间的具体显著性。
表2
Figure BDA0003121283170000131
Figure BDA0003121283170000141
ns:no significance(没有显著性)
在表2中，多个组间的显著性计算采用的是Tukey多列比较检验(Tukey’smultiple comparisons test)，其中ns表示没有显著性。
遗憾的是，所有多个组间的显著性均存在不满足显著性设定条件的组间的显著性，因此此时不能得到第一组待确定的肺影像组学，也就不能进一步确定为影响心率的肺影像组学。
例如，表现最好的Radiomics1及Radiomics13的StageⅠvs.StageⅡ的组间显著性都大于设定显著性0.05，不满足显著性设定条件的组间的显著性。
在本公开中，所述根据所述筛选的肺影像组学在多个慢性阻塞性肺疾病等级下组间的显著性及显著性设定关系确定影响心率的肺影像组学的方法，还包括：若所述多个组间的显著性中的任一组间的显著性不满足显著性设定条件，获取基于所述心率及预设筛选模型对所述肺影像组学数据行筛选，得到筛选的肺影像组学对应的筛选系数；根据所述筛选的肺影像组学及对应的筛选系数，得到第一组合肺影像组学；确定所述第一组合肺影像组学在多个慢性阻塞性肺疾病等级下第一组间的显著性；若所述第一组间的显著性都满足显著性设定条件，则将所述第一组合肺影像组学确定为影响心率的肺影像组学。
由于上述Radiomics1-Radiomics13的组间的显著性均存在不满足显著性设定条件的情形，此时需要进一步考虑相应的组学融合策略，首先要考虑所有的组学融合在一起，得到一个综合的肺影像组学(第一组合肺影像组学)，希望能反映在多个慢性阻塞性肺疾病等级下多个组间的显著性，这也是最便捷的一种方式。
在本公开的实施例中，所述根据所述筛选的肺影像组学及对应的筛选系数，得到第一组合肺影像组学的方法，包括：将所述筛选的肺影像组学按照其对应的筛选系数进行线性组合，得到第一组合肺影像组学。
在本公开的实施例中，第一组合肺影像组学
Figure BDA0003121283170000151
在第一组合肺影像组学对应的公式(2)中，所述筛选的肺影像组学Radiomics1-13xi对应的筛选系数βi，N1为所述筛选的肺影像组学的个数，这里N1＝13。
在本公开中，所述根据所述筛选的肺影像组学在多个慢性阻塞性肺疾病等级下组间的显著性及显著性设定关系确定影响心率的肺影像组学的方法，还包括：
若所述组间的显著性中的任一组间的显著性不满足显著性设定条件，则基于所述筛选的肺影像组学的图像类别及对应的筛选系数分别确定所述图像类别对应的多个第二组合肺影像组学；分别确定所述多个第二组合肺影像组学在多个慢性阻塞性肺疾病等级下组间的多个第二显著性；若所述多个第二显著性都满足显著性设定条件，则将所述满足显著性设定条件的第二组合肺影像组学确定为第二组待确定的肺影像组学；确定所述第二组待确定的肺影像组学的数目；若所述数目大于1，则分别计算所述第二待确定的肺影像组学对应的组间的显著性的多个第二显著性总和；确定所述多个第二显著性总和中最小的第二显著性总和；将所述最小的第二显著性总和对应的第二待确定的肺影像组学确定为影响心率的肺影像组学；若所述数目为1，则将所述第二组待确定的肺影像组学确定为影响心率的肺影像组学。
例如，在本公开的实施例中，第一组合肺影像组学Y的多个组间的显著性分别为0.0011、<0.0001、<0.0001、0.0597(ns)、<0.0001及<0.0001。StageⅠvs.StageⅡ组间的显著性为0.0597，StageⅠvs.StageⅡ组间的显著性不满足显著性设定条件(大于设定显著性0.05)，则基于所述筛选的肺影像组学的图像类别及对应的筛选系数分别确定所述类别对应的多个第二组合肺影像组学。
在本公开的实施例中，所述基于所述筛选的肺影像组学的图像类别及对应的筛选系数分别确定所述图像类别对应的多个第二组合肺影像组学的方法，包括：根据所述筛选的肺影像组学的图像类别及对应的筛选系数进行组合，得到所述图像类别对应的多个第二组合肺影像组学。
其中，在本公开的实施例的表1中，所述筛选的肺影像组学的图像类别分别为原始图像、Log图像及wavelet图像；原始图像对应的肺影像组学为Radiomics1-3，派生图像的Log图像对应的肺影像组学为Radiomics4-8，派生图像的wavelet图像对应的肺影像组学为Radiomics9-13。于所述筛选的肺影像组学的图像类别及对应的筛选系数分别确定所述类别对应的多个第二组合肺影像组学的数目为3个，分别为：
Figure BDA0003121283170000161
在公式(3)中，所述Log图像对应的筛选的肺影像组学Radiomics1-3xj对应的筛选系数βj，N2为所述原始图像对应的筛选的肺影像组学的个数，这里N2＝3。
在公式(4)中，所述Log图像对应的筛选的肺影像组学Radiomics4-8xk对应的筛选系数βk，N3为所述Log图像对应的筛选的肺影像组学的个数，这里N2＝5。
