CN114927220A - 一种脊髓型颈椎病和帕金森病的鉴别诊断系统 - Google Patents
一种脊髓型颈椎病和帕金森病的鉴别诊断系统 Download PDFInfo
- Publication number
- CN114927220A CN114927220A CN202210610322.2A CN202210610322A CN114927220A CN 114927220 A CN114927220 A CN 114927220A CN 202210610322 A CN202210610322 A CN 202210610322A CN 114927220 A CN114927220 A CN 114927220A
- Authority
- CN
- China
- Prior art keywords
- data
- parkinson
- disease
- differential diagnosis
- cervical
- 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
- 208000018737 Parkinson disease Diseases 0.000 title claims abstract description 83
- 238000003748 differential diagnosis Methods 0.000 title claims abstract description 57
- 206010028570 Myelopathy Diseases 0.000 title claims abstract description 44
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 39
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 206010041591 Spinal osteoarthritis Diseases 0.000 claims abstract description 8
- 208000036319 cervical spondylosis Diseases 0.000 claims abstract description 8
- 208000005801 spondylosis Diseases 0.000 claims abstract description 8
- 208000034869 Cervical myelopathy Diseases 0.000 claims description 25
- 230000033001 locomotion Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 15
- 238000005481 NMR spectroscopy Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 230000005021 gait Effects 0.000 claims description 12
- 210000003141 lower extremity Anatomy 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 8
- 230000003287 optical effect Effects 0.000 claims description 6
- 210000000544 articulatio talocruralis Anatomy 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 210000004394 hip joint Anatomy 0.000 claims description 4
- 210000000629 knee joint Anatomy 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000004931 aggregating effect Effects 0.000 abstract 1
- 238000010801 machine learning Methods 0.000 description 7
- 238000000034 method Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 206010044565 Tremor Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000015122 neurodegenerative disease Diseases 0.000 description 2
- 208000012639 Balance disease Diseases 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 208000003618 Intervertebral Disc Displacement Diseases 0.000 description 1
