CN115115620A - 一种基于深度学习的肺炎病变模拟方法及系统 - Google Patents

一种基于深度学习的肺炎病变模拟方法及系统 Download PDF

Info

Publication number
CN115115620A
CN115115620A CN202211012475.3A CN202211012475A CN115115620A CN 115115620 A CN115115620 A CN 115115620A CN 202211012475 A CN202211012475 A CN 202211012475A CN 115115620 A CN115115620 A CN 115115620A
Authority
CN
China
Prior art keywords
image
lesion
simulation
pneumonia
lung
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211012475.3A
Other languages
English (en)
Other versions
CN115115620B (zh
Inventor
李芳芳
阚红星
马春
束建华
殷云霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University of Traditional Chinese Medicine AHUTCM
Original Assignee
Anhui University of Traditional Chinese Medicine AHUTCM
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui University of Traditional Chinese Medicine AHUTCM filed Critical Anhui University of Traditional Chinese Medicine AHUTCM
Priority to CN202211012475.3A priority Critical patent/CN115115620B/zh
Publication of CN115115620A publication Critical patent/CN115115620A/zh
Application granted granted Critical
Publication of CN115115620B publication Critical patent/CN115115620B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/30061—Lung
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于深度学习的肺炎病变模拟方法及系统。通过获取病人基础CT肺部图像，将肺部图像进行健康图像模拟处理，得到初始健康模拟肺部图像，通过构建肺部肺炎病例图像数据库，从肺炎病例图像数据库中获取历史已有的肺部病变图像集，将图像集导入基于深度学习的肺炎变化模型中进行图像训练，得到肺炎病变过程参数。将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型进行病变模拟得到病变模拟图像集，通过病人真实CT肺部图像与病变模拟图像集进行数据对比与分析，得到肺炎情况参考信息，从而辅助医生判断病人的肺炎情况。通过本发明能够辅助医生对病人肺部图像进行综合分析，提高医生工作效率，降低误诊率。

