CN114209289A - 自动评估方法、装置、电子设备及存储介质 - Google Patents
自动评估方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114209289A CN114209289A CN202210159584.1A CN202210159584A CN114209289A CN 114209289 A CN114209289 A CN 114209289A CN 202210159584 A CN202210159584 A CN 202210159584A CN 114209289 A CN114209289 A CN 114209289A
- Authority
- CN
- China
- Prior art keywords
- images
- bile duct
- difficulty
- video
- automatic evaluation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种选择性胆管插管困难的自动评估方法、装置、电子设备及存储介质,该方法包括:获取目标患者的当前病例数据,并在所述当前病例数据中获取与选择性胆管插管困难的关联因素;获取采集到的视频,并对所述视频进行处理得到若干图像;对所述若干图像进行分类处理,得到若干类别图像;将所述关联因素以及若干类别图像输入至预先训练好的自动评估模型中,得到所述目标患者的选择性胆管插管对应的困难指数。实现了在进行选择性胆管插管时,无需人为的介入,可以快速准确的对其困难程度进行评估。
Description
技术领域
本发明涉及医疗辅助技术领域,尤其涉及一种选择性胆管插管困难的自动评估方法、装置、电子设备及存储介质。
背景技术
随着内镜技术的发展,目前内镜逆行胰胆管造影(endoscopic retrogradecholangio-pancreatography, ERCP)已成为胆胰疾病的诊断和治疗主要方法之一,且术中选择性胆管插管被认为是内镜逆行胰胆管造影成功的关键步骤。然而,传统的选择性胆管插管技术的失败率较高,而对于插管困难的患者,长时间反复插管增加了术后并发症风险,因此,在胆管插管前及时评估选择性胆管插管困难尤为重要。
目前,Jaume Boix等人使用多变量分析的方式确定了选择性导管插管困难的独立危险因素,并且构建了响应的评分系统,进而实现在术前预测患者是否发生选择性胆管插管困难。但是依旧需要主动去识别危险因素且计算公式复杂。
因此,现在亟需一种快速且准确的实现自动化评估的选择性胆管插管困难的自动评估方法。
发明内容
本发明实施例的目的是提供一种选择性胆管插管困难的自动评估方法、装置、电子设备及存储介质,以快速准确的实现选择性胆管插管困难的自动评估。
在第一方面,为实现上述目的,本发明实施例提供了一种选择性胆管插管困难的自动评估方法,包括:
获取目标患者的当前病例数据,并在所述当前病例数据中获取与选择性胆管插管困难的关联因素;
获取采集到的视频,并对所述视频进行处理得到若干图像;
对所述若干图像进行分类处理,得到若干类别图像;
将所述关联因素以及若干类别图像输入至预先训练好的自动评估模型中,得到所述目标患者的选择性胆管插管对应的困难指数。
在第二方面,为了解决相同的技术问题,本发明实施例提供了一种选择性胆管插管困难的自动评估装置,包括:
数据获取模块,用于获取目标患者的当前病例数据,并在所述当前病例数据中获取与选择性胆管插管困难的关联因素;
视频处理模块,用于获取采集到的视频,并对所述视频进行处理得到若干图像;
图像处理模块,用于对所述若干图像进行分类处理,得到若干类别图像;
自动评估模块,用于将所述关联因素以及若干类别图像输入至预先训练好的自动评估模型中,得到所述目标患者的选择性胆管插管对应的困难指数。
在第三方面,为了解决相同的技术问题,本发明实施例提供了一种电子设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述存储器与所述处理器耦接,且所述处理器执行所述计算机程序时,实现上述任一项所述的选择性胆管插管困难的自动评估方法中的步骤。
在第四方面,为了解决相同的技术问题,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行上述任一项所述的选择性胆管插管困难的自动评估方法中的步骤。
本发明实施例提供了一种选择性胆管插管困难的自动评估方法、装置、电子设备及存储介质,该方法通过在进行自动评估之前,构建并训练实现自动评估的模型,然后在进行自动评估时,获取患者的当前病例数据确定患者对应的关联因素,同时获取在检查过程中的ERCP视频,通过对ERCP视频的处理和分析,确定对患者是否具有高危因素进行判断,最后利用训练好的自动评估模型确定患者做选择性胆管插管的困难指数。实现了在对患者的选择性胆管插管困难进行评估时,自动获取与选择性胆管插管困难有关的患者相关因素,以及与选择性胆管插管困难有关的乳头相关因素,进而利用预先训练好的模型实现评估,提高的评估的效率。
附图说明
图1为本发明实施例提供的选择性胆管插管困难的自动评估方法的一种流程示意图;
图2是本发明实施例提供的结石嵌顿的一种示意图;
图3是本发明实施例提供的壶腹部肿瘤的一种示意图;
图4是本发明实施例提供的憩室乳头的一种示意图;
