CN114464316B - 胃部异常风险等级预测方法、装置、终端及可读存储介质 - Google Patents
胃部异常风险等级预测方法、装置、终端及可读存储介质 Download PDFInfo
- Publication number
- CN114464316B CN114464316B CN202210373732.XA CN202210373732A CN114464316B CN 114464316 B CN114464316 B CN 114464316B CN 202210373732 A CN202210373732 A CN 202210373732A CN 114464316 B CN114464316 B CN 114464316B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- image
- stomach
- image set
- abnormality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10068—Endoscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30092—Stomach; Gastric
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Endoscopes (AREA)
Abstract
本申请提供一种胃部异常风险等级预测方法、装置、终端及可读存储介质,该方法包括:获取待检测用户的胃部内镜图像集和预设个导致胃部发生目标异常的异常相关信息;确定胃部内镜图像集中每张图像对应的多个预设的目标属性特征;基于胃部内镜图像集中每张图像对应的多个预设的目标属性特征,确定胃部内镜图像集中存在预设属性异常的第一异常图像集;获取第一异常图像集中每张图像对应的异常面积占比参数;确定第一异常图像集中每张图像对应的异常部位信息;基于异常相关信息,和第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息,对待检测用户的胃部发生目标异常的风险等级进行预测。本申请实施例提高了预测结果的准确性。
Description
技术领域
本申请涉及辅助医疗技术领域,具体涉及一种胃部异常风险等级预测方法、装置、终端及可读存储介质。
背景技术
胃癌(Gastric cancer,GC)是世界上第五大常见癌症,也是癌症相关死亡的主要原因之一。胃癌的晚期诊断导致高死亡率,进展期胃癌患者的5年生存率仅为20%,而早期胃癌患者的5年生存率可达90%以上。
胃部早期发生的异常状态,可在几年到几十年的时间里发展为胃肿瘤,然而,现有方案中都只能初略检测胃部早期的多种异常状况,无法准确对发生胃肿瘤的异常风险等级进行准确预测。
因此,如何有效对胃部的异常风险等级进行准确预测,是当前辅助医疗技术领域亟需解决的技术问题。
发明内容
本申请提供一种胃部异常风险等级预测方法、装置、终端及可读存储介质,旨在解决如何有效对胃部的异常风险等级进行准确预测的技术问题。
一方面,本申请提供胃部异常风险等级预测方法,所述方法包括:
获取待检测用户的胃部内镜图像集和预设个导致胃部发生目标异常的异常相关信息;
确定所述胃部内镜图像集中每张图像对应的多个预设的目标属性特征;
基于所述胃部内镜图像集中每张图像对应的多个预设的目标属性特征,确定所述胃部内镜图像集中存在预设属性异常的第一异常图像集;
获取所述第一异常图像集中每张图像对应的异常面积占比参数;
确定所述第一异常图像集中每张图像对应的异常部位信息;
基于所述异常相关信息,和所述第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息,对所述待检测用户的胃部发生目标异常的风险等级进行预测。
在本申请一种可能的实现方式中,所述基于所述异常相关信息,和所述第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息,对所述待检测用户的胃部发生目标异常的风险等级进行预测,包括:
对所述异常相关信息中的每个异常相关特征进行指标标签化,得到多个异常相关特征参数;
对所述多个异常相关特征参数,和所述第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息进行加权拟合,得到第一加权拟合结果;
基于所述第一加权拟合结果,对所述待检测用户的胃部发生目标异常的风险等级进行预测。
在本申请一种可能的实现方式中,所述基于所述胃部内镜图像集中每张图像对应的多个预设的目标属性特征,确定所述胃部内镜图像集中存在预设属性异常的第一异常图像集,包括:
对所述胃部内镜图像集中每张图像对应的多个预设的目标属性特征进行加权拟合,得到第二拟合结果;
基于所述第二拟合结果,确定所述胃部内镜图像集中存在预设属性异常的第一异常图像集。
在本申请一种可能的实现方式中,确定所述胃部内镜图像集中每张图像对应的多个预设的目标属性特征,包括:
基于预设的萎缩性特征识别模型,识别所述胃部内镜图像集中每张图像对应的萎缩性特征;
基于预设的红白色调识别模型,识别所述胃部内镜图像集中每张图像对应的色调特征;
基于预设的皱襞形态识别模型,识别所述胃部内镜图像集中每张图像对应的皱襞形态特征;
基于所述萎缩性特征、所述色调特征以及所述皱襞形态特征,确定所述胃部内镜图像集中每张图像对应的多个预设的目标属性特征。
在本申请一种可能的实现方式中,所述获取所述第一异常图像集中每张图像对应的异常面积占比参数,包括:
获取所述第一异常图像集中每张图像对应的尺寸参数;
分割所述第一异常图像集中每张图像的异常区域,并计算得到所述异常区域的异常区域面积参数;
基于所述尺寸参数和所述异常区域面积参数,确定所述第一异常图像集中每张图像对应的异常面积占比参数。
在本申请一种可能的实现方式中,所述确定所述第一异常图像集中每张图像对应的异常部位信息,包括:
对所述第一异常图像集中每张图像进行分类,得到有效图像集和无效图像集,所述无效图像集指的是十二指肠图像及模糊图像组成的图像集;
基于预设的胃部位识别模型,识别所述有效图像集中的每张图像的部位信息,以确定所述第一异常图像集中每张图像对应的异常部位信息。
在本申请一种可能的实现方式中,所述获取待检测用户的胃部内镜图像集和预设个导致胃部发生目标异常的异常相关信息,包括:
通过胃镜检查设备获取待检测用户的胃部内镜图像;
获取所述待检测用户的检测项目,以确定所述检测项目对应的目标异常类型;
获取导致胃部发生所述目标异常的多个异常因素;
采集所述待检测用户的与所述多个异常因素对应异常相关信息。