在公式(5)中，所述wavelet图像对应的筛选的肺影像组学Radiomics9-13xh对应的筛选系数βh，N3为所述wavelet图像对应的筛选的肺影像组学的个数，这里N2＝5。
表3给出了本公开实施例的所述多个第二组合肺影像组学在多个慢性阻塞性肺疾病等级下组间的多个第二显著性(表3的Y1-Y3列)；显然所述组间的第二显著性中的均存在组间的第二显著性不满足显著性设定条件的所述组间的第二显著性中的任一组间的第二显著性都不满足显著性设定条件，因此多个第二组合肺影像组学都不是多个第二组合肺影像组学。
图4示出根据本公开实施例的第一组合肺影像组学及第二组合肺影像组学在多个慢性阻塞性肺疾病等级下多个组间的显著性的示意图。表3为第一组合肺影像组学及第二组合肺影像组学在多个慢性阻塞性肺疾病等级下多个组间的显著性。
表3
Tukey’s multiple comparisons test Y Y1 Y2 Y3
Stage 0vs.StageⅠ 0.0011 0.0765(ns) 0.6896(ns) <0.0001
Stage 0vs.StageⅡ <0.0001 0.2980(ns) 0.0317 <0.0001
Stage 0vs.StageⅢ&Ⅲ <0.0001 >0.9999(ns) 0.9888(ns) <0.0001
StageⅠvs.StageⅡ 0.0597(ns) 0.8592(ns) 0.4031(ns) 0.0743(ns)
StageⅠvs.StageⅢ&Ⅲ <0.0001 0.1024(ns) 0.8804(ns) <0.0001
StageⅡvs.StageⅢ&Ⅲ <0.0001 0.3534(ns) 0.1011(ns) 0.0022
ns:no significance
在表2中，多个组间的显著性计算同样采用的是Tukey多列比较检验(Tukey’smultiple comparisons test)，其中ns表示没有显著性。
在本公开的实施中，若所述多个第二显著性都满足显著性设定条件，则将所述满足显著性设定条件的第二组合肺影像组学确定为第二组待确定的肺影像组学；确定所述第二组待确定的肺影像组学的数目；若所述数目大于1，则分别计算所述第二组待确定的肺影像组学对应的组间的显著性的多个第二显著性总和；确定所述多个第二显著性总和中最小的第二显著性总和；将所述最小的第二显著性总和对应的第二组待确定的肺影像组学确定为影响心率的肺影像组学。
例如，只有Y1的多个组间的显著性都小于设定显著性0.05，则将Y1作为第二组待确定的肺影像组学，同时将Y1确定为影响心率的肺影像组学。
又例如，只有Y1及Y3的多个组间的显著性都小于设定显著性0.05，则将Y1及Y3作为第二组待确定的肺影像组学。此时需要进一步在Y1及Y3中确定一个最优影响心率的肺影像组学。
此时，则分别计算所述第二组待确定的肺影像组学对应的组间的显著性的多个第二显著性总和；确定所述多个第二显著性总和中最小的第二显著性总和；将所述最小的第二显著性总和对应的第二组待确定的肺影像组学确定为影响心率的肺影像组学。
例如，Y1及Y3的对应的组间的显著性的第二显著性总和分别为0.25及0.15，将最小的第二显著性总和0.15对应的Y3确定为影响心率的肺影像组学。
在本公开中，所述根据所述筛选的肺影像组学确定影响心率的肺影像组学的方法，还包括：若所述组间的第二显著性中的任一组间的第二显著性都不满足显著性设定条件，则按照所述筛选系数的大小，对所述筛选的肺影像组学进行排序；按照设定数目依次取所述排序后的所述筛选的肺影像组学，得到选定的肺影像组学；根据所述选定的肺影像组学及对应的筛选系数确定第三组合肺影像组学；确定所述第三组合肺影像组学在多个慢性阻塞性肺疾病等级下第三组间的显著性；若所述第三组间的显著性满足显著性设定条件，则将所述第三组合肺影像组学确定为影响心率的肺影像组学；其中，所述设定数目≥1且小于所述筛选系数或所述筛选的肺影像组学的数目。
在本公开的具体实施方式中，可按照所述筛选系数的绝对值大小，对所述筛选的肺影像组学进行从小到大的排序，得到排序后的所述筛选的肺影像组学为Radiomics4、Radiomics5、Radiomics9、Radiomics10、Radiomics2、Radiomics7、Radiomics8、Radiomics11、Radiomics6、Radiomics1、Radiomics12、Radiomics3、Radiomics13。
例如，在本公开的实施例中，设定数目可以取3，依次取所述排序后的所述筛选的肺影像组学，得到选定的肺影像组学为Radiomics12、Radiomics3、Radiomics13。
在本公开的实施例中，所述根据所述选定的肺影像组学及对应的筛选系数确定第三组合肺影像组学的方法，包括：根据所述选定的肺影像组学及对应的筛选系数进行线性组合，得到第三组合肺影像组学。
图5示出根据本公开实施例的第三组合肺影像组学在多个慢性阻塞性肺疾病等级下多个组间的显著性的示意图。表4为第三组合肺影像组学在多个慢性阻塞性肺疾病等级下多个组间的显著性。
表4
Tukey’s multiple comparisons test Z1 Z2 Z3