- 206010061246 Intervertebral disc degeneration Diseases 0.000 description 1
- 206010050296 Intervertebral disc protrusion Diseases 0.000 description 1
- 208000002740 Muscle Rigidity Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000019669 cervical disc degenerative disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000001144 postural effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 201000005671 spondyloarthropathy Diseases 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及医学图像处理技术领域，公开了一种脊髓型颈椎病和帕金森病的鉴别诊断系统，包括：数据获取模块，用于获取待诊断对象的多模态数据；数据预处理模块，用于对每种模态的数据分别进行预处理操作；鉴别诊断模块，用于将预处理的数据输入脊髓型颈椎病和帕金森病鉴别诊断模型；其中，脊髓型颈椎病和帕金森病鉴别诊断模型包括依次连接的特征提取模块和分类器，特征提取模块由多层深度卷积神经网络组成，每一层的深度卷积神经网络输入一种模态数据，进行特征提取，所有层的深度卷积神经网络输出的特征向量进行特征融合后，共同输入分类器输出预测结果。通过聚合多源数据的信息，能够准确鉴别脊髓型颈椎病和帕金森病。
Description
技术领域
本发明涉及医学图像处理技术领域，特别是涉及一种脊髓型颈椎病和帕金森病的鉴别诊断系统。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
脊髓型颈椎病(Cervical Spondylotic Myelopathy，CSM)是一种颈椎间盘退行改变引起的颈椎退变性疾病，它是最严重的颈椎病类型，好发于中老年人。患者往往表现为上肢无力、行走不稳，有时会出现四肢麻木，胸腹部产生束带感。帕金森病(Parkinson'sDisease，PD)是一种常见的中老年人神经系统变性疾病，其症状表现为震颤、强直、运动障碍及姿势平衡障碍，进展缓慢，典型病例诊断不难。但帕金森病中约15％在整个病程中从不发生震颤，与脊髓型颈椎病好发年龄相同，早期症状相似，且帕金森病影像学检测中往往伴有颈椎退变问题，给诊断带来困难。
单纯通过临床体征和影像学技术无法将两者进行区分，容易发生误诊延误治疗时机。如脊髓型颈椎病患者早期手术减压效果良好，但帕金森病引起的症状不太可能通过手术得到改善，需要药物治疗，且接受脊柱手术的帕金森病患者出现并发症和再次手术的几率很高。现有系统均无法有效地鉴别患者是否单独患有脊髓型颈椎病、帕金森病或同时患有两种疾病这三种情况。
发明内容
为了解决现有技术的不足，本发明提供了一种脊髓型颈椎病和帕金森病的鉴别诊断系统，采用多模态数据，聚合多源数据的信息，使得脊髓型颈椎病和帕金森病鉴别诊断模型学习到的表示更加完备，能够准确鉴别脊髓型颈椎病和帕金森病。
第一方面，本发明提供了一种脊髓型颈椎病和帕金森病的鉴别诊断系统；
一种脊髓型颈椎病和帕金森病的鉴别诊断系统，包括：
数据获取模块，用于获取待诊断对象的多模态数据；
数据预处理模块，用于对每种模态的数据分别进行预处理操作；
鉴别诊断模块，用于将预处理的数据输入脊髓型颈椎病和帕金森病鉴别诊断模型，鉴别出待诊断对象是否患有脊髓型颈椎病或者帕金森病；
其中，脊髓型颈椎病和帕金森病鉴别诊断模型包括依次连接的特征提取模块和分类器，特征提取模块由多层深度卷积神经网络组成，每一层的深度卷积神经网络输入一种模态数据，进行特征提取，所有层的深度卷积神经网络输出的特征向量进行特征融合后，共同输入分类器输出预测结果。
进一步地，所述多模态数据包括颈部核磁共振图像数据和人体步态时间序列数据。
进一步地，所述数据获取模块与传感器模块连接；
所述传感器模块为光学传感器模块或惯性传感器模块，用于获取运动状态数据；
所述数据获取模块，用于接收运动状态数据后，计算每个时刻的下肢运动数据，将待诊断对象在若干个连续时刻的下肢运动数据组成所述人体步态时间序列数据。
进一步地，所述下肢运动数据包括左右两侧踝关节、膝关节以及髋关节在矢状面、冠状面以及水平面的关节角度、关节角速度和关节角加速度
进一步地，所述数据获取模块与医生终端连接；
所述医生终端内存储有从医院信息系统中获取的待诊断对象的初始颈部核磁共振图像；
所述医生终端，响应于用户选取的感兴趣区域，在初始颈部核磁共振图像截取出感兴趣区域，作为待诊断对象的所述颈部核磁共振图像数据。
进一步地，所述预处理操作为对每种模态的数据进行归一化操作后，输入变分自编码器。
进一步地，每一层的深度卷积神经网络均包括卷积层、池化层、批标准化层和激活函数。
进一步地，还包括模型训练模块，其被配置为：
将经过数据预处理模块的已知鉴别结果的对象的多模态数据，划分为训练集和验证测试集；
随机初始化脊髓型颈椎病和帕金森病鉴别诊断模型的参数，基于训练集，通过前向传播获取预测鉴别结果，并与真实鉴别结果进行误差计算后，通过梯度下降反向传播更新参数，多次迭代不断调整参数；