另一方面,本申请提供一种胃部异常风险等级预测装置,所述装置包括:
第一获取单元,用于获取待检测用户的胃部内镜图像集和预设个导致胃部发生目标异常的异常相关信息;
第一确定单元,用于确定所述胃部内镜图像集中每张图像对应的多个预设的目标属性特征;
第二确定单元,用于基于所述胃部内镜图像集中每张图像对应的多个预设的目标属性特征,确定所述胃部内镜图像集中存在预设属性异常的第一异常图像集;
第二获取单元,用于获取所述第一异常图像集中每张图像对应的异常面积占比参数;
第三确定单元,用于确定所述第一异常图像集中每张图像对应的异常部位信息;
第一预测单元,用于基于所述异常相关信息,和所述第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息,对所述待检测用户的胃部发生目标异常的风险等级进行预测。
在本申请一种可能的实现方式中,所述第一预测单元,具体用于:
对所述异常相关信息中的每个异常相关特征进行指标标签化,得到多个异常相关特征参数;
对所述多个异常相关特征参数,和所述第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息进行加权拟合,得到第一加权拟合结果;
基于所述第一加权拟合结果,对所述待检测用户的胃部发生目标异常的风险等级进行预测。
在本申请一种可能的实现方式中,所述第二确定单元,具体用于:
对所述胃部内镜图像集中每张图像对应的多个预设的目标属性特征进行加权拟合,得到第二拟合结果;
基于所述第二拟合结果,确定所述胃部内镜图像集中存在预设属性异常的第一异常图像集。
在本申请一种可能的实现方式中,所述第一确定单元,具体用于:
基于预设的萎缩性特征识别模型,识别所述胃部内镜图像集中每张图像对应的萎缩性特征;
基于预设的红白色调识别模型,识别所述胃部内镜图像集中每张图像对应的色调特征;
基于预设的皱襞形态识别模型,识别所述胃部内镜图像集中每张图像对应的皱襞形态特征;
基于所述萎缩性特征、所述色调特征以及所述皱襞形态特征,确定所述胃部内镜图像集中每张图像对应的多个预设的目标属性特征。
在本申请一种可能的实现方式中,所述第二获取单元,具体用于:
获取所述第一异常图像集中每张图像对应的尺寸参数;
分割所述第一异常图像集中每张图像的异常区域,并计算得到所述异常区域的异常区域面积参数;
基于所述尺寸参数和所述异常区域面积参数,确定所述第一异常图像集中每张图像对应的异常面积占比参数。
在本申请一种可能的实现方式中,所述第三确定单元,具体用于:
对所述第一异常图像集中每张图像进行分类,得到有效图像集和无效图像集,所述无效图像集指的是十二指肠图像及模糊图像组成的图像集;
基于预设的胃部位识别模型,识别所述有效图像集中的每张图像的部位信息,以确定所述第一异常图像集中每张图像对应的异常部位信息。
在本申请一种可能的实现方式中,所述第一获取单元,具体用于:
通过胃镜检查设备获取待检测用户的胃部内镜图像;
获取所述待检测用户的检测项目,以确定所述检测项目对应的目标异常类型;
获取导致胃部发生所述目标异常的多个异常因素;
采集所述待检测用户的与所述多个异常因素对应异常相关信息。
另一方面,本申请还提供一种终端,所述终端包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现所述的胃部异常风险等级预测方法。
另一方面,本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行所述的胃部异常风险等级预测方法中的步骤。
本申请中的胃部异常风险等级预测方法,包括获取待检测用户的胃部内镜图像集和预设个导致胃部发生目标异常的异常相关信息;确定胃部内镜图像集中每张图像对应的多个预设的目标属性特征;基于胃部内镜图像集中每张图像对应的多个预设的目标属性特征,确定胃部内镜图像集中存在预设属性异常的第一异常图像集;获取第一异常图像集中每张图像对应的异常面积占比参数;确定第一异常图像集中每张图像对应的异常部位信息;基于异常相关信息,和第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息,对待检测用户的胃部发生目标异常的风险等级进行预测。相较于传统方法,本申请基于待检测用户的胃部内镜图像中的异常面积占比参数、异常部位信息以及结合挖掘出预设个导致胃部发生异常的异常相关信息进行综合分析,可以全方面的考虑异常的影响因素,降低因单个异常因素的偶然性和误判情况,提高了预测结果的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的胃部异常风险等级预测系统的场景示意图;
图2是本申请实施例中提供的胃部异常风险等级预测方法的一个实施例流程示意图;
图3是本申请实施例中提供的步骤201的一个实施例流程示意图;
图4是本申请实施例中提供的步骤202的一个实施例流程示意图;
图5是本申请实施例中提供的步骤203的一个实施例流程示意图;
图6是本申请实施例中提供的步骤204的一个实施例流程示意图;
图7是本申请实施例中提供的步骤205的一个实施例流程示意图;
图8是本申请实施例中提供的步骤206的一个实施例流程示意图;
图9是本申请实施例中提供的胃部异常风险等级预测装置的一个实施例结构示意图;
图10是本申请实施例中提供的终端的一个实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请中,“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本申请。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本申请的描述变得晦涩。因此,本申请并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
本申请实施例提供一种胃部异常风险等级预测方法、装置、终端及可读存储介质,以下分别进行详细说明。
如图1所示,图1是本申请实施例提供的胃部异常风险等级预测系统的场景示意图,该胃部异常风险等级预测系统可以包括多个终端100和服务器200,终端100和服务器200网络连接,服务器200中集成有胃部异常风险等级预测装置,如图1中的服务器,终端100可以访问服务器200。
本申请实施例中服务器200主要用于获取待检测用户的胃部内镜图像集和预设个导致胃部发生目标异常的异常相关信息;确定胃部内镜图像集中每张图像对应的多个预设的目标属性特征;基于胃部内镜图像集中每张图像对应的多个预设的目标属性特征,确定胃部内镜图像集中存在预设属性异常的第一异常图像集;获取第一异常图像集中每张图像对应的异常面积占比参数;确定第一异常图像集中每张图像对应的异常部位信息;基于异常相关信息,和第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息,对待检测用户的胃部发生目标异常的风险等级进行预测。