Stage 0vs.StageⅠ 0.0013 <0.0001 <0.0001
Stage 0vs.StageⅡ <0.0001 <0.0001 <0.0001
Stage 0vs.StageⅢ&Ⅲ <0.0001 <0.0001 <0.0001
StageⅠvs.StageⅡ 0.0084 0.2786(ns) 0.0449
StageⅠvs.StageⅢ&Ⅲ <0.0001 0.5706(ns) <0.0001
StageⅡvs.StageⅢ&Ⅲ 0.0002 0.0116 <0.0001
ns:no significance
从图5及表4可以看出，Z1在多个慢性阻塞性肺疾病等级下第三组间的显著性都满足显著性设定条件，则将Z1确定为影响心率的肺影像组学。
同时，在本公开的实施中，给出了设定数目为3下的Radiomics3、Radiomics13线性组合对应的组合肺影像组学Z2以及Radiomics3、Radiomics12线性组合对应的组合肺影像组学Z3，虽然Z3的StageⅠvs.StageⅡ也满足显著性设定条件，但是从显著性的总和看，Z1优于Z3，将Z1确定为影响心率的肺影像组学。
在本公开的实施中，若所述第三组间的显著性不满足显著性设定条件，则将所述设定数目按照递增或递减的方式加1或减1；并根据所述选定的肺影像组学及对应的筛选系数确定第三组合肺影像组学；直至所述第三组间的显著性满足显著性设定条件，则将所述第三组合肺影像组学确定为影响心率的肺影像组学。
在本公开的实施例中，若所述第三组间的显著性不满足显著性设定条件，则将所述设定数目按照递增或递减的方式加1或减1，改变构成所述第三组合肺影像组学的数量，并根据所述选定的肺影像组学及对应的筛选系数确定第三组合肺影像组学；直至所述第三组间的显著性满足显著性设定条件，则将所述第三组合肺影像组学确定为影响心率的肺影像组学。
如果所有按照递增或递减方式得到的第三组间的显著性中任一组间的显著性存在不满足显著性设定条件的情形，则按照无顺序随机抽样；并根据所述筛选的肺影像组学及对应的筛选系数确定第四组合肺影像组学；直至所述第四组间的显著性满足显著性设定条件，则将所述第四组合肺影像组学确定为影响心率的肺影像组学。其中，抽样的数目大于1，且小于所述筛选系数或所述筛选的肺影像组学的数目。
若所述第四组间的显著性不满足显著性设定条件，分别确定所述第三组间的显著性中组间的显著性满足显著性设定条件的第一数目，所述多个第二显著性中组间的显著性满足显著性设定条件的多个第二数目，若所述第一组间的显著性中组间的显著性满足显著性设定条件的第三数目，以及所述筛选对应的多个组间的显著性中组间的显著性满足所述显著性设定条件的对个多个第四数目；分别所述多个第二数目及所述多个第四数目中的第一最大数目及第二最大数目；确定所述第一数目、第一最大数目、第二最大数目及第三数目的最大数目，将所述最大数目对应的肺影像组学确定为影响心率的肺影像组学；若所述最大数目的个数大于1个，则分别计算所述最大数目下肺影像组学在多个慢性阻塞性肺疾病等级下组间的显著性；并将所述最大数目下肺影像组学在多个慢性阻塞性肺疾病等级下组间的显著性求和，得到所述最大数目下肺影像组学在多个慢性阻塞性肺疾病等级下的显著性总和；将最小显著性总和的最大数目对应的肺影像组学确定为影响心率的肺影像组学。
在本公开的实施例中，所述筛选的肺影像组学在多个慢性阻塞性肺疾病等级下具有多个组间的显著性；所述第一组合肺影像组学在多个慢性阻塞性肺疾病等级下具有一个第一组间的显著性；所述多个第二组合肺影像组学在多个慢性阻塞性肺疾病等级下具有多个组间的第二显著性；根据所述选定的肺影像组学及对应的筛选系数具有一个第三组合肺影像组学。因此，多个组间的显著性及多个组间的第二显著性对应的数据也是多个，也就是说，先要确定所述多个第二数目及所述多个第四数目中的第一最大数目及第二最大数目。
总之，上述确定影响心率的肺影像组学的方法的原则为：组间的显著性满足显著性设定条件的数目最多的肺影像组学为影响心率的肺影像组学；上述若组间的显著性满足显著性设定条件的数目相等时，考虑最小显著性总和对应的肺影像组学为影响心率的肺影像组学。
基于心率的肺影像组学的确定方法的执行主体可以是基于心率的肺影像组学的确定装置，例如，基于心率的肺影像组学的确定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(User Equipment，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(Personal Digital 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，该基于心率的肺影像组学的确定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基于心率的肺影像组学的确定装置，所述基于心率的肺影像组学的确定装置，包括：获取单元，用于获取多个慢性阻塞性肺疾病等级的胸部影像图像及其对应的心率；计算单元，用于计算所述胸部影像图像的肺影像组学数据；筛选单元，用于基于所述心率及预设筛选模型对所述肺影像组学数据行筛选，得到筛选的肺影像组学；确定单元，用于根据所述筛选的肺影像组学在多个慢性阻塞性肺疾病等级下组间的显著性及显著性设定关系确定影响心率的肺影像组学。