Description

一种基于深度学习的肺炎病变模拟方法及系统
技术领域
本发明涉及深度学习领域，更具体的，涉及一种基于深度学习的肺炎病变模拟方法及系统。
背景技术
当前的肺炎的发病率很高，约占总人群的12%。预计我国每年有250万社区获得性肺炎（CAP）患者，其中，超过12万人死于社区获得性肺炎。且因社会人口老龄化、免疫受损宿主增加、病原体变迁、病原学诊断困难、不合理使用抗生素导致细菌耐药性增加等原因，近年来肺炎的发病率也有增加的趋势。
随着发病率的增加，肺炎的看诊也越来越多。而在进行肺炎检查时，如果单靠医生来检查病人的CT肺部图片，过程费时费力，在病人较多的情况下，对医生也是一种极大的考验，所以现在亟需一种能够辅助医生对肺炎病人的CT图像作出病变判断的方法，以提高医生看诊效率。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种基于深度学习的肺炎病变模拟方法及系统。
本发明第一方面提供了一种基于深度学习的肺炎病变模拟方法，包括：
获取初始CT肺部图像，将初始CT肺部图像进行图像预处理得到基础肺部图像；
搭建基于深度学习的肺部健康模拟模型，将基础肺部图像进行图像关键数据提取与图像数据模拟，得到初始健康模拟肺部图像；
将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集；
将病变模拟图像集进图像拆分，并按预设方式在预设终端设备中进行展示。
本方案中，所述获取初始CT肺部图像，将初始CT肺部图像进行图像预处理得到基础肺部图像，具体为：
获取目标对象初始CT肺部图像，将初始CT肺部图像进行数据格式转化处理，得到统一格式的肺部图像；
将统一格式的肺部图像进行图像平滑、降噪处理，得到高质量的基础肺部图像。
本方案中，所述搭建基于深度学习的肺部健康模拟模型，将基础肺部图像进行图像关键数据提取与图像数据模拟，得到初始健康模拟肺部图像，具体为：将基础肺部图像进行图像轮廓锐化处理，得到锐化后的基础肺部图像；
将锐化后的基础肺部图像进行图像轮廓特征提取，得到肺部大小信息与轮廓信息；
将肺部大小与轮廓信息进行图像数据模拟分析，并生成初始健康模拟肺部图像。
本方案中，所述将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集，之前包括：
从肺炎病例图像数据库中获取已有的历史肺炎病变图像集；
将历史肺炎病变图像集按照预设顺序进行图像数据拆分，得到多个肺炎病变图像子集；
将多个肺炎病变图像子集导入肺炎变化模型进行图像变化分析，根据不同肺炎病变图像子集之间的图像变化，得到肺炎病变过程参数。
本方案中，所述将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集，还包括：
获取目标对象基础情况信息，将目标对象基础情况信息进行数据分析处理，得到目标对象基础数据；
将目标对象基础数据进行肺炎病变影响分析，得到多个病变影响指数，并计算出平均病变影响指数；
根据平均病变影响指数，分析得到肺炎病变过程参数修正信息。
本方案中，所述将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集，还包括：
根据病变过程参数修正信息，将肺炎病变过程参数进行修正；
将初始健康模拟肺部图像与修正后的肺炎病变过程参数导入肺炎变化模型进行病变过程模拟，得到病变模拟图像数据；
将病变模拟图像数据按图像变化程度进行图像数据的划分，得到多个病变模拟图像子集；
将多个病变模拟图像子集进行数据整理得到病变模拟图像集。
本发明第二方面还提供了一种基于深度学习的肺炎病变模拟系统，该系统包括：存储器、处理器，所述存储器中包括基于深度学习的肺炎病变模拟方法程序，所述基于深度学习的肺炎病变模拟方法程序被所述处理器执行时实现如下步骤：
获取初始CT肺部图像，将初始CT肺部图像进行图像预处理得到基础肺部图像；
搭建基于深度学习的肺部健康模拟模型，将基础肺部图像进行图像关键数据提取与图像数据模拟，得到初始健康模拟肺部图像；
将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集；
将病变模拟图像集进图像拆分，并按预设方式在预设终端设备中进行展示。
本方案中，所述获取初始CT肺部图像，将初始CT肺部图像进行图像预处理得到基础肺部图像，具体为：
获取目标对象初始CT肺部图像，将初始CT肺部图像进行数据格式转化处理，得到统一格式的肺部图像；
将统一格式的肺部图像进行图像平滑、降噪处理，得到高质量的基础肺部图像。
本方案中，所述将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集，还包括：
获取目标对象基础情况信息，将目标对象基础情况信息进行数据分析处理，得到目标对象基础数据；
将目标对象基础数据进行肺炎病变影响分析，得到多个病变影响指数，并计算出平均病变影响指数；
根据平均病变影响指数，分析得到肺炎病变过程参数修正信息。
本方案中，所述将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集，还包括：
根据病变过程参数修正信息，将肺炎病变过程参数进行修正；
将初始健康模拟肺部图像与修正后的肺炎病变过程参数导入肺炎变化模型进行病变过程模拟，得到病变模拟图像数据；
将病变模拟图像数据按图像变化程度进行图像数据的划分，得到多个病变模拟图像子集；
将多个病变模拟图像子集进行数据整理得到病变模拟图像集。