图5是本发明实施例提供的十二指肠大乳头的一种示意图;
图6为本申请实施例提供的得到若干类别图像的步骤的一流程示意图;
图7为本申请实施例提供的得到训练好的自动评估模型的步骤的一流程示意图;
图8为本申请实施例提供的得到训练好的自动评估模型的步骤的另一流程示意图;
图9为本发明实施例提供的选择性胆管插管困难的自动评估装置的一种结构示意图;
图10为本发明实施例提供的电子设备的一种结构示意图;
图11为本发明实施例提供的电子设备的另一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解的是,本申请公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本申请公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
请参见图1,图1为本发明实施例提供的选择性胆管插管困难的自动评估方法的一种流程示意图,如图1所示,本发明实施例提供的选择性胆管插管困难的自动评估方法包括步骤S101至步骤S106。
步骤S101、获取目标患者的当前病例数据,并在所述当前病例数据中获取与选择性胆管插管困难的关联因素。
在确定患者是否存在选择性胆管插管困难时,需要根据患者的当前病情状况进行准确的判断,而在进行困难指数的判断时,需要根据相关的某一或者某些数据来确定。由于与患者关联的病况数据有很多,但是并不是所有的数据都可以用来作为判断的依据,因此需要对与患者相关的病况数据进行一定的处理,得到更加准确的部分数据用于困难程度的判断。
具体地,获取目标患者的当前病例数据,进而根据所得到的当前病例数据,得到用于确定选择性胆管插管困难的相关因素,进而根据所得到的相关因素进行后续的评估操作。
示例性地,在确定关联因素时,首先获取相关的关联特征,然后根据关联特征在在当前病例数据中进行数据的读取,进而得到对应的关联因素。其中关联特征为与选择性胆管插管困难相关的患者相关因素所对应的特征,可以是具体的文字,也可以是其他的表示方式。
在实际应用中,与选择性胆管插管困难相关的患者相关因素可以包括年龄、性别、既往胆道手术方式以及患者胆胰管汇合方式等,与选择性胆管插管困难相关的乳头相关因素包括:结石嵌顿、壶腹部肿瘤、下垂乳头、小乳头以及憩室内乳头等,通过对相关联因素进行分析,确定患者做选择性胆管插管手术的困难程度。
而在根据当前病例数据确定关联因素时,所确定的关联因素为与选择性胆管插管困难相关的患者相关因素。对于与选择性胆管插管困难相关的乳头相关因素是根据所采集到的ERCP视频来确定的。
步骤S102、获取采集到的视频,并对所述视频进行处理得到若干图像。
在对患者的检查过程中,通常是需要对患者的相关联的部位进行图像视频的采集,进而通过对视频的分析,确定患者的当前病情状况。而在确定患者的选择性胆管插管困难时,需要通过相关的设备采集相关的图像,比如利用内镜检查设备获取ERCP(EndoscopicRetrograde Cholangio-Pancreatography,内镜逆行胰胆管造影)白光下的视频,然后通过对所采集到的视频进行分析处理,对确定患者的选择性胆管插管困难程度。具体地,获取所采集到的视频,对视频信息进行处理,以得到若干图像。
在对所得到的视频进行处理时,通过对视频进行解码实现图像的获取。在进行视频的解码得到图像时,也就是通过对视频帧的获取得到对应的图像。实际上,一帧视频帧即为一张图像,而在进行解码时,可以通过设置获取视频帧的时间或者帧数间隔,进而得到相应的图像,比如每10帧得到一张图像。
步骤S103、对所述若干图像进行分类处理,得到若干类别图像。
在对视频进行解码处理得到若干图像时,不同的图像中所包含和记录的信息是有所差异和不同的,比如所拍摄到的部位有所不同,因此在根据视频得到若干图像之后,对所得到的若干图像进行处理。具体地,在得到若干图像之后,对若干图像进行分类处理,以得到若干不同类别的图像。
在实际应用中,视频所拍摄的部位的不同会使得所得到的图像所记录的部位有所不同,其中用于判断选择性胆管插管困难的因素有石嵌顿、壶腹部肿瘤、下垂乳头、小乳头以及憩室内乳头等,而为了实现选择性胆管插管困难的判断,此时内窥镜设备在进行视频的采集时也是对相关的因素的部位的具体情况进行视频采集,因此所得到的图像为中会分别对不同的部位的情况进行记录,也就是所得到的图像为任一部位的图像。
示例性地,对于所得到的图像,可以根据图像所记录的信息的不同进行分类。例如有的图像所记录的为结石嵌顿,如图2所示,有的图像所记录的为壶腹部肿瘤,如图3所示,有的图像记录的为憩室乳头,如图4所示,且图4中从左至右分别为无憩室乳头、憩室内乳头及憩室旁乳头,有的图像所记录的为十二指肠大乳头,如图5所示,且图5中图像A为常规乳头、图像B小乳头、图像C为下垂型乳头以及图像D为嵴型乳头。
在对图像进行分类处理时,首先对所采集到的图像进行筛选,然后对筛选后的图像进行分类处理。具体地,参照图6,图6为本申请实施例提供的得到若干类别图像的步骤的一流程示意图,其中该步骤包括步骤S601至步骤S603。
步骤S601、根据特征标识对所述若干图像进行筛选,得到中间图像;
步骤S602、识别所述中间图像中每一图像的图像特征;
步骤S603、基于所述图像特征对所述中间图像进行分类,得到若干类别图像,其中一图像特征对应一类别。
其中特征标识为一图像的特征信息,在此,由于是用来确定选择性胆管插管的困难程度,因此,该特征标识可以为十二指肠大乳头图像的特征标识。