本申请实施例中,该服务器200可以是独立的服务器,也可以是服务器组成的服务器网络或服务器集群,例如本申请实施例中所描述的服务器200,其包括但不限于计算机、网络终端、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中,云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。本申请的实施例中,服务器与终端之间可通过任何通信方式实现通信,包括但不限于,基于第三代合作伙伴计划(3rd Generation Partnership Project,3GPP)、长期演进(Long Term Evolution,LTE)、全球互通微波访问(Worldwide Interoperability for Microwave Access,WiMAX)的移动通信,或基于TCP/IP协议族(TCP/IP Protocol Suite,TCP/IP)、用户数据报协议(User Datagram Protocol,UDP)的计算机网络通信等。
可以理解的是,本申请实施例中所使用的终端100可以是既包括接收和发射硬件的设备,既具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种终端可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端100具体可以是台式终端或移动终端,终端100具体还可以是手机、平板电脑、笔记本电脑、医疗辅助仪器等中的一种。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本申请方案的一种应用场景,并不构成对本申请方案应用场景的限定,其他的应用环境还可以包括比图1中所示更多或更少的终端,或者服务器网络连接关系,例如图1中仅示出1个服务器和2个终端。可以理解的,该胃部异常风险等级预测系统还可以包括一个或多个其他服务器,或/且一个或多个与服务器网络连接的终端,具体此处不作限定。
另外,如图1所示,该胃部异常风险等级预测系统还可以包括存储器300,用于存储数据,如存储待检测用户的胃部内镜图像集和胃部异常风险等级预测数据,例如胃部异常风险等级预测系统运行时的胃部异常风险等级预测数据。
需要说明的是,图1所示的胃部异常风险等级预测系统的场景示意图仅仅是一个示例,本申请实施例描述的胃部异常风险等级预测系统以及场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着胃部异常风险等级预测系统的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
接下来,介绍本申请实施例提供的胃部异常风险等级预测方法。
本申实施例胃部异常风险等级预测方法的实施例中以胃部异常风险等级预测装置作为执行主体,为了简化与便于描述,后续方法实施例中将省略该执行主体,该胃部异常风险等级预测装置应用于终端,该方法包括:获取待检测用户的胃部内镜图像集和预设个导致胃部发生目标异常的异常相关信息;确定胃部内镜图像集中每张图像对应的多个预设的目标属性特征;基于胃部内镜图像集中每张图像对应的多个预设的目标属性特征,确定胃部内镜图像集中存在预设属性异常的第一异常图像集;获取第一异常图像集中每张图像对应的异常面积占比参数;确定第一异常图像集中每张图像对应的异常部位信息;基于异常相关信息,和第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息,对待检测用户的胃部发生目标异常的风险等级进行预测。
请参阅图2至图10,图2为本申请实施例中提供的胃部异常风险等级预测方法的一个实施例流程示意图,该胃部异常风险等级预测方法包括:
201、获取待检测用户的胃部内镜图像集和预设个导致胃部发生目标异常的异常相关信息。
其中,胃部发生异常的异常类型可以是胃癌、胃炎等,具体可根据实际情况进行设定。导致胃部发生异常的异常相关信息可以理解为导致胃部发生异常的因子,例如,导致胃癌的因子,可以是年龄、性别、幽门螺旋杆菌感染史、胃癌家族史、吸烟、饮酒等。
具体的,如何获取待检测用户的胃部内镜图像集和预设个导致胃部发生目标异常的异常相关信息,可以参阅下述实施例,在此不再赘述。
202、确定胃部内镜图像集中每张图像对应的多个预设的目标属性特征。
其中,多个预设的目标属性特征指的是经过医师基于对胃部发生异常的类型进行分析后,预先设定与其紧密相关的目标属性特征。需要说明的是,其相关的属性特征可能会有更多,但是,本申请基于其关联性,多个相关的属性特征中选择关联性最强的多个预设的目标属性特征。
需要说明的是,胃部内镜图像集中包括有多张胃部内镜图像,步骤202是分别判断胃部内镜图像集中的每张图像中存在所有预设的目标属性特征中的多个预设的目标属性特征,例如,胃部内镜图像集中包括有一千张胃部内镜图像,那么会分别对这一千张胃部内镜图像中的每一张图像进行识别,对每一张图像会分析其所有预设的目标属性特征包括的目标属性特征,如总共设置有3个预设的目标属性特征,而对第一张图像进行所有预设的目标属性特征识别后,发现该图像具备其中第一个和第三个预设的目标属性特征。
具体如何确定胃部内镜图像集中每张图像对应的多个预设的目标属性特征,可以参阅下述实施例,在此不在赘述。
203、基于胃部内镜图像集中每张图像对应的多个预设的目标属性特征,确定胃部内镜图像集中存在预设属性异常的第一异常图像集。
需要说明的是,预设属性异常与步骤201中的目标异常的异常类型不同,可以理解的是,预设属性异常可以是发生目标异常的前兆对应的异常类型,例如,目标异常为胃癌,而预设属性异常可以是慢性萎缩性胃炎。即在胃癌发生之前,一般会先患有慢性萎缩性胃炎。
204、获取第一异常图像集中每张图像对应的异常面积占比参数。
异常面积占比参数指的是对第一异常图像集中的图像中存在预设属性异常的面积占有图像面积的比例。
例如,原胃部内镜图像集共有一千张图像,经过步骤203处理后,确定胃部内镜图像集中存在预设属性异常的第一异常图像集,该第一异常图像集只有200张,那么分别计算这200张第一异常图像集中每张图像对应的异常面积占比参数。
205、确定第一异常图像集中每张图像对应的异常部位信息。