本发明公开了一种基于深度学习的肺炎病变模拟方法及系统。通过获取病人基础CT肺部图像，将肺部图像进行健康图像模拟处理，得到初始健康模拟肺部图像，通过构建肺部肺炎病例图像数据库，从肺炎病例图像数据库中获取历史已有的肺部病变图像集，将图像集导入基于深度学习的肺炎变化模型中进行图像训练，得到肺炎病变过程参数。将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型进行病变模拟得到病变模拟图像集，通过病人真实CT肺部图像与病变模拟图像集进行数据对比与分析，得到肺炎情况参考信息，从而辅助医生判断病人的肺炎情况。通过本发明能够辅助医生对病人肺部图像进行综合分析，提高医生工作效率，降低误诊率。
附图说明
图1示出了本发明一种基于深度学习的肺炎病变模拟方法的流程图；
图2示出了本发明初始健康模拟肺部图像获取流程图；
图3示出了本发明病变模拟图像集获取流程图；
图4示出了本发明一种基于深度学习的肺炎病变模拟系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于深度学习的肺炎病变模拟方法的流程图。
如图1所示，本发明第一方面提供了一种基于深度学习的肺炎病变模拟方法，包括：
S102，获取初始CT肺部图像，将初始CT肺部图像进行图像预处理得到基础肺部图像；
S104，搭建基于深度学习的肺部健康模拟模型，将基础肺部图像进行图像关键数据提取与图像数据模拟，得到初始健康模拟肺部图像；
S106，将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集；
S108，将病变模拟图像集进图像拆分，并按预设方式在预设终端设备中进行展示。
需要说明的是，所述预设方式为将病变模拟图像集里的图像按时间顺序发送至预设终端设备，所述预设终端设备包括移动终端设备和计算机终端设备。
根据本发明实施例，所述获取初始CT肺部图像，将初始CT肺部图像进行图像预处理得到基础肺部图像，具体为：
获取目标对象初始CT肺部图像，将初始CT肺部图像进行数据格式转化处理，得到统一格式的肺部图像；
将统一格式的肺部图像进行图像平滑、降噪处理，得到高质量的基础肺部图像。
图2示出了本发明初始健康模拟肺部图像获取流程图。
根据本发明实施例，所述搭建基于深度学习的肺部健康模拟模型，将基础肺部图像进行图像关键数据提取与图像数据模拟，得到初始健康模拟肺部图像，具体为：
S202，将基础肺部图像进行图像轮廓锐化处理，得到锐化后的基础肺部图像；
S204，将锐化后的基础肺部图像进行图像轮廓特征提取，得到肺部大小信息与轮廓信息；
S206，将肺部大小与轮廓信息进行图像数据模拟分析，并生成初始健康模拟肺部图像。
需要说明的是，所述锐化处理能够增强基础肺部图像的肺部轮廓特征，从而得到较为准确的肺部大小信息与轮廓信息。所述关键数据为肺部大小信息与轮廓信息。
根据本发明实施例，所述生成初始健康模拟肺部图像，还包括：
通过基于深度学习的TensorFlow框架搭建肺部健康模拟模型；
在肺炎病例图像数据库与大数据中采集健康肺部图像数据和对应的肺部大小与轮廓信息数据；
将所述图像数据和信息数据作为训练样品导入肺部健康模拟模型进行基于深度学习的图像训练和结果预测评估，并得到预测精度较高的肺部健康模拟模型；
将肺部大小与轮廓信息导入肺部健康模拟模型进行多次图像模拟，得到一组模拟肺部图像；
计算一组模拟肺部图像中每张图像的清晰度，选取清晰度最高的一张模拟肺部图像作为初始健康模拟肺部图像。
根据本发明实施例，所述将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集，之前包括：
从肺炎病例图像数据库中获取已有的历史肺炎病变图像集；
将历史肺炎病变图像集按照预设顺序进行图像数据拆分，得到多个肺炎病变图像子集；
将多个肺炎病变图像子集导入肺炎变化模型进行图像变化分析，根据不同肺炎病变图像子集之间的图像变化，得到肺炎病变过程参数。
需要说明的是，所述预设顺序为肺炎病变图像的时间顺序，所述肺炎病变图像子集包括一张或多张图像。所述得到肺炎病变过程参数中，肺炎变化模型根据多个肺炎病变图像子集分析出对应的主要病变图像特征，将不同的病变图像特征进行数据对比，分析，得到肺炎病变过程参数。所述主要病变图像特征包括图像中颜色深度的变化特征、图像纹理的变化特征、图像中不规则物体的变化特征等。
另外，所述将历史肺炎病变图像集按照预设顺序进行图像数据拆分，得到多个肺炎病变图像子集中，一般为根据时间顺序得到前中后期的肺炎病变图像子集，即三个肺炎病变图像子集。
根据本发明实施例，所述获取已有的历史肺炎病变图像集，具体为：
获取历史肺炎目标对象的基本情况信息；
获取当前目标对象基础情况信息，将目标对象基础情况信息与每个历史目标对象的基本情况信息进行数据对比分析，并得到多个基础情况相似度；
判断基础情况相似度是否大于预设阈值，若大于，则将对应的历史目标对象进行相似标记；
统计有相似标记的历史目标对象，并将所述历史目标对象对应的肺炎病变图像集进行数据汇总，得到历史肺炎病变图像集。
根据本发明实施例，所述得到多个肺炎病变图像子集还包括：
获取肺炎病变图像子集，将所述图像子集按时间顺序进行数据拆分，得到多个肺炎病变图像；
按时间顺序将两个相邻的肺炎病变图像进行图像特征与对比，得到图像之间的相似度；
若相似度大于预设相似度阈值，则将两个相邻的肺炎病变图像进行合并处理，并将合并后的多个肺炎病变图像进行数据整理得到图像合并后的肺炎病变图像子集。
需要说明的是，在一个肺炎病变图像子集中，一般包含多个肺炎病变图像，在一些病变过程不明显的病案中，得到的多个肺炎病变图像一般图像变化也并不明显，图像的相似度较高，图像特征值也较为一致，所以，此时将相似度较高的肺炎病变图像进行合并，可以减少重复相似图像，降低数据冗余度，从而提高后续图像分析识别的效率。
根据本发明实施例，所述将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集，还包括：
获取目标对象基础情况信息，将目标对象基础情况信息进行数据分析处理，得到目标对象基础数据；