在一实施例中,在通过对视频进行解码处理,得到对应的若干图像之后,首先获取预先所设定的特征标识,以根据特征标识对若干图像进行筛选,得到中间图像,然后对中间图像中的每一图像的特征进行提取,进而根据所得到的特征对中间图像进行图像分类,其中每一图像特征会对应一类别。
在实际应用中,所得到的图像中所记录的信息有很多,有的图像可以用来作为判断选择性胆管插管困难的依据,而有的图像在判断选择性胆管插管困难的过程中没有作用,因此需要将其筛掉。
而在进行图像的过滤处理时,过滤后所得到的图像为十二指肠大乳头图像,因此在进行筛选过滤时,利用十二指肠大乳头图像对应的特征标识对图像进行筛选。示例性地,在进行图像筛选和过滤时,通过预先构建好的一模型实现,首先通过大量的数据对所构建的用于进行图像筛选的模型进行训练,进而在训练完成之后用于图像的筛选。
在对所构建的一用于进行图像筛选的模型进行训练时,获取大量的十二指肠大乳头图像和非十二指肠大乳头图像,通过设置标签的方式对训练样本进行处理,然后使用完成标签之后的图像对模型进行训练,并在训练结束时得到训练好的用于进行图像筛选的模型。其中训练结束的标志为训练后的模型收敛,而具体确定收敛的方式不限,包括但不限于为训练次数以及参数满足条件等。
在完成对基于视频得到的图像的筛选得到中间图像之后,会对中间图像进行分类处理,以得到若干类别图像。而在对中间图像进行分类处理时,按照不同的分类方式对中间图像进行若干次分类处理,以得到不同分类方式对应的不同组别的分类图像。
示例性地,按照第一条件对中间图像分类,得到图像集合1和图像集合2;按照第二条件对中间图像分类,得到图像集合3和图像集合4;按照第三条件对中间图像分类,得到图像集合5和图像集合6。
比如,在十二指肠大乳头图像(中间图像)中挑选出结石嵌顿,此时得到的类别为:结石嵌顿图像和正常十二指肠大乳头图像。
再比如,在十二指肠大乳头图像中挑选出壶腹部肿瘤,此时得到的类别为:壶腹部肿瘤图像和正常十二指肠大乳头图像。
再比如,对十二指肠大乳头图像进行分类,此时得到的类别为:常规乳头图像、小乳头图像、下垂型乳头图像以及嵴型乳头图像。
再比如,对十二指肠大乳头图像进行分类,此时得到的类别还可以为:无憩室乳头图像、憩室旁乳头图像及憩室内乳头图像。
对于不同的图像,其所属的类别可以有多个,比如一个图像可以属于结石嵌顿图像,还可以属于壶腹部肿瘤图像,当然还可以属于更多的类别。
步骤S104、将所述关联因素以及若干类别图像输入至预先训练好的自动评估模型中,得到所述目标患者的选择性胆管插管对应的困难指数。
在完成对所得到的若干图像的分类处理之后,将会根据所得到的分类结果利用预先所训练好的自动评估模型进行预测,以确定该目标患者的选择性胆管插管对应的困难指数,其中,困难指数越高说明患者做选择性胆管插管手术的成功率越低,相反地,困难指数越低说明患者做选择性胆管插管手术的成功率越高。
在一实施例中,对于此时所使用的自动评估模型是预先所训练好的,因此需要在使用之前对所构建的自动评估模型进行训练,参照图7,图7为本申请实施例提供的得到训练好的自动评估模型的步骤的一流程示意图,其中该步骤包括步骤S701至步骤S703。
步骤S701、构建一自动评估模型,并获取对所述自动评估模型进行训练的样本数据,其中所述样本数据包括测试集样本和训练集样本;
步骤S702、根据所述训练集样本对所述自动评估模型进行训练;
步骤S703、当确定训练后的所述自动评估模型收敛时,根据所述测试集样本对训练后的所述自动评估模型进行测试,并在确定测试通过时得到训练好的自动评估模型。
在一实施例中,首先构建一自动评估模型,其中该自动评估模型可以但不限于可以是基于神经深度学习网络所构建得到的,同时获取用于进行模型训练的训练样本,然后利用所得到的训练样本对所构建的自动评估模型进行训练。
具体地,在进行训练时,首先将所得到的训练样本数据分为训练集样本和测试集样本,其中,训练集样本用于对模型进行训练,以优化模型中的相关参数,而测试集样本用于对训练后的模型的进行测试,通过测试集样本的输入和输出判断模型训练是否可以结束。在进行测试时,可以根据模型进行预测的灵敏度、特异度以及准确度等相关数据来确定。
示例性的,对于所获取的进行模型训练的样本数据,通过收集选择性胆管插管困难的患者的相关数据,如病例、ERCP视频及图片,然后获取与选择性胆管插管困难有关的患者相关数据(如既往胆道手术、患者胆胰管汇合方式等)、以及与选择性胆管插管困难有关的乳头相关数据(如结石嵌顿、壶腹部肿瘤、下垂乳头、小乳头、憩室内乳头等),以形成进行模型训练的样本数据,最后将所得到的数据分为训练集和测试集,其中训练集用于选择性胆管插管困难评估模型的构建,测试集用于验证,通过训练机器学习方法如决策树、随机森林等机器学习模型根据所得到的数据进行模型训练,进而得到选择性胆管插管困难的自动评估模型。
在实际的应用过程中,对于选择性胆管插管的难度的影响的主要因素除了与患者本身的年龄等相关之外,具体相关的因素有结石嵌顿、壶腹部肿瘤、下垂乳头、小乳头以及憩室内乳头等,比如在患者具有该因素中的某一或者某几个病况时,做选择性胆管插管的手术存在有较高的困难度或者风险度,因此在进行模型训练时,确定不同的因素在困难度的评估上所对应的重要程度,也就是权重值,其中权重值越高说明影响越大,反之则越小,在确定了不同因素在评估过程中的重要程度之后,根据是否存在该项因素来确定对应的困难度。
