CN114582491A - 数据处理方法、装置、电子设备及存储介质 - Google Patents
数据处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114582491A CN114582491A CN202210176643.6A CN202210176643A CN114582491A CN 114582491 A CN114582491 A CN 114582491A CN 202210176643 A CN202210176643 A CN 202210176643A CN 114582491 A CN114582491 A CN 114582491A
- Authority
- CN
- China
- Prior art keywords
- target
- feature
- original data
- data
- result
- 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
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
- G06T2207/30016—Brain
-
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- 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
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了数据处理方法、装置、电子设备及存储介质,涉及人工智能技术领域。具体实现方案为:获取针对目标对象的目标部位的多个原始数据;所述多个原始数据中不同的原始数据为从不同设备获取的;基于所述多个原始数据中的第一类原始数据得到第一特征,基于所述多个原始数据中的第二类原始数据得到第二特征;基于所述第一特征、所述第二特征以及第三特征,确定针对所述目标对象的目标部位的诊断结果;所述第三特征为基于所述目标对象的历史相关信息得到的。本公开实施例能够保证更加准确的得到针对所述目标对象的目标部位的诊断结果。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及人工智能技术领域。
背景技术
随着计算机技术的发展,采用计算机技术所能够处理的数据类型也越来越多,其中一种应用场景就包含了对患者的相关数据处理后,得到该患者的诊断结果。然而,在上述应用场景中,如何更加准确的得到患者的诊断结果,就成为需要解决的问题。
发明内容
本公开提供了一种数据处理方法、装置、电子设备及存储介质。
根据本公开的第一方面,提供了一种数据处理方法,包括:
获取针对目标对象的目标部位的多个原始数据;所述多个原始数据中不同的原始数据为从不同设备获取的;
基于所述多个原始数据中的第一类原始数据得到第一特征,基于所述多个原始数据中的第二类原始数据得到第二特征;
基于所述第一特征、所述第二特征以及第三特征,确定针对所述目标对象的目标部位的诊断结果;所述第三特征为基于所述目标对象的历史相关信息得到的。
根据本公开的第二方面,提供了一种数据处理装置,包括:
数据获取模块,用于获取针对目标对象的目标部位的多个原始数据;所述多个原始数据中不同的原始数据为从不同设备获取的;
特征提取模块,用于基于所述多个原始数据中的第一类原始数据得到第一特征,基于所述多个原始数据中的第二类原始数据得到第二特征;
处理模块,用于基于所述第一特征、所述第二特征以及第三特征,确定针对所述目标对象的目标部位的诊断结果;所述第三特征为基于所述目标对象的历史相关信息得到的。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述第一方面的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使该计算机执行前述方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现前述方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
本实施例提供的方案,就可以根据针对目标对象的目标部位的多个原始数据,得到第一特征以及第二特征,再根据第一特征、第二特征以及第三特征,确定针对所述目标对象的目标部位的诊断结果。如此,能够基于多个维度的特征确定目标对象的目标部位的诊断结果,进而保证更加准确的得到针对所述目标对象的目标部位的诊断结果。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开一实施例的数据处理方法的流程示意图;
图2是根据本公开一实施例的数据处理方法中得到第一特征的处理流程示意图;
图3是根据本公开一实施例的数据处理方法中得到第二特征的处理流程示意图;
图4是根据本公开一实施例的数据处理方法中得到诊断结果的处理流程示意图;
图5是根据本公开一实施例的数据处理方法的一种示例的流程示意图;
图6是根据本公开一实施例的数据处理装置的一种组成结构示意图;
图7是根据本公开另一实施例的数据处理装置的另一种组成结构示意图;
图8是用来实现本公开实施例的数据处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本公开第一方面实施例提供一种数据处理方法,如图1所示,包括:
S101:获取针对目标对象的目标部位的多个原始数据;所述多个原始数据中不同的原始数据为从不同设备获取的;
S102:基于所述多个原始数据中的第一类原始数据得到第一特征,基于所述多个原始数据中的第二类原始数据得到第二特征;
S103:基于所述第一特征、所述第二特征以及第三特征,确定针对所述目标对象的目标部位的诊断结果;所述第三特征为基于所述目标对象的历史相关信息得到的。
本实施例提供的所述数据处理方法可以应用于电子设备。所述电子设备可以为终端设备或服务器。其中,所述终端设备可以指的是用户侧的设备,比如,可以为以下任意一种:台式机、笔记本电脑、平板电脑、智能手机等等。