将目标对象基础数据进行肺炎病变影响分析，得到多个病变影响指数，并计算出平均病变影响指数；
根据平均病变影响指数，分析得到肺炎病变过程参数修正信息。
需要说明的是，所述目标对象基础情况信息包括目标对象的性别、年龄、烟龄、基础疾病、生活或者工作的空气环境等多个维度的信息，所述信息为影响肺炎病变的主要因素。所述目标对象基础数据为目标对象基础情况信息的具体数值的集合，所述多个病变影响指数为根据目标对象不同维度信息得出的多个影响指数。
图3示出了本发明病变模拟图像集获取流程图。
根据本发明实施例，所述将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集，还包括：
S302，根据病变过程参数修正信息，将肺炎病变过程参数进行修正；
S304，将初始健康模拟肺部图像与修正后的肺炎病变过程参数导入肺炎变化模型进行病变过程模拟，得到病变模拟图像数据；
S306，将病变模拟图像数据按图像变化程度进行图像数据的划分，得到多个病变模拟图像子集；
S308，将多个病变模拟图像子集进行数据整理得到病变模拟图像集。
需要说明的是，所述病变过程参数修正信息为根据目标对象基础情况信息所得到的修正信息，通过参数修正信息，能够为不同的目标对象调整病变模拟过程，得到有针对性的病变模拟图像集。所述病变模拟图像数据为肺部病变模拟过程的全部图像数据。所述将病变模拟图像数据按图像变化程度进行图像数据的划分，得到多个病变模拟图像子集中，一般划分为三个病变模拟图像子集，对应肺炎病变过程的前中后三个病变时期，不同的病变时期对应的图像变化特征也有差异。所述肺炎变化模型为一种基于深度学习的图像变化模型，所述模型能够根据给定的初始图像与过程变化参数进行图像数据计算，分析，并得到变化后的图像结果。
根据本发明实施例，所述得到病变模拟图像集，还包括：
获取病变模拟图像集；
将目标对象基础肺部图像与病变模拟图像集进行对比分析，得到在病变模拟图像集中与目标对象基础肺部图像相似度最高的一张病变模拟图像，将所述病变模拟图像进行标记，得到标记模拟图像；
根据标记模拟图像和病变模拟图像集得到目标对象当前的肺炎病变时期；
获取目标对象的年龄、职业、烟龄、基础疾病、生活环境状况基础信息；
根据所述基础信息，结合目标对象肺炎病变时期，生成目标对象的针对性医嘱方案。
需要说明的是，所述根据标记模拟图像和病变模拟图像集得到目标对象当前的肺炎病变时期，具体为根据标记模拟图像，查找出在病变模拟图像集中对应的病变模拟图像子集，从而获取肺炎病变时期，病变模拟图像子集一般为三个，对应肺炎病变过程的前中后三个病变时期。所述生成目标对象的针对性医嘱方案中，具体为根据肺炎病变时期和目标对象基础信息，综合分析出目标对象的注意事项，从而得到对应的医嘱方案。例如，从目标对象基础情况信息获取到目标对象有多年的吸烟情况，而目标对象的肺炎病变时期为中后期，则建议目标对象减少吸烟或戒烟。
根据本发明实施例，还包括：
获取目标对象的年龄、职业、烟龄、基础疾病、生活环境状况基础信息，根据基础信息作出评价，得到目标对象的基础疾病、环境影响、健康状况三个评价指标；
根据所述评价指标，结合历史临床数据，得到多种肺炎并发症的预测概率；
判断预测概率是否大于预设概率阈值，若大于预设概率阈值，则将对应的肺炎并发症进行标记；
将标记的肺炎并发症进行汇总，得到高概率并发症，根据高概率并发症生成对应的目标对象预护理方案。
需要说明的是。所述肺炎并发症包括咳痰受阻、压疮、呼吸衰竭、病毒性心肌炎、心律失常、心力衰竭、感染性休克等，所述并发症的预测概率与目标对象的基础疾病有关，例如，若目标对象有低血压的基础心血疾病，则目标对象的感染性休克相应预测概率就越大。所述生成对应的目标对象预护理方案中，通过提前生成预护理方案能够减小并发症发生的概率，缓解病人发生并发症时的症状，例如，若目标对象的呼吸衰竭预测概率较高，则对应的目标对象预护理方案包括生命体征的监测与保持目标对象相对舒适的空气环境等。
图4示出了本发明一种基于深度学习的肺炎病变模拟系统的框图。
本发明第二方面还提供了一种基于深度学习的肺炎病变模拟系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于深度学习的肺炎病变模拟方法程序，所述基于深度学习的肺炎病变模拟方法程序被所述处理器执行时实现如下步骤：
获取初始CT肺部图像，将初始CT肺部图像进行图像预处理得到基础肺部图像；
搭建基于深度学习的肺部健康模拟模型，将基础肺部图像进行图像关键数据提取与图像数据模拟，得到初始健康模拟肺部图像；
将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集；
将病变模拟图像集进图像拆分，并按预设方式在预设终端设备中进行展示。
需要说明的是，所述预设方式为将病变模拟图像集里的图像按时间顺序发送至预设终端设备，所述预设终端设备包括移动终端设备和计算机终端设备。
根据本发明实施例，所述获取初始CT肺部图像，将初始CT肺部图像进行图像预处理得到基础肺部图像，具体为：
获取目标对象初始CT肺部图像，将初始CT肺部图像进行数据格式转化处理，得到统一格式的肺部图像；
将统一格式的肺部图像进行图像平滑、降噪处理，得到高质量的基础肺部图像。
根据本发明实施例，所述搭建基于深度学习的肺部健康模拟模型，将基础肺部图像进行图像关键数据提取与图像数据模拟，得到初始健康模拟肺部图像，具体为：
将基础肺部图像进行图像轮廓锐化处理，得到锐化后的基础肺部图像；
将锐化后的基础肺部图像进行图像轮廓特征提取，得到肺部大小信息与轮廓信息；
将肺部大小与轮廓信息进行图像数据模拟分析，并生成初始健康模拟肺部图像。
需要说明的是，所述锐化处理能够增强基础肺部图像的肺部轮廓特征，从而得到较为准确的肺部大小信息与轮廓信息。所述关键数据为肺部大小信息与轮廓信息。