在一实施例中,参照图8,图8为本申请实施例提供的得到训练好的自动评估模型的步骤的另一流程示意图。其中该步骤包括步骤S801至步骤S803。
步骤S801、当确定训练后的所述自动评估模型收敛时,获取基于所述训练集样本进行训练时处于收敛状态的若干自动评估模型所对应的若干组参数;
步骤S802、将所述验证集样本输入至训练后的自动评估模型中,并记录所述验证集样本对应的稳定值,以根据所述稳定值确定训练后的所述自动评估模型是否稳定;
步骤S803、当确定训练后的所述自动评估模型稳定时,对所述若干组参数进行融合,以根据融合后的参数得到训练好的自动评估模型。
在确定训练后的自动评估模型收敛时,说明当前阶段完成模型的训练,但是并不一定确定此时所得到的模型是满足实际的使用需求的,因此,在确认收敛时对所此时所得到的自动评估模型进行进一步的测试和验证,并在通过测试和验证时确定此时所得到的模型满足实际的使用需求。
在一实施例中,在确定训练后的自动评估模型收敛时,获取若干组参数,其中所获取的若干组参数是在模型收敛之后的一段时间内若干模型所对应的模型参数,比如在确定模型收敛时,依旧对模型训练10次,然后获取10次训练所得到的模型分别对应的模型参数,以汇总得到当前所得到的若干组参数,同时在进行测试时,将测试集样本输入到训练后的自动评估模型中,并根据进行测试时测试集样本所对应的稳定值确定此时模型是否稳定,以及还可以确定模型此时是否准确,进而在确定模型稳定时根据预先所获取的若干组参数进行融合,可以得到一组参数,此时可以根据此时所得到的参数对模型中对应的参数进行设定,即在完成参数设定时得到训练好的自动评估模型。
在实际的测试过程中,是为了确保训练后的模型具有更好的准确性和鲁棒性等,因此在进行测试的时候,除了根据测试集样本实现对训练后的自动评估模型的准确性进行判断,还需要确定模型是否可以稳定的运行。进而根据模型的稳定性和准确性等相关性能确定模型是否训练完成。当然,在对模型进行测试的时候,除了对模型的准确性和稳定性进行测试,还可以添加其他性能的测试,在此不做限制。
在最终得到训练好的自动评估模型时,可以根据处于稳定周期内的若干模型所对应的模型参数所得到的,而并不是直接将第一个稳定的模型作为基础模型。对于一个模型而言,通过对模型所包含的参数进行训练和调整,使得所得到的模型满足实际的应用需求。而在得到训练好的模型时,将收敛且处于稳定状态的若干模型的模型参数进行融合,以得到一组参数组合,可以更好的提高模型的鲁棒性。而在进行融合时具体方式不做限制,比如可以对模型参数计算平均值,以将所得到的每个模型参数的平均值作为训练好的模型的模型参数。
在一实施例中,在进行训练得到训练好的自动评估模型之后,便是使用过程中对该模型的使用。具体地,在使用过程中,根据所获取到的患者的相关信息以及图像信息,确定患者在选择性胆管插管中的困难度。
示例性的,对与确定选择性胆管插管的困难指数的方式,是根据患者的实际病况来确定的,比如患者的十二指肠大乳头是否为其他的形态,同时由于不同形态的影响不同,也会是的判断结果有所不同。而在具体的模型训练过程中,通过确定不同的因素在判断过程中的权重值,使得在进行判断时,确定患者是否具有某一或者某些因素特征,然后根据不同的因素特征对应的权重得到选择性胆管插管的困难指数,进而使得医生可以根据所得到的困难指数确定是否可以给予患者该处理方式。
综上所述,本发明实施例提供的选择性胆管插管困难的自动评估方法,包括在进行自动评估之前,构建并训练实现自动评估的模型,然后在进行自动评估时,获取患者的当前病例数据确定患者对应的关联因素,同时获取在检查过程中的ERCP视频,通过对ERCP视频的处理和分析,确定对患者是否具有高危因素进行判断,最后利用训练好的自动评估模型确定患者做选择性胆管插管的困难指数。实现了在对患者的选择性胆管插管困难进行评估时,自动获取与选择性胆管插管困难有关的患者相关因素,以及与选择性胆管插管困难有关的乳头相关因素,进而利用预先训练好的模型实现评估,提高的评估的效率。
根据上述实施例所描述的方法,本实施例将从选择性胆管插管困难的自动评估装置的角度进一步进行描述,该选择性胆管插管困难的自动评估装置具体可以作为独立的实体来实现,也可以集成在电子设备,比如终端中来实现,该终端可以包括手机、平板电脑等。
请参见图9,图9为本发明实施例提供的选择性胆管插管困难的自动评估装置的一种结构示意图,如图9所示,本发明实施例提供的选择性胆管插管困难的自动评估装置900,包括:
数据获取模块901,用于获取目标患者的当前病例数据,并在所述当前病例数据中获取与选择性胆管插管困难的关联因素;
视频处理模块902,用于获取采集到的视频,并对所述视频进行处理得到若干图像;
图像处理模块903,用于对所述若干图像进行分类处理,得到若干类别图像;
自动评估模块904,用于将所述关联因素以及若干类别图像输入至预先训练好的自动评估模型中,得到所述目标患者的选择性胆管插管对应的困难指数。
具体实施时,以上各个模块和/或单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个模块和/或单元的具体实施可参见前面的方法实施例,具体可以达到的有益效果也请参看前面的方法实施例中的有益效果,在此不再赘述。
另外,请参见图10,图10为本发明实施例提供的电子设备的一种结构示意图,该电子设备可以是移动终端如智能手机、平板电脑等设备。如图10所示,电子设备1000包括处理器1001、存储器1002。其中,处理器1001与存储器1002电性连接。