所述目标对象可以指的是人,具体可以指的是患者;所述目标对象的目标部位可以是所述患者的身体的某一个部位。所述多个原始数据均针对所述目标对象的目标部位,但是不同的原始数据可以为针对所述目标对象的所述目标部位的不同种类的数据。所述多个设备中不同的设备,用于采集或获取针对所述目标对象的目标部位的不同的原始数据。
前述获取针对目标对象的目标部位的多个原始数据的处理,具体可以包括:与多个设备建立连接,从所述多个设备获取针对目标对象的目标部位的所述多个原始数据;或者,在其他设备从所述多个设备分别获取所述多个原始数据的情况下,从所述其他设备获取针对目标对象的目标部位的所述多个原始数据。
其中,所述与多个设备建立连接,从所述多个设备获取针对目标对象的目标部位的所述多个原始数据,可以包括:与所述多个设备可以同时建立连接,从所述多个设备中并行的分别获取针对目标对象的目标部位的多个原始数据;或者,与所述多个设备可以依次建立连接,从所述多个设备中依次获取针对目标对象的目标部位的多个原始数据。这里,无论与所述多个设备同时建立连接、或与所述多个设备依次建立连接,连接的建立方式均可以包含有线连接方式、无线连接方式中任意之一。比如,所述无线连接方式,可以包括但不限于以下任意之一:通过移动蜂窝网络建立的无线连接、通过WIFI(无线保真,wirelessfidelity)建立的无线连接、通过蓝牙建立的无线连接。
所述其他设备可以指的是,除了前述多个设备以及前述电子设备之外的其他设备,比如可以为优盘(U盘)或移动硬盘。所述其他设备从所述多个设备分别获取所述多个原始数据的方式可以包括:所述其他设备从所述多个设备中,分别下载或拷贝所述多个原始数据。相应的,所述从其他设备获取针对目标对象的目标部位的所述多个原始数据,可以包括:从所述其他设备中,下载或拷贝针对目标对象的目标部位的所述多个原始数据。
所述第一类原始数据,包括但不限于以下:所述目标部位的目标区域扫描结果,所述目标部位的功能检测结果。所述第一特征具体可以是数值所对应的特征。应理解,根据实际情况的不同,还可以获得更多的数据作为所述第一类原始数据,只要可以分析得到前述第一特征的包含所述目标部位的数据均可以作为所述第一类原始数据。
所述第二类原始数据可以包括:所述目标部位中的目标区域图像数据。所述第二特征具体可以是图像所对应的特征。
所述目标对象的历史相关信息,具体可以指的是:所述目标对象的电子病历信息,也就是患者的电子病历信息。所述第三特征可以是文本所对应的特征。
可见,通过采用上述方案,根据针对目标对象的目标部位的多个原始数据,得到第一特征以及第二特征,再根据第一特征、第二特征以及第三特征,确定针对所述目标对象的目标部位的诊断结果。如此,能够基于多个维度的特征确定目标对象的目标部位的诊断结果,进而保证更加准确的得到针对所述目标对象的目标部位的诊断结果。
在一种实施方式中,所述基于所述多个原始数据中的第一类原始数据得到第一特征,如图2所示,可以包括:
S201:从所述多个原始数据中,获取所述目标部位的目标区域扫描结果,以及获取所述目标部位的功能检测结果;
S202:将所述目标区域扫描结果以及所述功能检测结果,作为所述第一类原始数据;
S203:基于所述第一类原始数据中的所述目标区域扫描结果,确定多个子区域的相关指标值,基于所述第一类原始数据中的所述功能检测结果,确定所述目标部位的多维度功能指标值;其中,所述多个子区域包含在所述目标区域内;
S204:基于所述多个子区域的相关指标值、所述目标部位的多维度功能指标值,确定所述第一特征。
所述多个原始数据均针对所述目标对象的目标部位;所述多个原始数据中不同的原始数据,具体可以为:由所述多个设备中,不同的设备得到的针对所述目标对象的所述目标部位的不同种类的数据。
所述目标部位可以是身体的某一个部位。前述已经说明,所述目标对象指的是人,具体可以指的是患者。相应的,所述目标部位可以指的是所述患者的身体的某一个部位,比如,所述患者的心脏、所述患者的脑部、所述患者的腿部、所述患者的眼部等等。本实施例提供的方案,尤其适用于所述目标部位为所述患者的眼部的场景。
所述目标部位的目标区域具体可以指的是:所述目标部位内的多个区域中至少之一。示例性的,在所述目标部位为所述患者的眼部的情况下,所述目标部位的目标区域可以为:眼部的眼底区域。
举例来说,在所述目标对象的目标部位为所述患者的眼部的场景中,使用本实施例提供的方案的情况下,前述多个设备可以包括以下至少部分:OCT(光学相干断层扫描,optical coherence tomography)设备、自动视野仪、眼底照相设备;应理解,所述多个设备除了上述列举出来的之外,还可以包含其他设备,只是本实施例不做穷举。
相应的,所述多个原始数据,可以包括:
由所述OCT设备得到的目标部位的目标区域扫描结果;这里,所述目标部位的目标区域扫描结果,可以指的是:所述患者的眼部的眼底区域扫描结果;
由所述自动视野仪得到的所述目标部位的功能检测结果;这里,所述目标部位的功能检测结果,可以是:所述患者的眼部的视野检测结果;
由所述眼底照相设备得到的所述目标部位的目标区域图像数据;这里,所述目标部位的目标区域图像数据,可以是:所述患者的眼部的眼底图像数据。
所述多个子区域包含在所述目标区域内。在所述目标区域为眼部的眼底区域的情况下,所述多个子区域可以指的是以下至少之一:视网膜、脉络膜、黄斑区(或黄斑)、视神经纤维、视神经乳头(或称为视盘)。本实施例不对所述眼底区域可能包含的全部子区域进行穷举。
所述基于所述第一类原始数据中的所述目标区域扫描结果,确定多个子区域的相关指标值,具体可以包括:基于所述第一类原始数据中的所述患者的眼部的眼底区域扫描结果,确定多个子区域的相关指标值。其中,所述多个子区域的相关指标值可以包括以下至少之一:视盘相关指标值、视网膜乳头周围神经纤维层厚度值、黄斑区神经节细胞复合体厚度值。其中,所述视盘相关指标值,包括但不限于以下至少之一:视盘面积,视杯面积,盘沿面积,视盘直径,杯盘比(水平、垂直、面积),最大视杯深度,平均视杯深度,盘沿偏心率,水平视盘角,视盘高度差,视盘倾斜角。
所述基于所述第一类原始数据中的所述功能检测结果,确定所述目标部位的多维度功能指标值,具体可以包括:基于所述第一类原始数据中的所述患者的眼部的视野检测结果,确定所述患者的眼部的多维度指标值。其中,所述多维度指标值可以包括以下至少之一:视野平均缺损值、模式标准差、各分区模式偏差。其中,所述各分区为多个分区中的各个分区,所述多个分区包括但不限于以下至少部分:中央区,鼻侧,颞侧,上鼻侧,下鼻侧,上颞侧,下颞侧。