根据本发明实施例，所述将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集，之前包括：
从肺炎病例图像数据库中获取已有的历史肺炎病变图像集；
将历史肺炎病变图像集按照预设顺序进行图像数据拆分，得到多个肺炎病变图像子集；
将多个肺炎病变图像子集导入肺炎变化模型进行图像变化分析，根据不同肺炎病变图像子集之间的图像变化，得到肺炎病变过程参数。
需要说明的是，所述预设顺序为肺炎病变图像的时间顺序，所述肺炎病变图像子集包括一张或多张图像。所述得到肺炎病变过程参数中，肺炎变化模型根据多个肺炎病变图像子集分析出对应的主要病变图像特征，将不同的病变图像特征进行数据对比，分析，得到肺炎病变过程参数。所述主要病变图像特征包括图像中颜色深度的变化特征、图像纹理的变化特征、图像中不规则物体的变化特征等。
另外，所述将历史肺炎病变图像集按照预设顺序进行图像数据拆分，得到多个肺炎病变图像子集中，一般为根据时间顺序得到前中后期的肺炎病变图像子集，即三个肺炎病变图像子集。
根据本发明实施例，所述获取已有的历史肺炎病变图像集，具体为：
获取历史肺炎目标对象的基本情况信息；
获取当前目标对象基础情况信息，将目标对象基础情况信息与每个历史目标对象的基本情况信息进行数据对比分析，并得到多个基础情况相似度；
判断基础情况相似度是否大于预设阈值，若大于，则将对应的历史目标对象进行相似标记；
统计有相似标记的历史目标对象，并将所述历史目标对象对应的肺炎病变图像集进行数据汇总，得到历史肺炎病变图像集。
根据本发明实施例，所述得到多个肺炎病变图像子集还包括：
获取肺炎病变图像子集，将所述图像子集按时间顺序进行数据拆分，得到多个肺炎病变图像；
按时间顺序将两个相邻的肺炎病变图像进行图像特征与对比，得到图像之间的相似度；
若相似度大于预设相似度阈值，则将两个相邻的肺炎病变图像进行合并处理，并将合并后的多个肺炎病变图像进行数据整理得到图像合并后的肺炎病变图像子集。
需要说明的是，在一个肺炎病变图像子集中，一般包含多个肺炎病变图像，在一些病变过程不明显的病案中，得到的多个肺炎病变图像一般图像变化也并不明显，图像的相似度较高，图像特征值也较为一致，所以，此时将相似度较高的肺炎病变图像进行合并，可以减少重复相似图像，降低数据冗余度，从而提高后续图像分析识别的效率。
根据本发明实施例，所述将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集，还包括：
获取目标对象基础情况信息，将目标对象基础情况信息进行数据分析处理，得到目标对象基础数据；
将目标对象基础数据进行肺炎病变影响分析，得到多个病变影响指数，并计算出平均病变影响指数；
根据平均病变影响指数，分析得到肺炎病变过程参数修正信息。
需要说明的是，所述目标对象基础情况信息包括目标对象的性别、年龄、烟龄、生活或者工作的空气环境等多个维度的信息，所述信息为影响肺炎病变的主要因素。所述目标对象基础数据为目标对象基础情况信息的具体数值的集合，所述多个病变影响指数为根据目标对象不同维度信息得出的多个影响指数。
根据本发明实施例，所述将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集，还包括：
根据病变过程参数修正信息，将肺炎病变过程参数进行修正；
将初始健康模拟肺部图像与修正后的肺炎病变过程参数导入肺炎变化模型进行病变过程模拟，得到病变模拟图像数据；
将病变模拟图像数据按图像变化程度进行图像数据的划分，得到多个病变模拟图像子集；
将多个病变模拟图像子集进行数据整理得到病变模拟图像集。
需要说明的是，所述病变过程参数修正信息为根据目标对象基础情况信息所得到的修正信息，通过参数修正信息，能够为不同的目标对象调整病变模拟过程，得到有针对性的病变模拟图像集。所述病变模拟图像数据为肺部病变模拟过程的全部图像数据。所述将病变模拟图像数据按图像变化程度进行图像数据的划分，得到多个病变模拟图像子集中，一般划分为三个病变模拟图像子集，对应肺炎病变过程的前中后三个病变时期，不同的病变时期对应的图像变化特征也有差异。所述肺炎变化模型为一种基于深度学习的图像变化模型，所述模型能够根据给定的初始图像与过程变化参数进行图像数据计算，分析，并得到变化后的图像结果。
本发明公开了一种基于深度学习的肺炎病变模拟方法及系统。通过获取病人基础CT肺部图像，将肺部图像进行健康图像模拟处理，得到初始健康模拟肺部图像，通过构建肺部肺炎病例图像数据库，从肺炎病例图像数据库中获取历史已有的肺部病变图像集，将图像集导入基于深度学习的肺炎变化模型中进行图像训练，得到肺炎病变过程参数。将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型进行病变模拟得到病变模拟图像集，通过病人真实CT肺部图像与病变模拟图像集进行数据对比与分析，得到肺炎情况参考信息，从而辅助医生判断病人的肺炎情况。通过本发明能够辅助医生对病人肺部图像进行综合分析，提高医生工作效率，降低误诊率。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于深度学习的肺炎病变模拟方法，其特征在于，包括：
获取初始CT肺部图像，将初始CT肺部图像进行图像预处理得到基础肺部图像；
搭建基于深度学习的肺部健康模拟模型，将基础肺部图像进行图像关键数据提取与图像数据模拟，得到初始健康模拟肺部图像；
将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集；
将病变模拟图像集进图像拆分，并按预设方式在预设终端设备中进行展示；
其中，所述得到病变模拟图像集，还包括：
获取病变模拟图像集；