处理器1001是电子设备1000的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或加载存储在存储器1002内的应用程序,以及调用存储在存储器1002内的数据,执行电子设备1000的各种功能和处理数据,从而对电子设备1000进行整体监控。
在本实施例中,电子设备1000中的处理器1001会按照如下的步骤,将一个或一个以上的应用程序的进程对应的指令加载到存储器1002中,并由处理器1001来运行存储在存储器1002中的应用程序,从而实现各种功能:
获取目标患者的当前病例数据,并在所述当前病例数据中获取与选择性胆管插管困难的关联因素;
获取采集到的视频,并对所述视频进行处理得到若干图像;
对所述若干图像进行分类处理,得到若干类别图像;
将所述关联因素以及若干类别图像输入至预先训练好的自动评估模型中,得到所述目标患者的选择性胆管插管对应的困难指数。
该电子设备1000可以实现本发明实施例所提供的选择性胆管插管困难的自动评估方法任一实施例中的步骤,因此,可以实现本发明实施例所提供的任一选择性胆管插管困难的自动评估方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
请参见图11,图11为本发明实施例提供的电子设备的另一种结构示意图,如图11所示,图11示出了本发明实施例提供的电子设备的具体结构框图,该电子设备可以用于实施上述实施例中提供的选择性胆管插管困难的自动评估方法。该电子设备1100可以为移动终端如智能手机或笔记本电脑等设备。
RF电路1110用于接收以及发送电磁波,实现电磁波与电信号的相互转换,从而与通讯网络或者其他设备进行通讯。RF电路1110可包括各种现有的用于执行这些功能的电路元件,例如,天线、射频收发器、数字信号处理器、加密/解密芯片、用户身份模块(SIM)卡、存储器等等。RF电路1110可与各种网络如互联网、企业内部网、无线网络进行通讯或者通过无线网络与其他设备进行通讯。上述的无线网络可包括蜂窝式电话网、无线局域网或者城域网。上述的无线网络可以使用各种通信标准、协议及技术,包括但并不限于全球移动通信系统(Global System for Mobile Communication, GSM)、增强型移动通信技术(EnhancedData GSM Environment, EDGE),宽带码分多址技术(Wideband Code Division MultipleAccess, WCDMA),码分多址技术(Code Division Access, CDMA)、时分多址技术(TimeDivision Multiple Access, TDMA),无线保真技术(Wireless Fidelity, Wi-Fi)(如美国电气和电子工程师协会标准 IEEE 802.11a, IEEE 802.11b, IEEE802.11g 和/或 IEEE802.11n)、网络电话(Voice over Internet Protocol, VoIP)、全球微波互联接入(Worldwide Interoperability for Microwave Access, Wi-Max)、其他用于邮件、即时通讯及短消息的协议,以及任何其他合适的通讯协议,甚至可包括那些当前仍未被开发出来的协议。
存储器1120可用于存储软件程序以及模块,如上述实施例中选择性胆管插管困难的自动评估方法对应的程序指令/模块,处理器1180通过运行存储在存储器1120内的软件程序以及模块,从而执行各种功能应用以及选择性胆管插管困难的自动评估,即实现如下功能:
获取目标患者的当前病例数据,并在所述当前病例数据中获取与选择性胆管插管困难的关联因素;
获取采集到的视频,并对所述视频进行处理得到若干图像;
对所述若干图像进行分类处理,得到若干类别图像;
将所述关联因素以及若干类别图像输入至预先训练好的自动评估模型中,得到所述目标患者的选择性胆管插管对应的困难指数。
存储器1120可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1120可进一步包括相对于处理器1180远程设置的存储器,这些远程存储器可以通过网络连接至电子设备1100。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入单元1130可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地,输入单元1130可包括触敏表面1131以及其他输入设备1132。触敏表面1131,也称为触摸显示屏或者触控板,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面1131上或在触敏表面1131附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触敏表面1131可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器1180,并能接收处理器1180发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面1131。除了触敏表面1131,输入单元1130还可以包括其他输入设备1132。