需要理解的是,上述基于所述第一类原始数据中的所述目标区域扫描结果确定多个子区域的相关指标值的处理,和上述基于所述第一类原始数据中的所述功能检测结果确定所述目标部位的多维度功能指标值的处理,可以是同时执行的。或者,上述基于所述第一类原始数据中的所述目标区域扫描结果确定多个子区域的相关指标值的处理,和上述基于所述第一类原始数据中的所述功能检测结果确定所述目标部位的多维度功能指标值的处理,可以为先后执行的,关于执行处理的先后顺序本实施例不进行限定。
所述基于所述多个子区域的相关指标值、所述目标部位的多维度功能指标值,确定所述第一特征,可以包括以下之一:
将所述多个子区域的相关指标值、所述目标部位的多维度功能指标值,直接作为所述第一特征;
将所述多个子区域的相关指标值、所述目标部位的多维度功能指标值中的至少部分,作为所述第一特征;
基于所述多个子区域的相关指标值、所述目标部位的多维度功能指标值进行处理,得到所述第一特征。
分别来说,
其中,所述将所述多个子区域的相关指标值、所述目标部位的多维度功能指标值,直接作为所述第一特征,可以包括:将所述多个子区域的相关指标值、所述目标部位的多维度功能指标值中的全部内容,直接作为所述第一特征。所述多个子区域的相关指标值、所述目标部位的多维度功能指标值中的全部内容与前述实施例所述相同,不做重复说明。
其中,所述将所述多个子区域的相关指标值、所述目标部位的多维度功能指标值中的至少部分,作为所述第一特征,可以包括:基于预设选取策略,从所述多个子区域的相关指标值、所述目标部位的多维度功能指标值中,选取至少一个目标值直接作为所述第一特征。
所述预设选取策略可以根据实际情况预先设置,比如,可以设置将所述多个子区域的相关指标值中的所述视盘相关指标值、以及所述目标部位的多维度功能指标值中的视野平均缺损值作为本次选取的目标值;或者,可以设置将所述多个子区域的相关指标值中的所述视盘面积、所述视盘倾斜角、黄斑区神经节细胞复合体厚度,以及所述目标部位的多维度功能指标值中的视野平均缺损值和所述模式标准差作为本次选取的目标值。应理解,实际处理中可以根据当前所需的情况进行所述预设选取策略的设置,这里仅为示例性说明,不再进行穷举。
其中,所述基于所述多个子区域的相关指标值、所述目标部位的多维度功能指标值进行处理,得到所述第一特征,可以包括:基于预设方式,对所述多个子区域的相关指标值、所述目标部位的多维度功能指标值进行处理,得到所述第一特征。
所述预设方式可以根据实际情况预先设置。比如,所述预设方式可以指的是量化方式。或者,所述预设方式可以指的是基于第三模型进行处理的方式。
示例性的,所述基于预设方式,对所述多个子区域的相关指标值、所述目标部位的多维度功能指标值进行处理,得到所述第一特征,可以包括:基于所述量化方式,对所述多个子区域的相关指标值、所述目标部位的多维度功能指标值分别进行量化,得到量化结果,将该量化结果作为所述第一特征。这里,所述量化结果可以指的是所述多个子区域的相关指标值、所述目标部位的多维度功能指标值对应的多个二进制序列;相应的,所述将该量化结果作为所述第一特征,可以指的是,将所述多个二进制序列进行合并得到合并后的总序列,将所述总序列作为所述第一特征。
或者,所述基于预设方式,对所述多个子区域的相关指标值、所述目标部位的多维度功能指标值进行处理,得到所述第一特征,可以包括:将所述多个子区域的相关指标值、所述目标部位的多维度功能指标值输入所述第三模型,得到所述第三模型输出的所述第一特征。其中,所述第三模型可以为预先训练的,关于其训练方式这里不做限定;所述第三模型输出的所述第一特征可以为数值特征,该数值特征具体可以由二进制比特组成。
可见,通过采用上述方案,就可以从所述多个原始数据中获取目标区域扫描结果以及所述功能检测结果,进而确定所述多个子区域的相关指标值、所述目标部位的多维度功能指标值,最后基于所述多个子区域的相关指标值、所述目标部位的多维度功能指标值,确定第一特征。如此,可以更加准确的对原始数据进行分析,保证得到的第一特征更加准确,进而基于多个维度的特征确定诊断结果,可以保证针对所述目标对象的目标部位的诊断结果的准确性更高。
在一种实施方式中,所述基于所述多个原始数据中的第二类原始数据,得到第二特征,如图3所示,包括:
S301:从所述多个原始数据中,获取所述目标部位中的目标区域图像数据,将所述目标区域图像数据作为所述第二类原始数据;
S302:将所述第二类原始数据输入第二模型,得到所述第二模型输出的图像特征,将所述图像特征作为所述第二特征。
关于所述多个原始数据、所述目标部位、所述目标区域的说明与前述实施例相同,这里不做重复说明。
在一种可能的实施方式中,所述目标部位的目标区域图像数据,可以是:所述患者的眼部的眼底图像数据。
所述将所述目标区域图像数据作为所述第二类原始数据,可以包括:对所述目标区域图像数据进行预处理,得到预处理后的所述目标区域图像数据;将所述预处理后的所述目标区域图像数据,作为所述第二类原始数据。
其中,所述对所述目标区域图像数据进行预处理,可以包括以下两种处理方式中至少之一:处理方式一:对所述目标区域图像数据进行消噪处理;处理方式二:对所述目标区域图像数据进行标准化处理。
所述对所述目标区域图像数据进行消噪处理,可以包括:利用高斯滤波器,将所述目标区域图像数据图像与噪声分离。通过执行消噪处理,可以提升图像特征提取的准确度。
所述对所述目标区域图像数据进行标准化处理,可以包括:将所述目标区域图像数据的强度映射到预设强度范围内,以得到与所述目标区域图像数据对应的像素值矩阵。
其中,所述目标区域图像数据的强度可以表示单通道图像像素的强度;比如,在所述目标区域图像数据为灰度图像的情况下,所述目标区域图像数据的强度,为所述目标区域图像数据的灰度值;又比如,在所述目标区域图像数据为RGB(红绿蓝)图像的情况下,所述目标区域图像数据的强度,包括以下至少之一:R(红色)通道的像素灰度值、G(绿色)通道的像素灰度值、B(蓝色)通道的像素灰度值。