基于验证测试集，计算脊髓型颈椎病和帕金森病鉴别诊断模型预测的准确率，使用反向传播的梯度下降算法，对参数进行不断更新优化，直到准确率达到预设范围且不再增加。
第二方面，本发明还提供了一种电子设备，包括：
存储器，用于非暂时性存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行以下步骤：
获取待诊断对象的多模态数据；
对每种模态的数据分别进行预处理操作；
将预处理的数据输入脊髓型颈椎病和帕金森病鉴别诊断模型，鉴别出待诊断对象是否患有脊髓型颈椎病或者帕金森病；
其中，脊髓型颈椎病和帕金森病鉴别诊断模型包括依次连接的特征提取模块和分类器，特征提取模块由多层深度卷积神经网络组成，每一层的深度卷积神经网络输入一种模态数据，进行特征提取，所有层的深度卷积神经网络输出的特征向量进行特征融合后，共同输入分类器输出预测结果。
第三方面，本发明还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行以下步骤：
获取待诊断对象的多模态数据；
对每种模态的数据分别进行预处理操作；
将预处理的数据输入脊髓型颈椎病和帕金森病鉴别诊断模型，鉴别出待诊断对象是否患有脊髓型颈椎病或者帕金森病；
其中，脊髓型颈椎病和帕金森病鉴别诊断模型包括依次连接的特征提取模块和分类器，特征提取模块由多层深度卷积神经网络组成，每一层的深度卷积神经网络输入一种模态数据，进行特征提取，所有层的深度卷积神经网络输出的特征向量进行特征融合后，共同输入分类器输出预测结果。
与现有技术相比，本发明的有益效果是：
本发明的一种脊髓型颈椎病和帕金森病的鉴别诊断系统，其采用多模态数据，鉴别脊髓型颈椎病和帕金森病，通过多模态学习，可以聚合多源数据的信息，使得模型学习到的表示更加完备，进一步确定患者所患疾病，具有更高的准确率。
本发明的一种脊髓型颈椎病和帕金森病的鉴别诊断系统，其考虑在临床实践过程中脊髓型颈椎病和帕金森病两种病症好发年龄相同，部分早期症状相似，容易产生误诊情况，构建脊髓型颈椎病和帕金森病鉴别诊断模型对患者进行预测分类，通过三分类预测模型进一步确定患者所患疾病，为临床医生的诊断提供了参考，减少误诊可能性，有助于患者及时得到有效治疗。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为实施例一的一种脊髓型颈椎病和帕金森病的鉴别诊断系统结构图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。
实施例一
本实施例提供了一种脊髓型颈椎病和帕金森病的鉴别诊断系统；
如图1所示，一种脊髓型颈椎病和帕金森病的鉴别诊断系统，包括：依次连接的数据获取模块、数据预处理模块和鉴别诊断模块，以及与鉴别诊断模块连接的模型训练模块。
数据获取模块，用于获取待诊断对象的多模态数据。
本实施例中，待诊断对象均为患者，分为单独患有脊髓型颈椎病患者、单独患有帕金森病患者和同时患有脊髓型颈椎病和帕金森病患者。
其中，多模态数据包括颈部核磁共振图像(Magnetic Resonance Imaging，MRI)数据和人体步态时间序列数据。数据获取模块分别与医生终端和传感器模块连接。
传感器模块为光学传感器模块或惯性传感器模块。
光学传感器模块包括动作捕捉系统和光学标识物。动作捕捉系统包括多个摄像头，用于对关节处粘贴标识物的待诊断对象进行运动数据采集；进行运动数据采集时，待诊断对象身身穿紧身衣，在身上粘贴若干个反光点，数据获取模块通过摄像头接收运动状态数据后，计算每个时刻的下肢运动数据，将待诊断对象在若干个连续时刻的下肢运动数据组成人体步态时间序列数据。其中，下肢运动数据包括左右两侧踝关节、膝关节以及髋关节在矢状面、冠状面以及水平面的关节角度、关节角速度和关节角加速度。
惯性传感器模块包括若干个惯性传感器，惯性传感器用于固定在待诊断对象身体表面，获取待诊断对象在若干个连续时刻的运动状态数据，并通过wifi技术传输至数据获取模块，数据获取模块用于通过wifi技术接收运动状态数据后，计算每个时刻的下肢运动数据，将待诊断对象在若干个连续时刻的下肢运动数据组成人体步态时间序列数据。其中，下肢运动数据包括左右两侧踝关节、膝关节以及髋关节在矢状面、冠状面以及水平面的关节角度、关节角速度和关节角加速度。
优选的，惯性传感器模块包括16个惯性传感器。
医生终端内存储有从医院信息系统中获取的待诊断对象的初始颈部核磁共振图像，由经验丰富的医生观察初始颈部核磁共振图像中的脊髓及周围组织情况，判断是否有明显切迹、压槽椎间盘突出情况，选取感兴趣区域(Region of Interests，ROIs)，医生终端响应于用户(医生)选取的感兴趣区域，在初始颈部核磁共振图像截取出感兴趣区域，作为待诊断对象的颈部核磁共振图像数据(ROI图像数据)。
数据预处理模块，用于对每种模态的数据(颈部核磁共振图像数据或通过光学传感器或者惯性传感器获得的人体步态时间序列数据)分别进行预处理操作。预处理操作预处理操作为对每种模态的数据进行归一化操作后，输入变分自编码器，具体包括：
(1)对ROI图像数据进行尺度变化操作，统一为固定大小，并对图像进行归一化处理；
(2)对人体步态时间序列数据进行归一化操作；