在一些实施例中，本公开实施例提供的装置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方法，其具体实现可以参照上文方法实施例的描述，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基于心率的肺影像组学的确定方法。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基于心率的肺影像组学的确定方法。电子设备可以被提供为终端、服务器或其它形态的设备。
图6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6，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7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7，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)

1.一种基于心率的肺影像组学的确定方法，其特征在于，包括：
获取多个慢性阻塞性肺疾病等级的胸部影像图像及其对应的心率；
计算所述胸部影像图像的肺影像组学数据；
基于所述心率及预设筛选模型对所述肺影像组学数据行筛选，得到筛选的肺影像组学；
根据所述筛选的肺影像组学在多个慢性阻塞性肺疾病等级下组间的显著性及显著性设定关系确定影响心率的肺影像组学。
2.根据权利要求1所述的确定方法，其特征在于，在所述获取多个慢性阻塞性肺疾病等级的胸部影像图像及其对应的心率之前，对所述心率进行筛选，其筛选方法，包括：
统计在心电正常下的多个慢性阻塞性肺疾病等级的心率区间；
若所述心率在所述心率区间内，则保留所述胸部影像图像及其对应的心率；
否则，删除所述胸部影像图像及其对应的心率。
3.根据权利要求1或2所述的确定方法，其特征在于，所述计算所述胸部影像图像的肺影像组学数据的方法，包括：
对所述胸部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；
以及/或，
所述对所述胸部影像图像进行肺区域分割，得到肺区域图像的方法，包括:
利用预设肺区域分割模型，对所述胸部影像图像进行肺区域分割得到肺区域掩码图像；
根据所述胸部影像图像及所述肺区域掩码图像得到肺区域图像；
以及/或，
所述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的方法，包括：
确定肺衍生图像的类型及组学类；
将所述肺区域图像确定为肺原始图像，根据所述肺衍生图像的类型及所述肺原始图像确定肺衍生图像；
分别根据所述组学类及所述预设组学计算模型确定所述肺原始图像及所述肺衍生图像对应的肺影像组学数据。
4.根据权利要求1-3任一项所述的确定方法，其特征在于，所述基于所述心率及预设筛选模型对所述肺影像组学数据行筛选，得到筛选的肺影像组学的方法，包括：
将所述心率作为状态量，利用所述预设组学计算模型对所述肺影像组学数据行筛选，得到筛选的肺影像组学。
5.根据权利要求1-4任一项所述的确定方法，其特征在于，所述根据所述筛选的肺影像组学在多个慢性阻塞性肺疾病等级下组间的显著性及显著性设定关系确定影响心率的肺影像组学的方法，包括：
获取显著性设定条件；
分别确定所述筛选的肺影像组学在多个慢性阻塞性肺疾病等级下多个组间的显著性；
若所述多个组间的显著性都满足所述显著性设定条件，则将所述满足所述显著性设定条件的所述筛选的肺影像组学确定为第一组待确定的肺影像组学；
确定所述第一组待确定的肺影像组学的数目；
若所述数目大于1，则分别计算所述第一组待确定的肺影像组学对应的组间的显著性的多个显著性总和；
确定所述多个显著性总和中最小的显著性总和；
将所述最小的第一显著性总和对应的第一组待确定的肺影像组学确定为影响心率的肺影像组学；
若所述数目为1，则将所述第一组待确定的肺影像组学确定为影响心率的肺影像组学。
6.根据权利要求5所述的确定方法，其特征在于，所述根据所述筛选的肺影像组学在多个慢性阻塞性肺疾病等级下组间的显著性及显著性设定关系确定影响心率的肺影像组学的方法，还包括：
若所述多个组间的显著性中的任一组间的显著性不满足显著性设定条件，获取基于所述心率及预设筛选模型对所述肺影像组学数据行筛选，得到筛选的肺影像组学对应的筛选系数；
根据所述筛选的肺影像组学及对应的筛选系数，得到第一组合肺影像组学；
确定所述第一组合肺影像组学在多个慢性阻塞性肺疾病等级下第一组间的显著性；
若所述第一组间的显著性都满足显著性设定条件，则将所述第一组合肺影像组学确定为影响心率的肺影像组学。