所述预设强度范围可以根据实际情况设置。比如,所述预设强度范围可以是大于等于-0.5且小于等于0.5;又比如,所述预设强度范围可以是大于等于-0.3且小于等于0.3;本实施例不进行穷举。
应理解,以上仅为对所述目标区域图像数据进行预处理的两种处理方式的示例性说明,不作为对本实施例的限定。也就是说,在实际处理时还可以使用除上述两种处理方式之外的其他方式进行预处理,只是不做穷举。
所述第二模型用于对输入的所述第二类原始数据进行处理,得到所述第二类原始数据所对应的所述图像特征。所述第二模型可以为预先设置或预先保存在执行本实施例的所述电子设备中的。所述第二模型具体可以为卷积神经网络(Convolutional NeuralNetworks,CNN)。该第二模型的训练,可以是在执行本实施例的所述电子设备中执行的;又或者,该第二模型的训练,可以是在除所述电子设备、以及前述多个设备之外的设备中执行的,这里不对其进行限定。
可见,通过采用上述方案,就可以将多个原始数据中的目标区域图像数据作为第二类原始数据,进而基于第二模型对所述第二类原始数据进行处理,得到图像特征,将该图像特征作为第二特征。如此,通过预先对图像类的数据预先进行模型处理,可以得到更加准确的图像特征作为第二特征,进而保证了第二特征更加准确,最终保证针对所述目标对象的目标部位的诊断结果的准确性更高。
在一种实施方式中,针对前述第三特征的确定方式进行说明,所述方法还包括:从所述目标对象的历史相关信息中,提取目标字段;基于所述目标字段,确定所述第三特征。
其中,所述目标对象的历史相关信息,具体可以为:所述患者的电子病历信息。
所述从所述目标对象的历史相关信息中,提取目标字段,可以包括:从所述目标对象的历史相关信息中,提取目标类型的目标字段。
所述目标类型可以包括一个或多个,可以根据实际需求预先设置并保存。举例来说,所述目标类型可以包括以下至少之一:症状、体征、诊断、历史疾病、家族史、视力、药物使用信息、年龄、性别等。
所述基于所述目标字段,确定所述第三特征,可以包括:对所述目标类型的所述目标字段进行编码处理,得到编码结果;基于所述编码结果,确定所述第三特征。
其中,所述对所述目标类型的所述目标字段进行编码处理,得到编码结果,可以指的是:基于预设编码对应关系,确定所述目标类型的所述目标字段的编码值;基于所述目标类型的所述目标字段的编码值,得到所述编码结果。
所述预设编码对应关系中可以包括:多个预设类型的索引号,所述多个预设类型中每个预设类型下的各个预设字段分别对应的预设编码值。举例来说,所述预设编码对应关系中包含:预设类型01、预设类型02;以及预设类型01中包含的预设字段a对应的预设编码值为“001”,预设字段b对应的预设编码值为“010”;预设类型02中包含的预设字段c对应的预设编码值为“101”,预设字段d对应的预设编码值为“110”。需要指出的是,这里仅为示例性说明,不作为对所述预设编码对应关系的限定。
所述基于所述目标类型的所述目标字段的编码值,得到所述编码结果,可以包括:基于预设顺序,对所述目标类型的所述目标字段的编码值进行排序,得到所述编码结果。所述预设顺序可以指的是目标类型的顺序,比如可以是按照“症状、体征、性别”这样的顺序排列。举例来说,所述目标类型为症状时,其目标字段(即症状字段)的编码值为001;所述目标类型为体征时,其目标字段(即体征字段)的编码值为101;所述目标类型为性别时,其目标字段(即性别字段)的编码值为000;相应的,所述编码结果可以为{001,101,000}。
所述基于所述编码结果,确定所述第三特征,可以包括以下两种实现方式:
在一种方式中,将所述编码结果直接作为所述第三特征。
在另一种方式中,将所述编码结果输入第四模型,得到所述第四模型输出的所述第三特征。
其中,所述第四模型用于对输入的所述编码结果进行处理,得到所述第三特征。这里,所述第三特征可以为一个或多个数值;应理解,所述第三特征包含的数值的数量小于所述编码结果所包含的数值的数量。
所述第四模型可以为预先设置或预先保存在执行本实施例的所述电子设备中的。所述第四模型具体可以为多层感知器(MLP,Multilayer Perceptron)。该第四模型的训练,可以是在执行本实施例的所述电子设备中执行的;又或者,该第四模型的训练,可以是在除所述电子设备、以及前述多个设备之外的设备中执行的,这里不对其进行限定。
可见,通过采用上述方案,就可以从所述目标对象的历史相关信息中,获取目标字段,进而确定第三特征。如此,可以获取到的第三特征更加准确,保证最终得到的针对所述目标对象的目标部位的诊断结果的准确性更高。
在一种实施方式中,所述基于所述第一特征、所述第二特征以及第三特征,确定针对所述目标对象的目标部位的诊断结果,如图4所示,可以包括:
S401:基于所述第一特征、所述第二特征以及所述第三特征,生成输入信息;
S402:将所述输入信息输入第一模型,得到所述第一模型的输出信息;
S403:基于所述输出信息中包含的分类结果,确定所述针对所述目标对象的目标部位的诊断结果。
所述基于所述第一特征、所述第二特征以及第三特征,生成输入信息,可以包括:将所述第一特征、所述第二特征以及第三特征进行合并,将合并后的信息作为所述输入信息。
其中,所述将所述第一特征、所述第二特征以及第三特征进行合并,可以指的是:按照预设顺序将所述第一特征、所述第二特征以及第三特征进行合并。所述预设顺序可以为预先设置的,比如,所述预设顺序可以预先设置为:所述第一特征、所述第二特征、所述第三特征的顺序;又比如,所述预设顺序可以预先设置为:所述第二特征、所述第三特征、所述第一特征的顺序;再比如,所述预设顺序可以预先设置为:所述第一特征、所述第三特征、所述第二特征的顺序。这里对所述预设顺序全部可能的情况进行穷举,只要最终得到的所述输入信息包含上述第一特征、所述第二特征以及所述第三特征,就均在本实施例的保护范围内。
所述第一模型可以为预先设置或预先保存的。该第一模型的训练可以是在执行本实施例的所述电子设备中执行的;又或者,该第一模型的训练,可以是在除所述电子设备、以及前述多个设备之外的设备中执行的,这里不对其进行限定。
所述第一模型用于对输入的包含所述第一特征、所述第二特征、所述第三特征的输入信息进行处理,得到输出信息。所述输出信息可以包含分类结果。