异常部位信息指的是对于确认存在预设属性异常的第一异常图像集中每张图像对应胃部的那个具体部位,比如可将胃部划分为22个小部位,这22个小部位分别为:胃窦大弯、胃窦后壁、胃窦前壁、胃窦小弯、正镜胃体下部大弯、正镜胃体下部后壁、正镜胃体下部前壁、正镜胃体下部小弯、正镜胃体中上部大弯、正镜胃体中上部后壁、正镜胃体中上部前壁、正镜胃体中上部小弯、倒镜胃底大弯、倒镜胃底后壁、倒镜胃底前壁、倒镜胃底小弯、倒镜胃体中上部后壁、倒镜胃体中上部前壁、倒镜胃体中上部小弯、胃角后壁、胃角前壁、胃角。
如识别到第一异常图像集中某张图像对应的异常部位信息为胃角前壁。
206、基于异常相关信息,和第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息,对待检测用户的胃部发生目标异常的风险等级进行预测。
可以理解为,根据前述步骤获得的多个参数以及多种信息进行综合分析,以预测未来,待检测用户的胃部发生目标异常的风险等级。
本申请中的胃部异常风险等级预测方法,包括获取待检测用户的胃部内镜图像集和预设个导致胃部发生目标异常的异常相关信息;确定胃部内镜图像集中每张图像对应的多个预设的目标属性特征;基于胃部内镜图像集中每张图像对应的多个预设的目标属性特征,确定胃部内镜图像集中存在预设属性异常的第一异常图像集;获取第一异常图像集中每张图像对应的异常面积占比参数;确定第一异常图像集中每张图像对应的异常部位信息;基于异常相关信息,和第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息,对待检测用户的胃部发生目标异常的风险等级进行预测。相较于传统方法,本申请基于待检测用户的胃部内镜图像中的异常面积占比参数、异常部位信息以及结合挖掘出预设个导致胃部发生异常的异常相关信息进行综合分析,可以全方面的考虑异常的影响因素,降低因单个异常因素的偶然性和误判情况,提高了预测结果的准确性。
在本申请的一些实施例中,如图3所示,步骤201、获取待检测用户的胃部内镜图像集和预设个导致胃部发生目标异常的异常相关信息,包括:
301、通过胃镜检查设备获取待检测用户的胃部内镜图像。
具体的,可以通过胃镜检查设备获取待检测用户的胃部内镜视频,然后再通过视频解码,以得到胃部内镜图像集。
302、获取待检测用户的检测项目,以确定检测项目对应的目标异常类型。
检测项目指的是用户基于医生所开设的检查项目,如需要检测是否患有胃癌,那么其对应的检测项目则为胃癌检测。具体的,可以在待检测用户的允许的前提下,通过服务器读取待检测用户的检测项目信息。从而可以根据其检测项目的内容,以确定检测项目对应的目标异常类型。
303、获取导致胃部发生目标异常的多个异常因素。
具体的,可以基于医师预先设置的目标异常和导致目标异常的异常因素关系表,获取导致胃部发生目标异常的多个异常因素。
如目标异常为胃癌,而导致胃癌的多个异常因素可以是到了一定的年纪、曾经感染过幽门螺旋杆菌、有胃癌家族史、吸烟以及饮酒等。
304、采集待检测用户的与多个异常因素对应异常相关信息。
具体的,可以通过语音交互系统采集待检测用户的与多个异常因素对应异常相关信息。
在本申请的一些实施例中,本申请针对目标异常为胃癌,做进一步分析,如图4所示,步骤202、确定胃部内镜图像集中每张图像对应的多个预设的目标属性特征,包括:
401、基于预设的萎缩性特征识别模型,识别胃部内镜图像集中每张图像对应的萎缩性特征。
其中,预设的萎缩性特征识别模型优先选择Resnet50。具体的,模型会得到识别结果,其结果的标签包括非萎缩—0,萎缩—1。
402、基于预设的红白色调识别模型,识别胃部内镜图像集中每张图像对应的色调特征。
其中,预设的红白色调识别模型优先选择Resnet50。具体的,模型会得到识别结果,其结果的标签包括浅红色—0,红白相间—1。
403、基于预设的皱襞形态识别模型,识别胃部内镜图像集中每张图像对应的皱襞形态特征。
其中,预设的皱襞形态识别模型优先选择VGG16。具体的,模型会得到识别结果,其结果的标签包括皱襞正常—0,皱襞变平或消失—1。
404、基于萎缩性特征、色调特征以及皱襞形态特征,确定胃部内镜图像集中每张图像对应的多个预设的目标属性特征。
在步骤401至步骤404过程中,可以依次将胃部内镜图像集中每张图像分别经过预设的萎缩性特征识别模型、预设的红白色调识别模型以及预设的皱襞形态识别模型进行识别、打标签,从而确定胃部内镜图像集中每张图像对应的多个预设的目标属性特征。
在本申请的一些实施例中,还可基于预设的粘膜血管显露识别模型,识别胃部内镜图像集中每张图像对应的粘膜血管显露特征,然后基于萎缩性特征、色调特征、皱襞形态特征以及粘膜血管显露特征,确定胃部内镜图像集中每张图像对应的多个预设的目标属性特征。其中,预设的粘膜血管显露识别模型优先选择VGG16。具体的,模型会得到识别结果,其结果的标签包括无血管显露—0,有血管显露—1。
在本申请的一些实施例中,如图5所示,步骤203、基于胃部内镜图像集中每张图像对应的多个预设的目标属性特征,确定胃部内镜图像集中存在预设属性异常的第一异常图像集,包括:
501、对胃部内镜图像集中每张图像对应的多个预设的目标属性特征进行加权拟合,得到第二拟合结果。
具体的,可以采用预设的拟合模型对胃部内镜图像集中每张图像对应的多个预设的目标属性特征进行加权拟合。
502、基于第二拟合结果,确定胃部内镜图像集中存在预设属性异常的第一异常图像集。
具体的,预设的拟合模型输出为0时为非预设属性异常,1时为是预设属性异常。需要说明的是,当目标异常为胃癌时,预设属性异常可以是萎缩性胃炎。
在本申请的一些实施例中,如图6所示,步骤204、获取第一异常图像集中每张图像对应的异常面积占比参数,包括:
601、获取第一异常图像集中每张图像对应的尺寸参数。
具体的,尺寸参数可以是图像的宽W和高H。
602、分割第一异常图像集中每张图像的异常区域,并计算得到异常区域的异常区域面积参数。
具体的,可以采用训练好的Unet++分割模型,分割出第一异常图像集中每张图像的异常区域。
603、基于尺寸参数和异常区域面积参数,确定第一异常图像集中每张图像对应的异常面积占比参数。
具体的,可以采用如下公式确定第一异常图像集中每张图像对应的异常面积占比参数:
其中,Sw表示异常区域面积参数,W和H分别标识图像的宽和高。
在本申请的一些实施例中,如图7所示,步骤205、确定第一异常图像集中每张图像对应的异常部位信息,包括:
701、对第一异常图像集中每张图像进行分类,得到有效图像集和无效图像集,无效图像集指的是十二指肠图像及模糊图像组成的图像集。
702、基于预设的胃部位识别模型,识别有效图像集中的每张图像的部位信息,以确定第一异常图像集中每张图像对应的异常部位信息。
在本申请的一些实施例中,如图8所示,步骤206、基于异常相关信息,和第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息,对待检测用户的胃部发生目标异常的风险等级进行预测,包括:
801、对异常相关信息中的每个异常相关特征进行指标标签化,得到多个异常相关特征参数。
具体的,基于前述步骤举例可知,针对目标异常为胃癌进行举例说明:
年龄段划分ag((0,25]-0、(25,55]-1、(55,+∞)-2),需要说明的是,年龄段在25至55之间的,标签为1;性别ge(女-0、男-1);幽门螺旋杆菌感染史hp(无-0、有-1);胃癌家族史ca(无-0、有-1);吸烟sm(无-0、有-1);饮酒dr(无-0、有-1)。
802、对多个异常相关特征参数,和第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息进行加权拟合,得到第一加权拟合结果。
具体的,可以采用随机森林或决策树,训练一个机器学习模型,拟合上述指标。
803、基于第一加权拟合结果,对待检测用户的胃部发生目标异常的风险等级进行预测。
具体的,拟合模型输出标签可以为0/1/2,最终判定方式如下:
数据结果包括:2-重度异常、1-中度异常和0-无异常.
为了更好实施本申请实施例中胃部异常风险等级预测方法,在胃部异常风险等级预测方法基础之上,本申请实施例中还提供一种胃部异常风险等级预测装置,如图9所示,胃部异常风险等级预测装置900包括:
第一获取单元901,用于获取待检测用户的胃部内镜图像集和预设个导致胃部发生目标异常的异常相关信息;
第一确定单元902,用于确定胃部内镜图像集中每张图像对应的多个预设的目标属性特征;
第二确定单元903,用于基于胃部内镜图像集中每张图像对应的多个预设的目标属性特征,确定胃部内镜图像集中存在预设属性异常的第一异常图像集;
第二获取单元904,用于获取第一异常图像集中每张图像对应的异常面积占比参数;
第三确定单元905,用于确定第一异常图像集中每张图像对应的异常部位信息;
第一预测单元906,用于基于异常相关信息,和第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息,对待检测用户的胃部发生目标异常的风险等级进行预测。
在本申请的一些实施例中,第一预测单元906,具体用于:
对异常相关信息中的每个异常相关特征进行指标标签化,得到多个异常相关特征参数;
对多个异常相关特征参数,和第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息进行加权拟合,得到第一加权拟合结果;
基于第一加权拟合结果,对待检测用户的胃部发生目标异常的风险等级进行预测。
在本申请的一些实施例中,第二确定单元903,具体用于:
对胃部内镜图像集中每张图像对应的多个预设的目标属性特征进行加权拟合,得到第二拟合结果;
基于第二拟合结果,确定胃部内镜图像集中存在预设属性异常的第一异常图像集。
在本申请的一些实施例中,第一确定单元902,具体用于:
基于预设的萎缩性特征识别模型,识别胃部内镜图像集中每张图像对应的萎缩性特征;
基于预设的红白色调识别模型,识别胃部内镜图像集中每张图像对应的色调特征;
基于预设的皱襞形态识别模型,识别胃部内镜图像集中每张图像对应的皱襞形态特征;
基于萎缩性特征、色调特征以及皱襞形态特征,确定胃部内镜图像集中每张图像对应的多个预设的目标属性特征。
在本申请的一些实施例中,第二获取单元904,具体用于:
获取第一异常图像集中每张图像对应的尺寸参数;
分割第一异常图像集中每张图像的异常区域,并计算得到异常区域的异常区域面积参数;
基于尺寸参数和异常区域面积参数,确定第一异常图像集中每张图像对应的异常面积占比参数。
在本申请的一些实施例中,第三确定单元905,具体用于:
对第一异常图像集中每张图像进行分类,得到有效图像集和无效图像集,无效图像集指的是十二指肠图像及模糊图像组成的图像集;
基于预设的胃部位识别模型,识别有效图像集中的每张图像的部位信息,以确定第一异常图像集中每张图像对应的异常部位信息。
在本申请的一些实施例中,第一获取单元901,具体用于:
通过胃镜检查设备获取待检测用户的胃部内镜图像;
获取待检测用户的检测项目,以确定检测项目对应的目标异常类型;
获取导致胃部发生目标异常的多个异常因素;
采集待检测用户的与多个异常因素对应异常相关信息。
本申请中的胃部异常风险等级预测装置900,包括第一获取单元901,用于获取待检测用户的胃部内镜图像集和预设个导致胃部发生目标异常的异常相关信息;第一确定单元902,用于确定胃部内镜图像集中每张图像对应的多个预设的目标属性特征;第二确定单元903,用于基于胃部内镜图像集中每张图像对应的多个预设的目标属性特征,确定胃部内镜图像集中存在预设属性异常的第一异常图像集;第二获取单元904,用于获取第一异常图像集中每张图像对应的异常面积占比参数;第三确定单元905,用于确定第一异常图像集中每张图像对应的异常部位信息;第一预测单元906,用于基于异常相关信息,和第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息,对待检测用户的胃部发生目标异常的风险等级进行预测。相较于传统装置,本申请基于待检测用户的胃部内镜图像中的异常面积占比参数、异常部位信息以及结合挖掘出预设个导致胃部发生异常的异常相关信息进行综合分析,可以全方面的考虑异常的影响因素,降低因单个异常因素的偶然性和误判情况,提高了预测结果的准确性。
除了上述介绍用于胃部异常风险等级预测方法与装置之外,本申请实施例还提供一种终端,其集成了本申请实施例所提供的任一种胃部异常风险等级预测装置,终端包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中一个或多个应用程序被存储于存储器中,并配置为由处理器执行上述胃部异常风险等级预测方法实施例中任一实施例中的任一方法的操作。
本申请实施例还提供一种终端,其集成了本申请实施例所提供的任一种胃部异常风险等级预测装置。参阅图10,图10是本申请实施例提供的终端一个实施例结构示意图。
如图10所示,其示出了本申请实施例所设计的胃部异常风险等级预测装置的结构示意图,具体来讲:
该胃部异常风险等级预测装置可以包括一个或者一个以上处理核心的处理器1001、一个或一个以上计算机可读存储介质的存储单元1002、电源1003和输入单元1004等部件。本领域技术人员可以理解,图10中示出的胃部异常风险等级预测装置结构并不构成对胃部异常风险等级预测装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器1001是该胃部异常风险等级预测装置的控制中心,利用各种接口和线路连接整个胃部异常风险等级预测装置的各个部分,通过运行或执行存储在存储单元1002内的软件程序和/或模块,以及调用存储在存储单元1002的数据,执行胃部异常风险等级预测装置的各种功能和处理数据,从而对胃部异常风险等级预测装置进行整体监控。可选的,处理器1001可包括一个或多个处理核心;优选的,处理器1001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。可以理解的是,上述调制解调处理器也可以不集成到处理器1001中。