(3)分别将归一化后的两种模态数据输入变分自编码器(Variational Auto-Encoder，VAE)中，得到预处理后的数据(预处理后的颈部核磁共振图像数据和预处理后的人体步态时间序列数据)。
VAE的编码器获取输入数据(颈部核磁共振图像数据或人体步态时间序列数据)，并输出两个向量，两个向量分别表示输入数据的平均值和标准差；VAE的解码器基于平均值和标准差，重建出输入数据的输出。VAE的生成器能够利用连续潜在空间的矢量产生有意义的输出，通过潜在矢量探索解码器输出的可能属性，生成新的特征作为鉴别诊断模块的输入。
鉴别诊断模块，用于将预处理的数据输入最优的脊髓型颈椎病和帕金森病鉴别诊断模型，鉴别出待诊断对象是否患有脊髓型颈椎病或者帕金森病。
脊髓型颈椎病和帕金森病鉴别诊断模型包括依次连接的由多层深度卷积神经网络(Convolutional Neural Network，CNN)组成的特征提取模块、以及全连接层和softmax激活函数组成的分类器模块或者SVM、随机森林等常用机器学习算法组成的分类器模块。
具体的，特征提取模块的多层深度卷积神经网络为双层深度卷积神经网络模型，每一层的深度卷积神经网络用于输入一种模态数据，进行特征提取，所有层的深度卷积神经网络输出的特征向量进行特征融合后，共同输入分类器模块，分类器模块通过全连接层利用softmax激活函数输出(或通过机器学习算法输出)预测结果(或称为，鉴别结果或分类结果，即待诊断对象是否患有脊髓型颈椎病或者帕金森病)。
每一层的深度卷积神经网络均包括多个卷积层、池化层、批标准化层和激活函数，预处理后的颈部核磁共振图像数据采用Resnet50架构的特征提取部分组成第一层深度卷积神经网络，预处理后的人体步态时间序列数据采用Resnet18架构的特征提取部分组成第二层深度卷积神经网络，对于描述说网络层数和每层的卷积核个数可以根据研究对象进行调节，不是固定不动的，卷积层提取输入数据目标细节的高级特征，通过池化层进行特征降维，减小过拟合，降低特征分辨率。
双层深度卷积神经网络模型输出的两个特征经过concatenate操作后拼接在一起。其可以经过一个256个节点的全连接层，一个128个节点的全连接层，一个64个节点的全连接层，一个3个节点的全连接层，最终通过softmax激活函数输出预测结果；也可以通过SVM、随机森林等常用机器学习模型输出预测结果。
模型训练模块，用于脊髓型颈椎病和帕金森病鉴别诊断模型的训练。具体被配置为：
将经过数据预处理模块的已知鉴别结果的对象的多模态数据，划分为训练集和验证测试集，具体的，获取已知鉴别结果的对象的多模态数据，并经过数据预处理模块，进行预处理和编码后，划分为训练集和验证测试集；
将训练集数据输入脊髓型颈椎病和帕金森病的鉴别诊断模型进行训练，具体的，随机初始化脊髓型颈椎病和帕金森病鉴别诊断模型的参数，基于训练集，通过前向传播获取目标输出(预测鉴别结果)，与真实鉴别结果进行误差计算并通过梯度下降反向传播更新参数，多次迭代不断调整脊髓型颈椎病和帕金森病鉴别诊断模型的参数，使脊髓型颈椎病和帕金森病鉴别诊断模型的损失函数不断减小，其中，损失函数为交叉熵损失函数；
为了验证脊髓型颈椎病和帕金森病鉴别诊断模型性能，在验证测试集上进行测试，测试时，基于验证测试集，计算脊髓型颈椎病和帕金森病鉴别诊断模型预测的准确率，使用反向传播的梯度下降算法，对脊髓型颈椎病和帕金森病鉴别诊断模型的参数进行不断更新优化，脊髓型颈椎病和帕金森病鉴别诊断模型的输出会不断接近真实标签，当验证集的准确率达到预设范围(稳定区域)且不再增加时，脊髓型颈椎病和帕金森病鉴别诊断模型训练即完成；
选取验证测试集的准确率最高的脊髓型颈椎病和帕金森病鉴别诊断模型作为最优模型(即最优的脊髓型颈椎病和帕金森病鉴别诊断模型)，判断待诊断对象是否患有脊髓型颈椎病或者帕金森病或者两种病都患有。
实施例二
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行执行以下步骤：
获取待诊断对象的多模态数据；
对每种模态的数据分别进行预处理操作；
将预处理的数据输入脊髓型颈椎病和帕金森病鉴别诊断模型，鉴别出待诊断对象是否患有脊髓型颈椎病或者帕金森病；
其中，脊髓型颈椎病和帕金森病鉴别诊断模型包括依次连接的多层深度卷积神经网络组成的特征提取模块、以及全连接层和激活函数或者SVM、随机森林等常用机器学习算法组成的分类器模块，每一层的深度卷积神经网络输入一种模态数据，进行特征提取，所有层的深度卷积神经网络输出的特征向量进行特征融合后，共同输入分类器模块，通过全连接层利用softmax激活函数输出或通过机器学习算法输出预测结果。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
实施例三
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，执行以下步骤：
获取待诊断对象的多模态数据；
对每种模态的数据分别进行预处理操作；
将预处理的数据输入脊髓型颈椎病和帕金森病鉴别诊断模型，鉴别出待诊断对象是否患有脊髓型颈椎病或者帕金森病；
其中，脊髓型颈椎病和帕金森病鉴别诊断模型包括依次连接的多层深度卷积神经网络组成的特征提取模块、全连接层和激活函数或者SVM、随机森林等常用机器学习算法组成的分类器模块，每一层的深度卷积神经网络输入一种模态数据，进行特征提取，所有层的深度卷积神经网络输出的特征向量进行特征融合后，共同输入分类器模块，通过全连接层利用softmax激活函数输出或通过机器学习算法输出预测结果。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种脊髓型颈椎病和帕金森病的鉴别诊断系统，其特征是，包括：