在一种示例中,所述第一模型为二分类模型。相应的,所述第一模型的所述输出信息为两种分类结果中之一,比如,所述第一模型的所述输出信息可以包括第一值或第二值。其中,所述第一值用于指示第一分类结果,所述第二值用于指示第二分类结果。
所述第一值与所述第二值不同,所述第一值可以为1、所述第二值可以为0,或者,所述第一值可以为0,所述第二值可以为1。
在本示例中,所述基于所述输出信息中包含的分类结果,确定所述针对所述目标对象的目标部位的诊断结果,可以指的是:在所述输出信息中包含的分类结果为第一分类结果的情况下,确定所述针对所述目标对象的目标部位的诊断结果为存在指定症状;在所述输出信息中包含的分类结果为第二分类结果的情况下,确定所述针对所述目标对象的目标部位的诊断结果为不存在指定症状。
举例来说,所述目标对象的目标部位指的是患者的眼部,指定症状可以为眼部的症状A。则所述基于所述输出信息中包含的分类结果,确定所述针对所述目标对象的目标部位的诊断结果,可以指的是:在所述输出信息中包含的分类结果为第一分类结果的情况下,确定所述针对所述患者的眼部的诊断结果为存在眼部的症状A;在所述输出信息中包含的分类结果为第二分类结果的情况下,确定所述针对所述患者的眼部的诊断结果为不存在眼部的症状A。
另一种示例中,所述第一模型为多分类模型。再具体的,所述第一模型为四分类模型。相应的,所述第一模型的所述输出信息为四种分类结果中之一,比如,所述第一模型的所述输出信息可以包含数值一、数值二、数值三、数值四中任意之一。所述数值一用于指示第一分类结果、数值二用于指示第二分类结果、数值三用于指示第三分类结果、数值四用于指示第四分类结果。
所述数值一、数值二、数值三、数值四均不同;比如,所述数值一可以为1,所述数值二可以为2,所述数值三可以为3,所述数值四可以为4;又比如,所述数值一可以为01,所述数值二可以为10,所述数值三可以为11,所述数值四可以为00。只要数值一、数值二、数值三、数值四任意两个的取值不相同,就在本实施例的保护范围内,这里,不对前述数值一、数值二、数值三、数值四全部可能的取值进行穷举。
在本示例中,所述基于所述输出信息中包含的分类结果,确定所述针对所述目标对象的目标部位的诊断结果,可以指的是:
在所述输出信息中包含的分类结果为第一分类结果的情况下,确定所述针对所述目标对象的目标部位的诊断结果为不存在指定症状;
在所述输出信息中包含的分类结果为第二分类结果的情况下,确定所述针对所述目标对象的目标部位的诊断结果为存在指定症状、且程度为轻度;
在所述输出信息中包含的分类结果为第三分类结果的情况下,确定所述针对所述目标对象的目标部位的诊断结果为存在指定症状、且程度为中度;
在所述输出信息中包含的分类结果为第四分类结果的情况下,确定所述针对所述目标对象的目标部位的诊断结果为存在指定症状、且程度为重度。
举例来说,所述目标对象的目标部位指的是患者的眼部,指定症状可以为眼部的症状A。则所述基于所述输出信息中包含的分类结果,确定所述针对所述目标对象的目标部位的诊断结果,可以指的是:
在所述输出信息中包含的分类结果为第一分类结果的情况下,确定所述针对所述患者的眼部的诊断结果为不存在眼部的症状A;
在所述输出信息中包含的分类结果为第二分类结果的情况下,确定所述针对所述患者的眼部的诊断结果为存在眼部的症状A、且程度为轻度;这里,所述程度具体可以指的是压迫程度,比如视交叉压迫程度;
在所述输出信息中包含的分类结果为第三分类结果的情况下,确定所述针对所述患者的眼部的诊断结果为存在眼部的症状A、且程度为中度;这里,所述程度具体可以指的是压迫程度,比如视交叉压迫程度;
在所述输出信息中包含的分类结果为第四分类结果的情况下,确定所述针对所述患者的眼部的诊断结果为存在眼部的症状A、且程度为重度;这里,所述程度具体可以指的是压迫程度,比如视交叉压迫程度。
采用上述方案,就可以根据第一特征、第二特征以及第三特征生成输入信息,通过第一模型对输入信息进行处理,最终可以基于第一模型输出的分类结果确定针对所述目标对象的目标部位的诊断结果。如此,通过多个维度的特征提取作为第一模型的输入,可以使得通过该第一模型所得到的输出结果的准确性更高,进而保证了针对所述目标对象的目标部位的诊断结果的准确性更高;并且,由于采用了模型进行前述处理,可以使得处理的效率更高,从而保证了更加高效的得到针对所述目标对象的目标部位的诊断结果。进一步地,前述第一模型还可以为四分类模型,如此,可以保证通过所述第一模型得到的输出信息中的分类结果,更加准确的表达是否存在指定症状以及程度的轻重,进一步保证了诊断结果的准确性。
结合图5,对本实施例前述提供的数据处理方法进行一种示例说明:
S501:获取针对目标对象的目标部位的多个原始数据;所述多个原始数据中不同的原始数据为从不同设备获取的。
S502:从所述多个原始数据中,获取所述目标部位的目标区域扫描结果,以及获取所述目标部位的功能检测结果;基于所述第一类原始数据中的所述目标区域扫描结果,确定多个子区域的相关指标值,基于所述第一类原始数据中的所述功能检测结果,确定所述目标部位的多维度功能指标值;基于所述多个子区域的相关指标值、所述目标部位的多维度功能指标值,确定第一特征。
关于S502的具体处理方式与前述实施例中图2所示的S201~S204的处理是相同的,因此不做重复说明。
示例性的,本步骤中,所述目标部位的目标区域扫描结果,可以为OCT设备得到的患者的眼部的眼底区域扫描结果;所述目标部位的功能检测结果,可以为自动视野仪得到的所述患者的眼部的视野检测结果。所述多个子区域的相关指标值,可以包括:视盘形态、视网膜乳头周围神经纤维层厚度、黄斑区神经节细胞复合体厚度。所述多维度功能指标值可以包括:视野平均缺损、模式标准差、各分区模式偏差。
S503:从所述多个原始数据中,获取所述目标部位中的目标区域图像数据,将所述目标区域图像数据作为所述第二类原始数据;将所述第二类原始数据输入第二模型,得到所述第二模型输出的图像特征,将所述图像特征作为第二特征。
关于S503的具体处理与前述实施例中图3所示的S301~S302的处理相同,这里不做赘述。
示例性的,本步骤中,所述目标部位的目标区域图像数据,可以是:所述患者的眼部的眼底图像数据。
S504:从所述目标对象的历史相关信息中,提取目标字段;基于所述目标字段,确定第三特征。
示例性的,本步骤中,所述目标对象的历史相关信息,具体可以为:所述患者的电子病历信息。