存储单元1002可用于存储软件程序以及模块,处理器1001通过运行存储在存储单元1002的软件程序以及模块,从而执行各种功能应用以及数据处理。存储单元1002可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据胃部异常风险等级预测装置的使用所创建的数据等。此外,存储单元1002可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储单元1002还可以包括存储器控制器,以提供处理器1001对存储单元1002的访问。
胃部异常风险等级预测装置还包括给各个部件供电的电源1003,优选的,电源1003可以通过电源管理系统与处理器1001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1003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。
该胃部异常风险等级预测装置还可包括输入单元1004,该输入单元1004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。
尽管未示出,胃部异常风险等级预测装置还可以包括显示单元等,在此不再赘述。具体在本申请实施例中,胃部异常风险等级预测装置中的处理器1001会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储单元1002中,并由处理器1001来运行存储在存储单元1002中的应用程序,从而实现各种功能,如下:
获取待检测用户的胃部内镜图像集和预设个导致胃部发生目标异常的异常相关信息;确定胃部内镜图像集中每张图像对应的多个预设的目标属性特征;基于胃部内镜图像集中每张图像对应的多个预设的目标属性特征,确定胃部内镜图像集中存在预设属性异常的第一异常图像集;获取第一异常图像集中每张图像对应的异常面积占比参数;确定第一异常图像集中每张图像对应的异常部位信息;基于异常相关信息,和第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息,对待检测用户的胃部发生目标异常的风险等级进行预测。
本申请中的胃部异常风险等级预测方法,包括获取待检测用户的胃部内镜图像集和预设个导致胃部发生目标异常的异常相关信息;确定胃部内镜图像集中每张图像对应的多个预设的目标属性特征;基于胃部内镜图像集中每张图像对应的多个预设的目标属性特征,确定胃部内镜图像集中存在预设属性异常的第一异常图像集;获取第一异常图像集中每张图像对应的异常面积占比参数;确定第一异常图像集中每张图像对应的异常部位信息;基于异常相关信息,和第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息,对待检测用户的胃部发生目标异常的风险等级进行预测。相较于传统方法,本申请基于待检测用户的胃部内镜图像中的异常面积占比参数、异常部位信息以及结合挖掘出预设个导致胃部发生异常的异常相关信息进行综合分析,可以全方面的考虑异常的影响因素,降低因单个异常因素的偶然性和误判情况,提高了预测结果的准确性。
为此,本申请实施例提供一种计算机可读存储介质,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random AccessMemory)、磁盘或光盘等。该计算机可读存储介质中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种胃部异常风险等级预测方法中的步骤。例如,该指令可以执行如下步骤:
获取待检测用户的胃部内镜图像集和预设个导致胃部发生目标异常的异常相关信息;确定胃部内镜图像集中每张图像对应的多个预设的目标属性特征;基于胃部内镜图像集中每张图像对应的多个预设的目标属性特征,确定胃部内镜图像集中存在预设属性异常的第一异常图像集;获取第一异常图像集中每张图像对应的异常面积占比参数;确定第一异常图像集中每张图像对应的异常部位信息;基于异常相关信息,和第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息,对待检测用户的胃部发生目标异常的风险等级进行预测。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
以上对本申请实施例所提供的一种胃部异常风险等级预测方法、装置、终端及可读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。
Claims (10)
1.一种胃部异常风险等级预测方法,其特征在于,所述方法包括:
获取待检测用户的胃部内镜图像集和预设个导致胃部发生目标异常的异常相关信息;
确定所述胃部内镜图像集中每张图像对应的多个预设的目标属性特征,所述多个预设的目标属性特征至少包括萎缩性特征、色调特征以及皱襞形态特征;
基于所述胃部内镜图像集中每张图像对应的多个预设的目标属性特征,确定所述胃部内镜图像集中存在预设属性异常的第一异常图像集,其中,所述预设属性异常是发生所述目标异常的前兆对应的异常类型;
获取所述第一异常图像集中每张图像对应的异常面积占比参数;
确定所述第一异常图像集中每张图像对应的异常部位信息;
基于所述异常相关信息,和所述第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息,对所述待检测用户的胃部发生目标异常的风险等级进行预测。
2.根据权利要求1所述的胃部异常风险等级预测方法,其特征在于,所述基于所述异常相关信息,和所述第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息,对所述待检测用户的胃部发生目标异常的风险等级进行预测,包括:
对所述异常相关信息中的每个异常相关特征进行指标标签化,得到多个异常相关特征参数;
对所述多个异常相关特征参数,和所述第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息进行加权拟合,得到第一加权拟合结果;