数据获取模块，用于获取待诊断对象的多模态数据；
数据预处理模块，用于对每种模态的数据分别进行预处理操作；
鉴别诊断模块，用于将预处理的数据输入脊髓型颈椎病和帕金森病鉴别诊断模型，鉴别出待诊断对象是否患有脊髓型颈椎病或者帕金森病；
其中，脊髓型颈椎病和帕金森病鉴别诊断模型包括依次连接的特征提取模块和分类器，特征提取模块由多层深度卷积神经网络组成，每一层的深度卷积神经网络输入一种模态数据，进行特征提取，所有层的深度卷积神经网络输出的特征向量进行特征融合后，共同输入分类器输出预测结果。
2.如权利要求1所述的一种脊髓型颈椎病和帕金森病的鉴别诊断系统，其特征是，所述多模态数据包括颈部核磁共振图像数据和人体步态时间序列数据。
3.如权利要求2所述的一种脊髓型颈椎病和帕金森病的鉴别诊断系统，其特征是，所述数据获取模块与传感器模块连接；
传感器模块分为光学传感器模块和惯性传感器模块，用于获取运动状态数据；
所述数据获取模块，用于接收运动状态数据后，计算每个时刻的下肢运动数据，将待诊断对象在若干个连续时刻的下肢运动数据组成所述人体步态时间序列数据。
4.如权利要求3所述的一种脊髓型颈椎病和帕金森病的鉴别诊断系统，其特征是，所述下肢运动数据包括左右两侧踝关节、膝关节以及髋关节在矢状面、冠状面以及水平面的关节角度、关节角速度和关节角加速度。
5.如权利要求2所述的一种脊髓型颈椎病和帕金森病的鉴别诊断系统，其特征是，所述数据获取模块与医生终端连接；
所述医生终端内存储有从医院信息系统中获取的待诊断对象的初始颈部核磁共振图像；
所述医生终端，响应于用户选取的感兴趣区域，在初始颈部核磁共振图像截取出感兴趣区域，作为待诊断对象的所述颈部核磁共振图像数据。
6.如权利要求1所述的一种脊髓型颈椎病和帕金森病的鉴别诊断系统，其特征是，所述预处理操作为对每种模态的数据进行归一化操作后，输入变分自编码器。
7.如权利要求1所述的一种脊髓型颈椎病和帕金森病的鉴别诊断系统，其特征是，每一层的深度卷积神经网络均包括卷积层、池化层、批标准化层和激活函数。
8.如权利要求1所述的一种脊髓型颈椎病和帕金森病的鉴别诊断系统，其特征是，还包括模型训练模块，其被配置为：
将经过数据预处理模块的已知鉴别结果的对象的多模态数据，划分为训练集和验证测试集；
随机初始化脊髓型颈椎病和帕金森病鉴别诊断模型的参数，基于训练集，通过前向传播获取预测鉴别结果，并与真实鉴别结果进行误差计算后，通过梯度下降反向传播更新参数，多次迭代不断调整参数；
基于验证测试集，计算脊髓型颈椎病和帕金森病鉴别诊断模型预测的准确率，使用反向传播的梯度下降算法，对参数进行不断更新优化，直到准确率达到预设范围且不再增加。
9.一种电子设备，其特征是，包括：
存储器，用于非暂时性存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行以下步骤：
获取待诊断对象的多模态数据；
对每种模态的数据分别进行预处理操作；
将预处理的数据输入脊髓型颈椎病和帕金森病鉴别诊断模型，鉴别出待诊断对象是否患有脊髓型颈椎病或者帕金森病；
其中，脊髓型颈椎病和帕金森病鉴别诊断模型包括依次连接的特征提取模块和分类器，特征提取模块由多层深度卷积神经网络组成，每一层的深度卷积神经网络输入一种模态数据，进行特征提取，所有层的深度卷积神经网络输出的特征向量进行特征融合后，共同输入分类器输出预测结果。
10.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行以下步骤：
获取待诊断对象的多模态数据；
对每种模态的数据分别进行预处理操作；
将预处理的数据输入脊髓型颈椎病和帕金森病鉴别诊断模型，鉴别出待诊断对象是否患有脊髓型颈椎病或者帕金森病；
其中，脊髓型颈椎病和帕金森病鉴别诊断模型包括依次连接的特征提取模块和分类器，特征提取模块由多层深度卷积神经网络组成，每一层的深度卷积神经网络输入一种模态数据，进行特征提取，所有层的深度卷积神经网络输出的特征向量进行特征融合后，共同输入分类器输出预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210610322.2A CN114927220A (zh) | 2022-05-31 | 2022-05-31 | 一种脊髓型颈椎病和帕金森病的鉴别诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210610322.2A CN114927220A (zh) | 2022-05-31 | 2022-05-31 | 一种脊髓型颈椎病和帕金森病的鉴别诊断系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114927220A true CN114927220A (zh) | 2022-08-19 |
Family
ID=82812447