应理解,前述S502、S503、S504的处理可以不分先后顺序。比如,S502、S503、S504可以同时执行;或者,S502、S503可以同时执行,然后执行S504;或者,可以先执行S502,再同时执行S503、S504;或者,可以先执行S502后执行S503,最后执行S504;或者,先执行S503再执行S502,再执行S504。这里不再对S502、S503、S504的执行顺序进行穷举。
S505:基于所述第一特征、所述第二特征以及第三特征,生成输入信息;将所述输入信息输入所述第一模型,得到所述第一模型的输出信息;基于所述输出信息中包含的分类结果,确定所述针对所述目标对象的目标部位的诊断结果。
其中,所述基于所述第一特征、所述第二特征以及第三特征,生成输入信息,可以包括:将所述第一特征、所述第二特征以及第三特征进行合并,将合并后的信息作为所述输入信息;所述将所述输入信息输入所述第一模型,得到所述第一模型的输出信息;基于所述输出信息中包含的分类结果,确定所述针对所述目标对象的目标部位的诊断结果的处理,与前述图4针对S401-S403的说明相同,不做重复说明。
所述第一模型可以为预先设置或预先保存的。该第一模型的训练可以是在执行本实施例的所述电子设备中执行的;又或者,该第一模型的训练,可以是在除所述电子设备、以及前述多个设备之外的设备中执行的,这里不对其进行限定。
下面针对在执行本实施例的所述电子设备中对第一模型进行训练的一种实施方式进行说明,该第一模型的训练可以包括:
采用训练样本对第一预设模型进行训练,得到训练后的所述第一模型;所述训练样本包含:第一特征样本、第二特征样本、第三特征样本,以及预设对象的历史诊断结果;
其中,所述第一特征样本为基于所述预设对象的所述目标部位的目标区域历史扫描结果、以及所述预设对象的所述目标部位的功能历史检测结果得到的;
所述第二特征样本为基于所述预设对象的所述目标部位的目标区域历史图像数据得到的;
所述第三特征样本为基于所述预设对象的历史相关信息得到的。
所述采用训练样本对第一预设模型进行训练,可以包括:将所述训练样本输入所述第一预设模型,得到所述第一预设模型输出的训练结果;基于所述训练结果以及所述预设对象的历史诊断结果,确定损失函数;将所述损失函数进行反向传导更新所述第一预设模型。
其中,所述将所述损失函数进行反向传导更新所述第一预设模型,具体可以为:将所述损失函数进行反向传导更新所述第一预设模型的模型参数。
确定上述第一预设模型的训练是否收敛(即完成训练),可以采用以下方式至少之一:损失函数(Loss)停止降低的情况下,确定所述第一预设模型训练收敛;正确预测的样本数占总预测样本数的比值(比如Acc(accuracy,准确性))收敛的情况下,确定所述第一预设模型训练收敛。
前述预设对象,可以指的是预设人员,该预设人员可以为以下任意一种:视交叉处于多种压迫程度中之一的患者,或者视交叉无压迫的人员。
所述第一特征样本为基于所述预设对象的所述目标部位的目标区域历史扫描结果、以及所述预设对象的所述目标部位的功能历史检测结果得到的。示例性的,前述第一特征样本,具体可以为基于OCT设备得到的该预设人员的眼部的眼底区域扫描结果,以及自动视野仪得到的该预设人员的眼部的视野检测结果所提取得到的。其中,所述第一特征样本的提取方式与前述实施例中得到所述第一特征的方式类似,不做重复说明。
所述第二特征样本为基于所述预设对象的所述目标部位的目标区域历史图像数据得到的。示例性的,所述第二特征样本,具体可以为:基于眼底照相设备得到的该预设人员的眼部的眼底图像数据提取得到的。其中,所述第二特征样本的提取方式与前述实施例中得到所述第二特征的方式类似,不做重复说明。
所述第三特征样本为基于所述预设对象的历史相关信息得到的。示例性的,所述第三特征样本,具体可以为:基于该预设人员的电子病历信息提取特征的。其中,所述第三特征样本的提取方式与前述实施例中得到所述第三特征的方式类似,不做重复说明。
所述预设对象的历史诊断结果中,还可以标注有该预设对象是否有指定症状、以及有指定症状时的程度。比如,在所述预设对象的历史诊断结果中可以包括:视交叉存在压迫,以及压迫程度为轻度、中度、重度中任意之一;或者,视交叉无压迫。
通过采用上述方案,可以利用训练样本训练得到第一模型,如此,可以在保证在使用该第一模型可以得到准确的输出信息的同时,保证基于该第一模型能够更加高效的得到输出信息,进而保证了更加高效且准确的得到最终的诊断结果。
本公开第二方面实施例提供一种数据处理装置,如图6所示,包括:
数据获取模块601,用于获取针对目标对象的目标部位的多个原始数据;所述多个原始数据中不同的原始数据为从不同设备获取的;
特征提取模块602,用于基于所述多个原始数据中的第一类原始数据得到第一特征,基于所述多个原始数据中的第二类原始数据得到第二特征;
处理模块603,用于基于所述第一特征、所述第二特征以及第三特征,确定针对所述目标对象的目标部位的诊断结果;所述第三特征为基于所述目标对象的历史相关信息得到的。
所述特征提取模块602,用于从所述多个原始数据中,获取所述目标部位的目标区域扫描结果,以及获取所述目标部位的功能检测结果;将所述目标区域扫描结果以及所述功能检测结果,作为所述第一类原始数据;基于所述第一类原始数据中的所述目标区域扫描结果,确定多个子区域的相关指标值,基于所述第一类原始数据中的所述功能检测结果,确定所述目标部位的多维度功能指标值;其中,所述多个子区域包含在所述目标区域内;基于所述多个子区域的相关指标值、所述目标部位的多维度功能指标值,确定所述第一特征。
所述特征提取模块602,用于从所述多个原始数据中,获取所述目标部位中的目标区域图像数据,将所述目标区域图像数据作为所述第二类原始数据;将所述第二类原始数据输入第二模型,得到所述第二模型输出的图像特征,将所述图像特征作为所述第二特征。
所述特征提取模块602,用于从所述目标对象的历史相关信息中,提取目标字段;基于所述目标字段,确定所述第三特征。
所述处理模块603,用于基于所述第一特征、所述第二特征以及所述第三特征,生成输入信息;将所述输入信息输入第一模型,得到所述第一模型的输出信息;基于所述输出信息中包含的分类结果,确定所述针对所述目标对象的目标部位的诊断结果。