将目标对象基础肺部图像与病变模拟图像集进行对比分析，得到在病变模拟图像集中与目标对象基础肺部图像相似度最高的一张病变模拟图像，将所述病变模拟图像进行标记，得到标记模拟图像；
根据标记模拟图像和病变模拟图像集得到目标对象当前的肺炎病变时期；
获取目标对象的年龄、职业、烟龄、基础疾病、生活环境状况基础信息；
根据所述基础信息，结合目标对象肺炎病变时期，生成目标对象的针对性医嘱方案。
2.根据权利要求1所述的基于深度学习的肺炎病变模拟方法，其特征在于，所述获取初始CT肺部图像，将初始CT肺部图像进行图像预处理得到基础肺部图像，具体为：
获取目标对象初始CT肺部图像，将初始CT肺部图像进行数据格式转化处理，得到统一格式的肺部图像；
将统一格式的肺部图像进行图像平滑、降噪处理，得到高质量的基础肺部图像。
3.根据权利要求1所述的基于深度学习的肺炎病变模拟方法，其特征在于，所述搭建基于深度学习的肺部健康模拟模型，将基础肺部图像进行图像关键数据提取与图像数据模拟，得到初始健康模拟肺部图像，具体为：将基础肺部图像进行图像轮廓锐化处理，得到锐化后的基础肺部图像；
将锐化后的基础肺部图像进行图像轮廓特征提取，得到肺部大小信息与轮廓信息；
将肺部大小与轮廓信息进行图像数据模拟分析，并生成初始健康模拟肺部图像。
4.根据权利要求1所述的基于深度学习的肺炎病变模拟方法，其特征在于，所述将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集，之前包括：
从肺炎病例图像数据库中获取已有的历史肺炎病变图像集；
将历史肺炎病变图像集按照预设顺序进行图像数据拆分，得到多个肺炎病变图像子集；
将多个肺炎病变图像子集导入肺炎变化模型进行图像变化分析，根据不同肺炎病变图像子集之间的图像变化，得到肺炎病变过程参数。
5.根据权利要求1所述的基于深度学习的肺炎病变模拟方法，其特征在于，所述将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集，还包括：
获取目标对象基础情况信息，将目标对象基础情况信息进行数据分析处理，得到目标对象基础数据；
将目标对象基础数据进行肺炎病变影响分析，得到多个病变影响指数，并计算出平均病变影响指数；
根据平均病变影响指数，分析得到肺炎病变过程参数修正信息。
6.根据权利要求1所述的基于深度学习的肺炎病变模拟方法，其特征在于，所述将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集，还包括：
根据病变过程参数修正信息，将肺炎病变过程参数进行修正；
将初始健康模拟肺部图像与修正后的肺炎病变过程参数导入肺炎变化模型进行病变过程模拟，得到病变模拟图像数据；
将病变模拟图像数据按图像变化程度进行图像数据的划分，得到多个病变模拟图像子集；
将多个病变模拟图像子集进行数据整理得到病变模拟图像集。
7.一种基于深度学习的肺炎病变模拟系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于深度学习的肺炎病变模拟方法程序，所述基于深度学习的肺炎病变模拟方法程序被所述处理器执行时实现如下步骤：
获取初始CT肺部图像，将初始CT肺部图像进行图像预处理得到基础肺部图像；
搭建基于深度学习的肺部健康模拟模型，将基础肺部图像进行图像关键数据提取与图像数据模拟，得到初始健康模拟肺部图像；
将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集；
将病变模拟图像集进图像拆分，并按预设方式在预设终端设备中进行展示。
8.根据权利要求7所述的一种基于深度学习的肺炎病变模拟系统，其特征在于，所述获取初始CT肺部图像，将初始CT肺部图像进行图像预处理得到基础肺部图像，具体为：
获取目标对象初始CT肺部图像，将初始CT肺部图像进行数据格式转化处理，得到统一格式的肺部图像；
将统一格式的肺部图像进行图像平滑、降噪处理，得到高质量的基础肺部图像。
9.根据权利要求7所述的一种基于深度学习的肺炎病变模拟系统，其特征在于，所述将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集，还包括：
获取目标对象基础情况信息，将目标对象基础情况信息进行数据分析处理，得到目标对象基础数据；
将目标对象基础数据进行肺炎病变影响分析，得到多个病变影响指数，并计算出平均病变影响指数；
根据平均病变影响指数，分析得到肺炎病变过程参数修正信息。
10.根据权利要求7所述的一种基于深度学习的肺炎病变模拟系统，其特征在于，所述将初始健康模拟肺部图像与肺炎病变过程参数导入肺炎变化模型中进行病变模拟，得到病变模拟图像集，还包括：
根据病变过程参数修正信息，将肺炎病变过程参数进行修正；
将初始健康模拟肺部图像与修正后的肺炎病变过程参数导入肺炎变化模型进行病变过程模拟，得到病变模拟图像数据；
将病变模拟图像数据按图像变化程度进行图像数据的划分，得到多个病变模拟图像子集；
将多个病变模拟图像子集进行数据整理得到病变模拟图像集。
CN202211012475.3A 2022-08-23 2022-08-23 一种基于深度学习的肺炎病变模拟方法及系统 Active CN115115620B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211012475.3A CN115115620B (zh) 2022-08-23 2022-08-23 一种基于深度学习的肺炎病变模拟方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211012475.3A CN115115620B (zh) 2022-08-23 2022-08-23 一种基于深度学习的肺炎病变模拟方法及系统