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210610322.2A Pending CN114927220A (zh) | 2022-05-31 | 2022-05-31 | 一种脊髓型颈椎病和帕金森病的鉴别诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114927220A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116504393A (zh) * | 2023-06-09 | 2023-07-28 | 山东大学 | 基于多模态数据的脊髓型颈椎病运动功能辅助评估系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961215A (zh) * | 2018-06-05 | 2018-12-07 | 上海大学 | 基于多模态医学影像的帕金森病辅助诊断系统和方法 |
| CN109344882A (zh) * | 2018-09-12 | 2019-02-15 | 浙江科技学院 | 基于卷积神经网络的机器人控制目标位姿识别方法 |
| CN109858625A (zh) * | 2019-02-01 | 2019-06-07 | 北京奇艺世纪科技有限公司 | 模型训练方法与设备、预测方法与设备、数据处理设备、介质 |
| CN110739070A (zh) * | 2019-09-26 | 2020-01-31 | 南京工业大学 | 一种基于3d卷积神经网络的脑疾病诊断方法 |
| CN111191835A (zh) * | 2019-12-27 | 2020-05-22 | 国网辽宁省电力有限公司阜新供电公司 | 基于c-gan迁移学习的ies不完备数据负荷预测方法及系统 |
| CN111245667A (zh) * | 2018-11-28 | 2020-06-05 | 中国移动通信集团浙江有限公司 | 网络业务识别方法及装置 |
| CN111967502A (zh) * | 2020-07-23 | 2020-11-20 | 电子科技大学 | 一种基于条件变分自编码器的网络入侵检测方法 |
| CN112562852A (zh) * | 2020-12-30 | 2021-03-26 | 广东省人民医院 | 基于肢体动作的颈椎病筛查装置 |
| CN113850013A (zh) * | 2021-07-09 | 2021-12-28 | 西北工业大学 | 一种舰船辐射噪声分类方法 |
-
2022
- 2022-05-31 CN CN202210610322.2A patent/CN114927220A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961215A (zh) * | 2018-06-05 | 2018-12-07 | 上海大学 | 基于多模态医学影像的帕金森病辅助诊断系统和方法 |
| CN109344882A (zh) * | 2018-09-12 | 2019-02-15 | 浙江科技学院 | 基于卷积神经网络的机器人控制目标位姿识别方法 |
| CN111245667A (zh) * | 2018-11-28 | 2020-06-05 | 中国移动通信集团浙江有限公司 | 网络业务识别方法及装置 |
| CN109858625A (zh) * | 2019-02-01 | 2019-06-07 | 北京奇艺世纪科技有限公司 | 模型训练方法与设备、预测方法与设备、数据处理设备、介质 |
| CN110739070A (zh) * | 2019-09-26 | 2020-01-31 | 南京工业大学 | 一种基于3d卷积神经网络的脑疾病诊断方法 |
| CN111191835A (zh) * | 2019-12-27 | 2020-05-22 | 国网辽宁省电力有限公司阜新供电公司 | 基于c-gan迁移学习的ies不完备数据负荷预测方法及系统 |
| CN111967502A (zh) * | 2020-07-23 | 2020-11-20 | 电子科技大学 | 一种基于条件变分自编码器的网络入侵检测方法 |
| CN112562852A (zh) * | 2020-12-30 | 2021-03-26 | 广东省人民医院 | 基于肢体动作的颈椎病筛查装置 |
| CN113850013A (zh) * | 2021-07-09 | 2021-12-28 | 西北工业大学 | 一种舰船辐射噪声分类方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116504393A (zh) * | 2023-06-09 | 2023-07-28 | 山东大学 | 基于多模态数据的脊髓型颈椎病运动功能辅助评估系统 |
| CN116504393B (zh) * | 2023-06-09 | 2024-04-26 | 山东大学 | 基于多模态数据的脊髓型颈椎病运动功能辅助评估系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102243830B1 (ko) | 통합 의료 진단 서비스 제공 시스템 및 그 방법 | |
| US12033316B2 (en) | Systems and methods of measuring the body based on image analysis | |