在图6的基础上,所述装置,还包括:
模型训练模块701,用于采用训练样本对第一预设模型进行训练,得到训练后的所述第一模型;所述训练样本包含:第一特征样本、第二特征样本、第三特征样本,以及预设对象的历史诊断结果;
其中,所述第一特征样本为基于所述预设对象的所述目标部位的目标区域历史扫描结果、以及所述预设对象的所述目标部位的功能历史检测结果得到的;
所述第二特征样本为基于所述预设对象的所述目标部位的目标区域历史图像数据得到的;
所述第三特征样本为基于所述预设对象的历史相关信息得到的。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,电子设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理。例如,在一些实施例中,上文所描述的各个方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM803并由计算单元801执行时,可以执行上文所描述的各个方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上文所描述的各个方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种数据处理方法,包括:
获取针对目标对象的目标部位的多个原始数据;所述多个原始数据中不同的原始数据为从不同设备获取的;
基于所述多个原始数据中的第一类原始数据得到第一特征,基于所述多个原始数据中的第二类原始数据得到第二特征;
基于所述第一特征、所述第二特征以及第三特征,确定针对所述目标对象的目标部位的诊断结果;所述第三特征为基于所述目标对象的历史相关信息得到的。
2.根据权利要求1所述的方法,其中,所述基于所述多个原始数据中的第一类原始数据得到第一特征,包括:
从所述多个原始数据中,获取所述目标部位的目标区域扫描结果,以及获取所述目标部位的功能检测结果;
将所述目标区域扫描结果以及所述功能检测结果,作为所述第一类原始数据;
基于所述第一类原始数据中的所述目标区域扫描结果,确定多个子区域的相关指标值,基于所述第一类原始数据中的所述功能检测结果,确定所述目标部位的多维度功能指标值;其中,所述多个子区域包含在所述目标区域内;
基于所述多个子区域的相关指标值、所述目标部位的多维度功能指标值,确定所述第一特征。
3.根据权利要求1所述的方法,其中,所述基于所述多个原始数据中的第二类原始数据,得到第二特征,包括:
从所述多个原始数据中,获取所述目标部位中的目标区域图像数据,将所述目标区域图像数据作为所述第二类原始数据;
将所述第二类原始数据输入第二模型,得到所述第二模型输出的图像特征,将所述图像特征作为所述第二特征。
4.根据权利要求1所述的方法,还包括:
从所述目标对象的历史相关信息中,提取目标字段;基于所述目标字段,确定所述第三特征。
5.根据权利要求1-4任一项所述的方法,其中,所述基于所述第一特征、所述第二特征以及第三特征,确定针对所述目标对象的目标部位的诊断结果,包括:
基于所述第一特征、所述第二特征以及所述第三特征,生成输入信息;
将所述输入信息输入第一模型,得到所述第一模型的输出信息;
基于所述输出信息中包含的分类结果,确定所述针对所述目标对象的目标部位的诊断结果。
6.根据权利要求5所述的方法,还包括:
采用训练样本对第一预设模型进行训练,得到训练后的所述第一模型;所述训练样本包含:第一特征样本、第二特征样本、第三特征样本,以及预设对象的历史诊断结果;
其中,所述第一特征样本为基于所述预设对象的所述目标部位的目标区域历史扫描结果、以及所述预设对象的所述目标部位的功能历史检测结果得到的;
所述第二特征样本为基于所述预设对象的所述目标部位的目标区域历史图像数据得到的;
所述第三特征样本为基于所述预设对象的历史相关信息得到的。
7.一种数据处理装置,包括:
数据获取模块,用于获取针对目标对象的目标部位的多个原始数据;所述多个原始数据中不同的原始数据为从不同设备获取的;
特征提取模块,用于基于所述多个原始数据中的第一类原始数据得到第一特征,基于所述多个原始数据中的第二类原始数据得到第二特征;
处理模块,用于基于所述第一特征、所述第二特征以及第三特征,确定针对所述目标对象的目标部位的诊断结果;所述第三特征为基于所述目标对象的历史相关信息得到的。
8.根据权利要求7所述的装置,其中,所述特征提取模块,用于从所述多个原始数据中,获取所述目标部位的目标区域扫描结果,以及获取所述目标部位的功能检测结果;将所述目标区域扫描结果以及所述功能检测结果,作为所述第一类原始数据;基于所述第一类原始数据中的所述目标区域扫描结果,确定多个子区域的相关指标值,基于所述第一类原始数据中的所述功能检测结果,确定所述目标部位的多维度功能指标值;其中,所述多个子区域包含在所述目标区域内;基于所述多个子区域的相关指标值、所述目标部位的多维度功能指标值,确定所述第一特征。
9.根据权利要求7所述的装置,其中,所述特征提取模块,用于从所述多个原始数据中,获取所述目标部位中的目标区域图像数据,将所述目标区域图像数据作为所述第二类原始数据;将所述第二类原始数据输入第二模型,得到所述第二模型输出的图像特征,将所述图像特征作为所述第二特征。
10.根据权利要求7所述的装置,其中,所述特征提取模块,用于从所述目标对象的历史相关信息中,提取目标字段;基于所述目标字段,确定所述第三特征。
11.根据权利要求7-10任一项所述的装置,其中,所述处理模块,用于基于所述第一特征、所述第二特征以及所述第三特征,生成输入信息;将所述输入信息输入第一模型,得到所述第一模型的输出信息;基于所述输出信息中包含的分类结果,确定所述针对所述目标对象的目标部位的诊断结果。
12.根据权利要求11所述的装置,还包括:
模型训练模块,用于采用训练样本对第一预设模型进行训练,得到训练后的所述第一模型;所述训练样本包含:第一特征样本、第二特征样本、第三特征样本,以及预设对象的历史诊断结果;
其中,所述第一特征样本为基于所述预设对象的所述目标部位的目标区域历史扫描结果、以及所述预设对象的所述目标部位的功能历史检测结果得到的;
所述第二特征样本为基于所述预设对象的所述目标部位的目标区域历史图像数据得到的;