Publications (2)

Publication Number Publication Date
CN115115620A true CN115115620A (zh) 2022-09-27
CN115115620B CN115115620B (zh) 2022-12-13

Family

ID=83335947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211012475.3A Active CN115115620B (zh) 2022-08-23 2022-08-23 一种基于深度学习的肺炎病变模拟方法及系统

Country Status (1)

Country Link
CN (1) CN115115620B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051476A (zh) * 2022-12-23 2023-05-02 广州市番禺区中心医院 基于扫描图像分析的肺炎脓毒血症自动评价系统
CN116739890A (zh) * 2023-06-26 2023-09-12 强联智创（北京）科技有限公司 对生成健康血管图像的生成模型进行训练的方法及设备

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105640577A (zh) * 2015-12-16 2016-06-08 深圳市智影医疗科技有限公司 一种自动检测放射影像中局部性病变的方法和系统
KR20180040287A (ko) * 2016-10-12 2018-04-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
US20180137941A1 (en) * 2015-06-02 2018-05-17 Infervision Co., Ltd. Method For Analysing Medical Treatment Data Based On Deep Learning and Intelligence Analyser Thereof
CN108877922A (zh) * 2017-05-15 2018-11-23 沈渊瑶 病变程度判断系统及其方法
CN109637669A (zh) * 2018-11-22 2019-04-16 中山大学 基于深度学习的治疗方案的生成方法、装置及存储介质
JP2020018705A (ja) * 2018-08-02 2020-02-06 キヤノンメディカルシステムズ株式会社 医用画像処理装置、画像生成方法、及び画像生成プログラム
US20200118691A1 (en) * 2018-10-10 2020-04-16 Lukasz R. Kiljanek Generation of Simulated Patient Data for Training Predicted Medical Outcome Analysis Engine
CN111403042A (zh) * 2020-06-08 2020-07-10 成都泰盟软件有限公司 基于ai的虚拟标准病人模拟系统
CN111738997A (zh) * 2020-06-11 2020-10-02 浙江大学 一种基于深度学习的计算新冠肺炎病变区域占比的方法
CN111862075A (zh) * 2020-07-30 2020-10-30 西南医科大学 一种基于深度学习的肺部图像分析系统及其分析方法
CN112258511A (zh) * 2020-09-08 2021-01-22 广东省智能制造研究所 一种基于偏微分方程的患者肺部病变预测方法及系统
CN112690815A (zh) * 2020-11-30 2021-04-23 四川大学 基于肺部图像报告辅助诊断病变等级的系统和方法
CN112820398A (zh) * 2021-01-22 2021-05-18 神威超算(北京)科技有限公司 一种基于人工智能的肺部诊断辅助系统及其方法
CN215868349U (zh) * 2021-08-09 2022-02-18 漳州卫生职业学院 肺部触诊模拟人