| Kassem et al. | Explainable Transfer Learning‐Based Deep Learning Model for Pelvis Fracture Detection | |
| CN111862020B (zh) | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 | |
| CN113284126B (zh) | 人工神经网络图像分析预测脑积水分流手术疗效的方法 | |
| US12056890B2 (en) | Method for measuring volume of organ by using artificial neural network, and apparatus therefor | |
| Andrew et al. | Spine magnetic resonance image segmentation using deep learning techniques | |
| EP3716100A1 (en) | Classification device, classification method, program, and information recording medium | |
| Kao et al. | Classifying temporomandibular disorder with artificial intelligent architecture using magnetic resonance imaging | |
| CN114927220A (zh) | 一种脊髓型颈椎病和帕金森病的鉴别诊断系统 | |
| US20120296194A1 (en) | Method and system for determining a condition of a brain | |
| Li et al. | AMD-Net: Automatic subretinal fluid and hemorrhage segmentation for wet age-related macular degeneration in ocular fundus images | |
| Kolařík et al. | 3D Dense-U-Net for MRI brain tissue segmentation | |
| KR102103281B1 (ko) | 뇌혈관 질환의 진단을 위한 ａｉ 기반의 보조 진단 시스템 | |
| Patel et al. | Glaucoma detection using mask region-based convolutional neural networks | |
| CN113223699B (zh) | 构建腰椎骨量减少和骨质疏松筛查模型的方法和系统 | |
| CN114743664A (zh) | 基于步态分析和确定学习的脊髓型颈椎病辅助诊断系统 | |
| Meshram et al. | MCBM: Implementation Of Multiclass And Transfer Learning Algorithm Based On Deep Learning Model For Early Detection Of Diabetic Retinopathy | |
| Zhong et al. | CeCNN: Copula-enhanced convolutional neural networks in joint prediction of refraction error and axial length based on ultra-widefield fundus images | |
| KR102639267B1 (ko) | 딥러닝을 이용한 진행성 핵상 마비를 판단하는 방법 및 장치 | |
| Frasca et al. | Combining convolution neural networks with long‐short term memory layers to predict Parkinson's disease progression | |
| GB2491027A (en) | A method and system for determining a condition of a brain | |
| Vakalopoulou et al. | Deep patch-based priors under a fully convolutional encoder-decoder architecture for interstitial lung disease segmentation | |
| TWI854326B (zh) | 半月板破裂輔助判斷程式之建立方法、半月板破裂輔助判斷系統和半月板破裂輔助判斷方法 | |
| KR102658995B1 (ko) | 인공지능 기술기반 수부 동작 학습 시스템 및 방법, 그리고 인공지능 모델을 이용한 질병 예측 시스템 및 방법 |
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 |