7.根据权利要求6所述的确定方法，其特征在于，所述根据所述筛选的肺影像组学在多个慢性阻塞性肺疾病等级下组间的显著性及显著性设定关系确定影响心率的肺影像组学的方法，还包括：
若所述组间的显著性中的任一组间的显著性不满足显著性设定条件，则基于所述筛选的肺影像组学的图像类别及对应的筛选系数分别确定所述类别对应的多个第二组合肺影像组学；
分别确定所述多个第二组合肺影像组学在多个慢性阻塞性肺疾病等级下组间的多个第二显著性；
若所述多个第二显著性都满足显著性设定条件，则将所述满足显著性设定条件的第二组合肺影像组学确定为第二组待确定的肺影像组学；
确定所述第二组待确定的肺影像组学的数目；
若所述数目大于1，则分别计算所述第二待确定的肺影像组学对应的组间的显著性的多个第二显著性总和；
确定所述多个第二显著性总和中最小的第二显著性总和；
将所述最小的第二显著性总和对应的第二待确定的肺影像组学确定为影响心率的肺影像组学；
若所述数目为1，则将所述第二组待确定的肺影像组学确定为影响心率的肺影像组学；
以及/或，
所述根据所述筛选的肺影像组学确定影响心率的肺影像组学的方法，还包括：
若所述组间的第二显著性中的任一组间的第二显著性都不满足显著性设定条件，则按照所述筛选系数的大小，对所述筛选的肺影像组学进行排序；
按照设定数目依次取所述排序后的所述筛选的肺影像组学，得到选定的肺影像组学；
根据所述选定的肺影像组学及对应的筛选系数确定第三组合肺影像组学；
确定所述第三组合肺影像组学在多个慢性阻塞性肺疾病等级下第三组间的显著性；
若所述第三组间的显著性满足显著性设定条件，则将所述第三组合肺影像组学确定为影响心率的肺影像组学；
其中，所述设定数目≥1且小于所述筛选系数或所述筛选的肺影像组学的数目。
8.一种基于心率的肺影像组学的确定装置，其特征在于，包括：
获取单元，用于获取多个慢性阻塞性肺疾病等级的胸部影像图像及其对应的心率；
计算单元，用于计算所述胸部影像图像的肺影像组学数据；
筛选单元，用于基于所述心率及预设筛选模型对所述肺影像组学数据行筛选，得到筛选的肺影像组学；
确定单元，用于根据所述筛选的肺影像组学在多个慢性阻塞性肺疾病等级下组间的显著性及显著性设定关系确定影响心率的肺影像组学。
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7中任意一项所述基于心率的肺影像组学的确定方法。
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7中任意一项所述基于心率的肺影像组学的确定方法。
CN202110677292.2A 2021-06-18 2021-06-18 基于心率的肺影像组学的确定方法及装置、设备及介质 Active CN113576488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110677292.2A CN113576488B (zh) 2021-06-18 2021-06-18 基于心率的肺影像组学的确定方法及装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110677292.2A CN113576488B (zh) 2021-06-18 2021-06-18 基于心率的肺影像组学的确定方法及装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113576488A true CN113576488A (zh) 2021-11-02
CN113576488B CN113576488B (zh) 2023-06-23

Family

ID=78244038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110677292.2A Active CN113576488B (zh) 2021-06-18 2021-06-18 基于心率的肺影像组学的确定方法及装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113576488B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040092811A1 (en) * 2002-11-12 2004-05-13 Hill David Guy System and method for measurement of local lung function using electron beam CT
CN103079466A (zh) * 2010-08-27 2013-05-01 柯尼卡美能达医疗印刷器材株式会社 胸部诊断辅助系统以及程序
CN104639799A (zh) * 2013-11-14 2015-05-20 财团法人工业技术研究院 影像式心率活动侦测装置及其方法