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180137941A1 (en) * 2015-06-02 2018-05-17 Infervision Co., Ltd. Method For Analysing Medical Treatment Data Based On Deep Learning and Intelligence Analyser Thereof
CN105640577A (zh) * 2015-12-16 2016-06-08 深圳市智影医疗科技有限公司 一种自动检测放射影像中局部性病变的方法和系统
KR20180040287A (ko) * 2016-10-12 2018-04-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
CN108877922A (zh) * 2017-05-15 2018-11-23 沈渊瑶 病变程度判断系统及其方法
JP2020018705A (ja) * 2018-08-02 2020-02-06 キヤノンメディカルシステムズ株式会社 医用画像処理装置、画像生成方法、及び画像生成プログラム
US20200118691A1 (en) * 2018-10-10 2020-04-16 Lukasz R. Kiljanek Generation of Simulated Patient Data for Training Predicted Medical Outcome Analysis Engine
CN109637669A (zh) * 2018-11-22 2019-04-16 中山大学 基于深度学习的治疗方案的生成方法、装置及存储介质
CN111403042A (zh) * 2020-06-08 2020-07-10 成都泰盟软件有限公司 基于ai的虚拟标准病人模拟系统
CN111738997A (zh) * 2020-06-11 2020-10-02 浙江大学 一种基于深度学习的计算新冠肺炎病变区域占比的方法
CN111862075A (zh) * 2020-07-30 2020-10-30 西南医科大学 一种基于深度学习的肺部图像分析系统及其分析方法
CN112258511A (zh) * 2020-09-08 2021-01-22 广东省智能制造研究所 一种基于偏微分方程的患者肺部病变预测方法及系统
CN112690815A (zh) * 2020-11-30 2021-04-23 四川大学 基于肺部图像报告辅助诊断病变等级的系统和方法
CN112820398A (zh) * 2021-01-22 2021-05-18 神威超算(北京)科技有限公司 一种基于人工智能的肺部诊断辅助系统及其方法
CN215868349U (zh) * 2021-08-09 2022-02-18 漳州卫生职业学院 肺部触诊模拟人

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
KANG ZHANG 等: "Clinically Applicable AI System for Accurate Diagnosis, Quantitative Measurements, and Prognosis of COVID-19 Pneumonia Using Computed Tomography", 《CELL》 *
XINXU WEI 等: "Deep Pneumonia: Attention-BLearning for Class-Imbalanced Pneumonia Lesion ased Contrastive Recognition in Chest X-rays", 《ARXIV》 *
李芳芳 等: "基于注意力机制的肺炎辅助诊断模型", 《兰州文理学院学报（自然科学版）》 *
赵小二 等: "不同阶段新型冠状病毒肺炎的CT影像演变分析", 《实用放射学杂志》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051476A (zh) * 2022-12-23 2023-05-02 广州市番禺区中心医院 基于扫描图像分析的肺炎脓毒血症自动评价系统
CN116051476B (zh) * 2022-12-23 2023-08-18 广州市番禺区中心医院 基于扫描图像分析的肺炎脓毒血症自动评价系统
CN116739890A (zh) * 2023-06-26 2023-09-12 强联智创（北京）科技有限公司 对生成健康血管图像的生成模型进行训练的方法及设备

Also Published As

Publication number Publication date
CN115115620B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
CN115115620B (zh) 一种基于深度学习的肺炎病变模拟方法及系统
CN110969626B (zh) 基于3d神经网络的人脑核磁共振影像的海马体提取方法
EP3306500A1 (en) Method for analysing medical treatment data based on deep learning, and intelligent analyser thereof
CN111785366B (zh) 患者治疗方案的确定方法、装置及计算机设备
CN113095382B (zh) 基于ct图像的可解释性肺结核分类网络识别方法
CN111243753B (zh) 一种面向医疗数据的多因素相关性交互式分析方法
CN111738997A (zh) 一种基于深度学习的计算新冠肺炎病变区域占比的方法
CN111956214A (zh) 基于U-net端对端神经网络模型的QRS波自动检测方法
CN116597985A (zh) 生存率预测模型训练方法、生存期预测方法及装置、设备
CN111080592A (zh) 一种基于深度学习的肋骨提取方法及装置
CN111261283B (zh) 基于金字塔型卷积层的心电信号深度神经网络建模方法
CN111160812B (zh) 诊断信息评估方法、显示方法及存储介质
CN113288157A (zh) 基于深度可分离卷积和改进损失函数的心律失常分类方法
CN112883803A (zh) 一种基于深度学习的心电信号分类方法、装置及存储介质
CN116246779B (zh) 基于用户影像数据的牙科诊疗方案生成方法及系统
CN113077875A (zh) Ct影像的处理方法及装置
CN114708264B (zh) 一种光斑质量判别方法、装置、设备和存储介质
CN116469570A (zh) 一种基于电子病历的恶性肿瘤并发症分析方法
CN116504392A (zh) 一种基于数据分析的智能辅助诊断提示系统
CN113011510B (zh) 一种支气管分级及模型训练方法、装置及电子设备
CN112561935B (zh) 一种大脑影像智能分类方法、装置和设备
CN114093521A (zh) 基于随机森林的均匀化样本重构血糖估计方法及系统
CN113706644A (zh) 图像处理方法及其装置、存储介质
CN112364924A (zh) 一种基于深度学习的口腔医疗图像识别方法
CN112101021A (zh) 一种实现标准词映射的方法、装置及设备

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
GR01 Patent grant
GR01 Patent grant