具体地,其他输入设备1132可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元1140可用于显示由用户输入的信息或提供给用户的信息以及电子设备1100的各种图形用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元1140可包括显示面板1141,可选的,可以采用LCD(Liquid CrystalDisplay,液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板1141。进一步的,触敏表面1131可覆盖显示面板1141,当触敏表面1131检测到在其上或附近的触摸操作后,传送给处理器1180以确定触摸事件的类型,随后处理器1180根据触摸事件的类型在显示面板1141上提供相应的视觉输出。虽然在图中,触敏表面1131与显示面板1141是作为两个独立的部件来实现输入和输出功能,但是在某些实施例中,可以将触敏表面1131与显示面板1141集成而实现输入和输出功能。
电子设备1100还可包括至少一种传感器1150,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板1141的亮度,接近传感器可在翻盖合上或者关闭时产生中断。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于电子设备1100还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路1160、扬声器1161,传声器1162可提供用户与电子设备1100之间的音频接口。音频电路1160可将接收到的音频数据转换后的电信号,传输到扬声器1161,由扬声器1161转换为声音信号输出;另一方面,传声器1162将收集的声音信号转换为电信号,由音频电路1160接收后转换为音频数据,再将音频数据输出处理器1180处理后,经RF电路1110以发送给比如另一终端,或者将音频数据输出至存储器1120以便进一步处理。音频电路1160还可能包括耳塞插孔,以提供外设耳机与电子设备1100的通信。
电子设备1100通过传输模块1170(例如Wi-Fi模块)可以帮助用户接收请求、发送信息等,它为用户提供了无线的宽带互联网访问。虽然图中示出了传输模块1170,但是可以理解的是,其并不属于电子设备1100的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器1180是电子设备1100的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器1120内的软件程序和/或模块,以及调用存储在存储器1120内的数据,执行电子设备1100的各种功能和处理数据,从而对电子设备进行整体监控。可选的,处理器1180可包括一个或多个处理核心;在一些实施例中,处理器1180可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解地,上述调制解调处理器也可以不集成到处理器1180中。
电子设备1100还包括给各个部件供电的电源1190(比如电池),在一些实施例中,电源可以通过电源管理系统与处理器1180逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源1190还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出,电子设备1100还包括摄像头(如前置摄像头、后置摄像头)、蓝牙模块等,在此不再赘述。具体在本实施例中,电子设备的显示单元是触摸屏显示器,移动终端还包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行一个或者一个以上程序包含用于进行以下操作的指令:
获取目标患者的当前病例数据,并在所述当前病例数据中获取与选择性胆管插管困难的关联因素;
获取采集到的视频,并对所述视频进行处理得到若干图像;
对所述若干图像进行分类处理,得到若干类别图像;
将所述关联因素以及若干类别图像输入至预先训练好的自动评估模型中,得到所述目标患者的选择性胆管插管对应的困难指数。
具体实施时,以上各个模块可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个模块的具体实施可参见前面的方法实施例,在此不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的选择性胆管插管困难的自动评估方法中任一实施例的步骤。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的选择性胆管插管困难的自动评估方法任一实施例中的步骤,因此,可以实现本发明实施例所提供的任一选择性胆管插管困难的自动评估方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种选择性胆管插管困难的自动评估方法、装置、电子设备及存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。并且,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种选择性胆管插管困难的自动评估方法,其特征在于,包括:
获取目标患者的当前病例数据,并在所述当前病例数据中获取与选择性胆管插管困难的关联因素;
获取采集到的视频,并对所述视频进行处理得到若干图像;
对所述若干图像进行分类处理,得到若干类别图像;
将所述关联因素以及若干类别图像输入至预先训练好的自动评估模型中,得到所述目标患者的选择性胆管插管对应的困难指数。
2.如权利要求1所述的方法,其特征在于,所述在所述当前病例数据中获取与选择性胆管插管困难的关联因素,包括:
获取预设的关联特征,并根据所述当前病例数据中读取与所述关联特征对应的关联信息,以得到与选择性胆管插管困难的关联因素。
3.如权利要求1所述的方法,其特征在于,所述获取采集到的视频,并对所述视频进行处理得到若干图像,包括:
获取采集到的视频,并对所述视频进行解码得到所述视频对应的视频帧;
根据所设定的视频帧间隔,在所述视频帧中进行选择,得到若干视频帧,其中一视频帧对应一图像。
4.如权利要求1所述的方法,其特征在于,所述对所述若干图像进行分类处理,得到若干类别图像,包括:
根据特征标识对所述若干图像进行筛选,得到中间图像;
识别所述中间图像中每一图像的图像特征;
基于所述图像特征对所述中间图像进行分类,得到若干类别图像,其中一图像特征对应一类别。
5.如权利要求4所述的方法,其特征在于,所述基于所述图像特征对所述中间图像进行分类,得到若干类别图像,包括:
确定所述图像特征的特征数量;
以一图像特征为一组,对所述中间图像进行若干次分类,得到若干组类别图像,其中所述若干次分类的次数与所述特征数量相等。
6.如权利要求1至5中任一项所述的方法,其特征在于,所述方法还包括:
构建一自动评估模型,并获取对所述自动评估模型进行训练的样本数据,其中所述样本数据包括测试集样本和训练集样本;
根据所述训练集样本对所述自动评估模型进行训练;
当确定训练后的所述自动评估模型收敛时,根据所述测试集样本对训练后的所述自动评估模型进行测试,并在确定测试通过时得到训练好的自动评估模型。
7.如权利要求6所述的方法,其特征在于,所述当确定训练后的所述自动评估模型收敛时,根据所述测试集样本对训练后的所述自动评估模型进行测试,并在确定测试通过时得到训练好的自动评估模型,包括:
当确定训练后的所述自动评估模型收敛时,获取基于所述训练集样本进行训练时处于收敛状态的若干自动评估模型所对应的若干组参数;
将所述验证集样本输入至训练后的自动评估模型中,并记录所述验证集样本对应的稳定值,以根据所述稳定值确定训练后的所述自动评估模型是否稳定;
当确定训练后的所述自动评估模型稳定时,对所述若干组参数进行融合,以根据融合后的参数得到训练好的自动评估模型。
8.一种选择性胆管插管困难的自动评估装置,其特征在于,包括:
数据获取模块,用于获取目标患者的当前病例数据,并在所述当前病例数据中获取与选择性胆管插管困难的关联因素;
视频处理模块,用于获取采集到的视频,并对所述视频进行处理得到若干图像;
图像处理模块,用于对所述若干图像进行分类处理,得到若干类别图像;
自动评估模块,用于将所述关联因素以及若干类别图像输入至预先训练好的自动评估模型中,得到所述目标患者的选择性胆管插管对应的困难指数。
9.一种电子设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述存储器与所述处理器耦接,且所述处理器执行所述计算机程序时,实现如权利要求1至7任一项所述的选择性胆管插管困难的自动评估方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行如权利要求1至7任一项所述的选择性胆管插管困难的自动评估方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210159584.1A CN114209289A (zh) | 2022-02-22 | 2022-02-22 | 自动评估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210159584.1A CN114209289A (zh) | 2022-02-22 | 2022-02-22 | 自动评估方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114209289A true CN114209289A (zh) | 2022-03-22 |
Family
ID=80709203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210159584.1A Pending CN114209289A (zh) | 2022-02-22 | 2022-02-22 | 自动评估方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114209289A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160278670A1 (en) * | 2013-10-11 | 2016-09-29 | Centre Hospitalier Universitaire Vaudois (Chuv) | Difficult intubation or ventilation or extubation prediction system |