US20170039737A1 (en) * 2015-08-06 2017-02-09 Case Western Reserve University Decision support for disease characterization and treatment response with disease and peri-disease radiomics
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
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
US20190244347A1 (en) * 2015-08-14 2019-08-08 Elucid Bioimaging Inc. Methods and systems for utilizing quantitative imaging
US20190254611A1 (en) * 2018-02-21 2019-08-22 Case Western Reserve University Predicting disease recurrence following trimodality therapy in non-small cell lung cancer using computed tomography derived radiomic features and clinico-patholigic features
US20190392952A1 (en) * 2016-12-09 2019-12-26 Basil Leaf Technologies, Llc Computer-implemented methods, systems, and computer-readable media for diagnosing a condition
KR20190142486A (ko) * 2018-06-18 2019-12-27 주식회사 바이랩 저호흡 모니터링 시스템 및 방법
CN111084878A (zh) * 2020-02-21 2020-05-01 曹正雨 一种用于肺及呼吸系统疾病的生物医药、医用全营养食品及制备方法
CN111724361A (zh) * 2020-06-12 2020-09-29 深圳技术大学 实时显示病灶的方法及装置、电子设备和存储介质
CN112365436A (zh) * 2020-01-09 2021-02-12 西安邮电大学 一种针对ct影像的肺结节恶性度分级方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040092811A1 (en) * 2002-11-12 2004-05-13 Hill David Guy System and method for measurement of local lung function using electron beam CT
CN103079466A (zh) * 2010-08-27 2013-05-01 柯尼卡美能达医疗印刷器材株式会社 胸部诊断辅助系统以及程序
CN104639799A (zh) * 2013-11-14 2015-05-20 财团法人工业技术研究院 影像式心率活动侦测装置及其方法
US20170039737A1 (en) * 2015-08-06 2017-02-09 Case Western Reserve University Decision support for disease characterization and treatment response with disease and peri-disease radiomics
US20190244347A1 (en) * 2015-08-14 2019-08-08 Elucid Bioimaging Inc. Methods and systems for utilizing quantitative imaging
US20190392952A1 (en) * 2016-12-09 2019-12-26 Basil Leaf Technologies, Llc Computer-implemented methods, systems, and computer-readable media for diagnosing a condition
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
US20190254611A1 (en) * 2018-02-21 2019-08-22 Case Western Reserve University Predicting disease recurrence following trimodality therapy in non-small cell lung cancer using computed tomography derived radiomic features and clinico-patholigic features