基于所述第一加权拟合结果,对所述待检测用户的胃部发生目标异常的风险等级进行预测。
3.根据权利要求1所述的胃部异常风险等级预测方法,其特征在于,所述基于所述胃部内镜图像集中每张图像对应的多个预设的目标属性特征,确定所述胃部内镜图像集中存在预设属性异常的第一异常图像集,包括:
对所述胃部内镜图像集中每张图像对应的多个预设的目标属性特征进行加权拟合,得到第二拟合结果;
基于所述第二拟合结果,确定所述胃部内镜图像集中存在预设属性异常的第一异常图像集。
4.根据权利要求1所述的胃部异常风险等级预测方法,其特征在于,所述确定所述胃部内镜图像集中每张图像对应的多个预设的目标属性特征,包括:
基于预设的萎缩性特征识别模型,识别所述胃部内镜图像集中每张图像对应的萎缩性特征;
基于预设的红白色调识别模型,识别所述胃部内镜图像集中每张图像对应的色调特征;
基于预设的皱襞形态识别模型,识别所述胃部内镜图像集中每张图像对应的皱襞形态特征;
基于所述萎缩性特征、所述色调特征以及所述皱襞形态特征,确定所述胃部内镜图像集中每张图像对应的多个预设的目标属性特征。
5.根据权利要求1所述的胃部异常风险等级预测方法,其特征在于,所述获取所述第一异常图像集中每张图像对应的异常面积占比参数,包括:
获取所述第一异常图像集中每张图像对应的尺寸参数;
分割所述第一异常图像集中每张图像的异常区域,并计算得到所述异常区域的异常区域面积参数;
基于所述尺寸参数和所述异常区域面积参数,确定所述第一异常图像集中每张图像对应的异常面积占比参数。
6.根据权利要求1所述的胃部异常风险等级预测方法,其特征在于,所述确定所述第一异常图像集中每张图像对应的异常部位信息,包括:
对所述第一异常图像集中每张图像进行分类,得到有效图像集和无效图像集,所述无效图像集指的是十二指肠图像及模糊图像组成的图像集;
基于预设的胃部位识别模型,识别所述有效图像集中的每张图像的部位信息,以确定所述第一异常图像集中每张图像对应的异常部位信息。
7.根据权利要求1所述的胃部异常风险等级预测方法,其特征在于,所述获取待检测用户的胃部内镜图像集和预设个导致胃部发生目标异常的异常相关信息,包括:
通过胃镜检查设备获取待检测用户的胃部内镜图像;
获取所述待检测用户的检测项目,以确定所述检测项目对应的目标异常类型;
获取导致胃部发生所述目标异常的多个异常因素;
采集所述待检测用户的与所述多个异常因素对应异常相关信息。
8.一种胃部异常风险等级预测装置,其特征在于,所述装置包括:
第一获取单元,用于获取待检测用户的胃部内镜图像集和预设个导致胃部发生目标异常的异常相关信息;
第一确定单元,用于确定所述胃部内镜图像集中每张图像对应的多个预设的目标属性特征,所述多个预设的目标属性特征至少包括萎缩性特征、色调特征以及皱襞形态特征;
第二确定单元,用于基于所述胃部内镜图像集中每张图像对应的多个预设的目标属性特征,确定所述胃部内镜图像集中存在预设属性异常的第一异常图像集,其中,所述预设属性异常是发生所述目标异常的前兆对应的异常类型;
第二获取单元,用于获取所述第一异常图像集中每张图像对应的异常面积占比参数;
第三确定单元,用于确定所述第一异常图像集中每张图像对应的异常部位信息;
第一预测单元,用于基于所述异常相关信息,和所述第一异常图像集中每张图像对应的异常面积占比参数、异常部位信息,对所述待检测用户的胃部发生目标异常的风险等级进行预测。
9.一种终端,其特征在于,所述终端包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现权利要求1至7中任一项所述的胃部异常风险等级预测方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行权利要求1至7任一项所述的胃部异常风险等级预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210373732.XA CN114464316B (zh) | 2022-04-11 | 2022-04-11 | 胃部异常风险等级预测方法、装置、终端及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210373732.XA CN114464316B (zh) | 2022-04-11 | 2022-04-11 | 胃部异常风险等级预测方法、装置、终端及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114464316A CN114464316A (zh) | 2022-05-10 |
CN114464316B true CN114464316B (zh) | 2022-07-19 |
Family
ID=81417995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210373732.XA Active CN114464316B (zh) | 2022-04-11 | 2022-04-11 | 胃部异常风险等级预测方法、装置、终端及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114464316B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861718B (zh) * | 2023-02-22 | 2023-05-05 | 赛维森(广州)医疗科技服务有限公司 | 胃活检图像分类方法、装置、设备、介质和程序产品 |
CN116721764B (zh) * | 2023-08-10 | 2023-10-27 | 武汉楚精灵医疗科技有限公司 | 术前提示方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610847A (zh) * | 2021-10-08 | 2021-11-05 | 武汉楚精灵医疗科技有限公司 | 一种白光模式下胃部标志物评估方法及系统 |
WO2021233021A1 (zh) * | 2020-05-18 | 2021-11-25 | 腾讯科技(深圳)有限公司 | 一种图像区域分割模型训练方法、分割方法和装置 |
WO2022027816A1 (zh) * | 2020-08-03 | 2022-02-10 | 深圳回收宝科技有限公司 | 一种用于图像获取装置的检测方法及相关装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10346978B2 (en) * | 2017-08-04 | 2019-07-09 | Capsovision Inc. | Method and apparatus for area or volume of object of interest from gastrointestinal images |