所述第三特征样本为基于所述预设对象的历史相关信息得到的。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210176643.6A CN114582491A (zh) | 2022-02-25 | 2022-02-25 | 数据处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210176643.6A CN114582491A (zh) | 2022-02-25 | 2022-02-25 | 数据处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114582491A true CN114582491A (zh) | 2022-06-03 |
Family
ID=81770521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210176643.6A Pending CN114582491A (zh) | 2022-02-25 | 2022-02-25 | 数据处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114582491A (zh) |
-
2022
- 2022-02-25 CN CN202210176643.6A patent/CN114582491A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11636601B2 (en) | Processing fundus images using machine learning models | |
US9870634B2 (en) | Systems and methods for controlling user repeatability and reproducibility of automated image annotation correction | |
JP6450053B2 (ja) | 3dバッチ正規化を伴う三次元(3d)畳み込み | |
EP3659067B1 (en) | Method of modifying a retina fundus image for a deep learning model | |
US11848098B2 (en) | Identifying anomalous brain data | |
CN109816666B (zh) | 对称全卷积神经网络模型构建方法、眼底图像血管分割方法、装置、计算机设备及存储介质 | |
WO2022160676A1 (zh) | 热力图生成模型的训练方法、装置、电子设备和存储介质 | |
WO2020042405A1 (zh) | 一种眼底图像定量分析的前置处理方法及存储设备 | |
US11823385B2 (en) | Processing fundus images using machine learning models to generate blood-related predictions | |
US20230307135A1 (en) | Automated screening for diabetic retinopathy severity using color fundus image data | |
WO2021120753A1 (zh) | 脉络膜血管的管腔区域识别方法、装置、设备及介质 | |
Hassan et al. | Deep learning based automated extraction of intra-retinal layers for analyzing retinal abnormalities | |
Hwang et al. | Smartphone-based diabetic macula edema screening with an offline artificial intelligence | |
CN114582491A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN115984613A (zh) | 一种眼底图像分类方法、装置、设备和存储介质 | |
CN115631152A (zh) | 超声图像截取方法及装置、电子设备和存储介质 | |
Datta et al. | An improved method for automated identification of hard exudates in diabetic retinopathy disease | |
US20210279891A1 (en) | Detecting subject motion in medical imaging | |
CN112734701A (zh) | 眼底病灶检测方法、检测装置及终端设备 | |
CN113012180B (zh) | 图像的成像设备确定方法、装置、设备及存储介质 | |
Foeady et al. | Diabetic Retinopathy: Identification and Classification using Different Kernel on Support Vector Machine | |
CN113989215B (zh) | 图像处理方法、装置、设备和存储介质 | |
WO2024035970A1 (en) | Machine learning enabled localization of foveal center in spectral domain optical coherence tomography volume scans | |
WO2023137904A1 (zh) | 基于眼底图像的病变检测方法、装置、设备及存储介质 | |
CN117876839A (zh) | 神经网络的训练方法、利用神经网络进行图像处理的方法 |
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 |