KR20190142486A (ko) * 2018-06-18 2019-12-27 주식회사 바이랩 저호흡 모니터링 시스템 및 방법
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
CN112365436A (zh) * 2020-01-09 2021-02-12 西安邮电大学 一种针对ct影像的肺结节恶性度分级方法
CN111084878A (zh) * 2020-02-21 2020-05-01 曹正雨 一种用于肺及呼吸系统疾病的生物医药、医用全营养食品及制备方法
CN111724361A (zh) * 2020-06-12 2020-09-29 深圳技术大学 实时显示病灶的方法及装置、电子设备和存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
LIU Y,等: "Effects of cardiopulmonary support with a novel pediatric pump-lung in a 30-day ovine animal model", 《ARTIFICIAL ORGANS》 *
MAZZASCHI, G,等: "Integrated CT imaging and tissue immune features disclose a radio-immune signature with high prognostic impact on surgically resected NSCLC", 《LUNG CANCER》 *
刘璐: "肺部超声与CT评价重症患者肺通气的相关性研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 *
康书朝,等: "良恶性肺结节影像组学特征与分子标记物相关性研究", 《健康研究》 *
李强,等: "一种改进的医疗文本分类模型:LS-GRU", 《东北大学学报(自然科学版)》 *

Also Published As

Publication number Publication date
CN113576488B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
KR101818074B1 (ko) 인공지능 기반 의료용 자동 진단 보조 방법 및 그 시스템
TWI755853B (zh) 圖像處理方法、電子設備和電腦可讀儲存介質
JP6595474B2 (ja) 創傷アセスメントおよびマネジメントのための方法およびシステム
CN112767329B (zh) 图像处理方法及装置、电子设备
WO2020211293A1 (zh) 一种图像分割方法及装置、电子设备和存储介质
WO2023005468A1 (zh) 检测呼吸率的方法、装置、存储介质及电子设备
CN112967291B (zh) 图像处理方法及装置、电子设备和存储介质
CN114820584B (zh) 肺部病灶定位装置
WO2023005469A1 (zh) 呼吸检测区域确定方法、装置、存储介质及电子设备
WO2023005402A1 (zh) 基于热成像的呼吸率检测方法、装置及电子设备
CN112508918A (zh) 图像处理方法及装置、电子设备和存储介质
CN110473143B (zh) 一种三维mra医学图像拼接方法及装置、电子设备
WO2023005403A1 (zh) 呼吸率检测方法、装置、存储介质及电子设备
CN112927239A (zh) 图像处理方法、装置、电子设备及存储介质
CN115423819A (zh) 肺血管的分割方法及装置、电子设备和存储介质
CN112288843B (zh) 一种病灶的三维构建方法、装置、终端设备及存储介质
KR102492463B1 (ko) 병변 판독 결과 표시 방법
CN114418931A (zh) 术后剩余肺叶的提取方法及装置、电子设备和存储介质
CN113808082B (zh) 肺图像的处理方法及装置、电子设备和存储介质
CN113576488B (zh) 基于心率的肺影像组学的确定方法及装置、设备及介质
CN114678123A (zh) 慢阻肺的风险评估、决策方法及装置、电子设备和介质
CN115565666A (zh) 脑梗死评估方法及装置、电子设备和存储介质
Ghosal et al. INAP: A hybrid approach for noninvasive anemia-polycythemia detection in the IoMT
CN109330559A (zh) 皮质醇含量的测评方法、装置、计算机设备及计算机存储介质
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

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