CN108852268A (zh) * | 2018-04-23 | 2018-11-23 | 浙江大学 | 一种消化内镜图像异常特征实时标记系统及方法 |
CN109523522B (zh) * | 2018-10-30 | 2023-05-09 | 腾讯医疗健康(深圳)有限公司 | 内窥镜图像的处理方法、装置、系统及存储介质 |
WO2020188682A1 (ja) * | 2019-03-18 | 2020-09-24 | オリンパス株式会社 | 診断支援装置、診断支援方法及びプログラム |
CN110866908B (zh) * | 2019-11-12 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、服务器及存储介质 |
CN110974179A (zh) * | 2019-12-20 | 2020-04-10 | 山东大学齐鲁医院 | 一种基于深度学习的电子染色内镜下胃早癌的辅助诊断系统 |
US11232570B2 (en) * | 2020-02-13 | 2022-01-25 | Olympus Corporation | System and method for diagnosing severity of gastritis |
CN113344860B (zh) * | 2021-05-17 | 2022-04-29 | 武汉大学 | 胃黏膜染色放大图像微结构的异常程度量化方法 |
CN113870209A (zh) * | 2021-09-22 | 2021-12-31 | 武汉大学 | 基于深度学习的内镜影像识别系统及设备 |
-
2022
- 2022-04-11 CN CN202210373732.XA patent/CN114464316B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021233021A1 (zh) * | 2020-05-18 | 2021-11-25 | 腾讯科技(深圳)有限公司 | 一种图像区域分割模型训练方法、分割方法和装置 |
WO2022027816A1 (zh) * | 2020-08-03 | 2022-02-10 | 深圳回收宝科技有限公司 | 一种用于图像获取装置的检测方法及相关装置 |
CN113610847A (zh) * | 2021-10-08 | 2021-11-05 | 武汉楚精灵医疗科技有限公司 | 一种白光模式下胃部标志物评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114464316A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114464316B (zh) | 胃部异常风险等级预测方法、装置、终端及可读存储介质 | |
WO2021093448A1 (zh) | 图像处理方法、装置、服务器、医疗图像处理设备及存储介质 | |
WO2020103676A1 (zh) | 图像识别方法、装置、系统及存储介质 | |
US10734101B2 (en) | Method and system to process electronic medical records for predicting health conditions of patients | |
US11488302B2 (en) | Object recognition method and device, and storage medium | |
Mehmood et al. | Video summarization based tele-endoscopy: a service to efficiently manage visual data generated during wireless capsule endoscopy procedure | |
US20220383661A1 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
JP2024045234A (ja) | 腸の病理学のための画像スコアリング | |
WO2022252908A1 (zh) | 对象识别方法、装置、计算机设备及存储介质 | |
CN109785311B (zh) | 一种疾病诊断装置、电子设备及存储介质 | |
WO2023024411A1 (zh) | 基于机器学习对关联规则进行评估的方法及装置 | |
CN110992376A (zh) | 基于ct图像的肋骨分割方法、装置、介质及电子设备 | |
CN114417037B (zh) | 图像处理方法、装置、终端及可读存储介质 | |
CN115393356B (zh) | 目标部位异常形态识别方法、装置及计算机可读存储介质 | |
CN113222064A (zh) | 一种图像目标对象实时检测方法、系统、终端及存储介质 | |
WO2022242392A1 (zh) | 血管图像分类处理方法、装置、设备及存储介质 | |
CN113344927A (zh) | 基于深度学习的图像识别方法、装置、服务器及存储介质 | |
CN113284572A (zh) | 多模态异构的医学数据处理方法及相关装置 | |
CN110648318A (zh) | 用于皮肤病的辅助分析方法及装置、电子设备、存储介质 | |
CN113160153A (zh) | 一种基于深度学习技术的肺结节筛查方法及筛查系统 | |
JPWO2017109904A1 (ja) | 画像処理装置、画像処理方法およびプログラム | |
CN112288697B (zh) | 用于量化异常程度的方法、装置、电子设备及可读存储介质 | |
Yue et al. | Benchmarking polyp segmentation methods in narrow-band imaging colonoscopy images | |
CN114419050B (zh) | 胃黏膜可视化程度量化方法、装置、终端及可读存储介质 | |
CN111047582A (zh) | 基于深度学习的小肠镜下克罗恩病辅助诊断系统 |
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 |