CN109584229A (zh) * | 2018-11-28 | 2019-04-05 | 武汉大学人民医院(湖北省人民医院) | 一种内镜下逆行胰胆管造影术实时辅助诊断系统及方法 |
JP2020062218A (ja) * | 2018-10-17 | 2020-04-23 | 学校法人日本大学 | 学習装置、推定装置、学習方法、推定方法、およびプログラム |
US20210034841A1 (en) * | 2019-07-31 | 2021-02-04 | Wake Forest University Health Sciences | System and method for automated prediction of difficult airway management using images |
-
2022
- 2022-02-22 CN CN202210159584.1A patent/CN114209289A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160278670A1 (en) * | 2013-10-11 | 2016-09-29 | Centre Hospitalier Universitaire Vaudois (Chuv) | Difficult intubation or ventilation or extubation prediction system |
JP2020062218A (ja) * | 2018-10-17 | 2020-04-23 | 学校法人日本大学 | 学習装置、推定装置、学習方法、推定方法、およびプログラム |
CN109584229A (zh) * | 2018-11-28 | 2019-04-05 | 武汉大学人民医院(湖北省人民医院) | 一种内镜下逆行胰胆管造影术实时辅助诊断系统及方法 |
US20210034841A1 (en) * | 2019-07-31 | 2021-02-04 | Wake Forest University Health Sciences | System and method for automated prediction of difficult airway management using images |
Non-Patent Citations (1)
Title |
---|
M.戈帕尔(M.GOPAL): "《机器学习及其应用》", 30 April 2020 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304758B (zh) | 人脸特征点跟踪方法及装置 | |
WO2018121428A1 (zh) | 一种活体检测方法、装置及存储介质 | |
CN107122760B (zh) | 指纹识别方法及相关产品 | |
WO2019020014A1 (zh) | 解锁控制方法及相关产品 | |
CN107895369B (zh) | 图像分类方法、装置、存储介质及设备 | |
CN111260665A (zh) | 图像分割模型训练方法和装置 | |
CN104143078A (zh) | 活体人脸识别方法、装置和设备 | |
WO2019015575A1 (zh) | 解锁控制方法及相关产品 | |
CN107124555A (zh) | 控制对焦的方法、装置、计算机设备及计算机可读存储介质 | |
CN109359056A (zh) | 一种应用程序测试方法及装置 | |
WO2019015418A1 (zh) | 解锁控制方法及相关产品 | |
CN108962187B (zh) | 屏幕亮度调节方法及移动终端 | |
CN109726121B (zh) | 一种验证码获取方法和终端设备 | |
CN105335684A (zh) | 人脸检测方法及装置 | |
CN109947248A (zh) | 振动控制方法、移动终端及计算机可读存储介质 | |
CN109753425A (zh) | 弹窗处理方法及装置 | |
CN109213419A (zh) | 触摸操作处理方法、装置及存储介质 | |
WO2022193973A1 (zh) | 图像处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
CN108921178A (zh) | 获取图像模糊程度分类的方法、装置、电子设备 | |
CN104541304B (zh) | 使用多个相机的目标对象角度确定 | |
CN113190646A (zh) | 一种用户名样本的标注方法、装置、电子设备及存储介质 | |
CN111984803B (zh) | 多媒体资源处理方法、装置、计算机设备及存储介质 | |
WO2019015574A1 (zh) | 解锁控制方法及相关产品 | |
CN108230312A (zh) | 一种图像分析方法、设备和计算机可读存储介质 | |
CN107657608A (zh) | 图像质量确定方法、装置及电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220322 |