CN115131642B - 一种基于多视子空间聚类的多模态医学数据融合系统 - Google Patents
一种基于多视子空间聚类的多模态医学数据融合系统 Download PDFInfo
- Publication number
- CN115131642B CN115131642B CN202211047979.9A CN202211047979A CN115131642B CN 115131642 B CN115131642 B CN 115131642B CN 202211047979 A CN202211047979 A CN 202211047979A CN 115131642 B CN115131642 B CN 115131642B
- Authority
- CN
- China
- Prior art keywords
- matrix
- data
- image
- medical record
- electronic medical
- 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
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于多视子空间聚类的多模态医学数据融合系统,首先对影像进行结构化处理得到影像特征,同时,提取电子病历中与疾病相关的临床变量得到临床特征,然后基于多视子空间聚类引导的多模态数据融合模型,对影像特征和临床特征进行筛选与融合,得到每个特征的重要性排序,最后根据设定的特征数目,得到电子病历和影像数据的融合结果,该融合结果综合电子病历信息和影像信息,从而提高相关疾病预测结果的准确性;本发明保证每种模态的数据在各自空间中可以自表示,保持块对角结构,同时保证融合数据的聚类结果是一致的。利用多视子空间的互补性原则和一致性原则可以综合多模态数据中的互补信息,保证分析结果的一致性。
Description
技术领域
本发明涉及医学数据融合领域,尤其涉及一种基于多视子空间聚类的多模态医学数据融合系统。
背景技术
临床医生在做疾病诊断时,通常综合患者的电子病历数据和医学影像数据来作出判断或预测。医学影像是诊断疾病的常规手段,包括X光片、CT、磁共振图像等。影像可以反映人体内部的病变器官,基于影像的计算机辅助诊断方法在诸如肺癌、肺结节、肝癌等疾病的诊断中都得到了应用。电子病历系统包含着患者的病史、主诉、检查、人口学等信息,对于疾病的筛查、诊断有重要的作用。结合电子病历和影像数据,可以提高计算机辅助诊断准确率,更加符合医生的诊断方式。传统疾病诊断方法一般基于单一来源数据,比如电子病历或者医学影像单独构建疾病预测模型,对多源异构医学数据的融合还处于学术研究阶段,在临床上结合电子病历和影像多模态数据进行疾病预测的工作很少。因此,研究融合电子病历结构化信息和医学影像非结构化信息的融合方法对提高疾病预测准确率非常有意义。
目前对影像和电子病历数据融合的方法可以分为三类。第一类方法称为特征级融合,在对电子病历和影像分别提取特征后,将两种特征直接连接融合,输入到分类器中作出预测。第二类方法称为决策级融合,对分别利用电子病历和影像预测得到的结果,利用一个简单的融合算法来综合两个预测结果。第三种称之为中间融合,在特征提取与表征阶段,将两类数据融合在一起。相比较后两种方式,特征级融合的计算和可解释性更好,但是大多数方法将提取的影像特征和电子病历特征直接连接融合,将不同来源特征看成是统一视图中的特征,没有考虑两种数据的异质性和可匹配性,可能使得特征失去原有的意义。传统的数据降维方法,例如PCA,RFE, LASSO等,都没有考虑多视图特征的特点。
基于自表示的子空间聚类方法具有对噪声的鲁棒性和完备的理论,是一种常用的高维数据聚类方法。数据自表示即假设数据在线性可分的情况下,数据样本可以由同一子空间的其他数据样本线性组合表示。对数据自表示矩阵加以稀疏表示约束或者低秩表示约束,可以利用自表示矩阵对数据进行降维。在子空间聚类基础上,将对事物不同角度的理解生成多个特征描述视图,进行多视子空间聚类,可以发挥各个视图的优势。
发明内容
本发明目的在于针对现有技术的不足,提出一种基于多视子空间聚类的多模态医学数据融合系统,解决目前电子病历和医学影像数据使用相对独立,已有的多模态医学数据融合方法直接对各个模态提取特征以后,将各类特征直接相连融合,没有考虑多源异构数据的差异性以及各个模态数据的内在结构的问题。
本发明的目的是通过以下技术方案来实现的:一种基于多视子空间聚类的多模态医学数据融合系统,该系统包括数据采集模块、影像结构化模块、电子病历特征提取模块、特征筛选与融合模块和数据融合模块;
所述数据采集模块用于采集待测对象的预设疾病相关电子病历数据,并提取其相关的影像数据;
所述影像结构化模块用于对影像数据进行结构化处理,提取影像特征;
所述电子病历特征提取模块用于对电子病历数据提取相关变量,做数值化处理后作为电子病历特征;
所述特征筛选与融合模块用于基于影像特征和电子病历特征获取多视特征矩阵,并定义无监督的特征选择与融合模型,根据子空间聚类方法的数据自表示性质,设定每个视图特征数据均能够在子空间中被自表示,考虑数据降维得到多视子空间聚类引导的特征筛选模型的目标函数并通过变量交错迭代的方式进行求解,得到特征筛选矩阵;
所述数据融合模块用于基于特征筛选与融合模块得到的特征筛选矩阵,对影像和电子病历特征重要性排序,根据预设的特征个数,得到影像数据和电子病历数据融合结果。
进一步地,所述数据采集模块根据预设疾病和待测对象,基于患者唯一的病案号,从医院电子病历系统中提取电子病历的基本信息和诊断信息,将电子病历的基本信息和诊断信息整合成一个完整的样本。
进一步地,所述数据采集模块获取的医学影像数据为X光片、CT数据或MRI数据。
进一步地,所述影像结构化模块根据预设的疾病,对影像数据标注感兴趣区域,并进行影像预处理,包括影像重采样、灰度值离散化和影像区域框选;最后基于预处理后的影像和标注的感兴趣区域,计算高维影像特征。
进一步地,所述电子病历特征提取模块对得到的电子病历数据进行分析,确定与预设疾病相关的若干个危险因素,包括待测对象的人口学信息、病史、生活习惯和检查项目信息;将各字段的信息数值化,然后对电子病历数据归一化,得到电子病历特征。
进一步地,所述特征筛选与融合模块中获取多视特征矩阵,具体为:将提取的影像
特征和电子病历特征看成是多个视图特征数据,第v个视图的特征定义为,是第v视图特征的维度,v=1,2;V个视
图中所有特征定义为,将他们连接起来表示成总特征矩阵。
进一步地,所述特征筛选与融合模块中根据子空间聚类方法的数据自表示性质,设定每个多视特征数据均能够在子空间中被自表示,具体如下:
其中是各个视图特征数据的自表示矩阵,表示长度为n的单位向
量;然后,构造描述数据关系的相似图,并且满足低秩性,相似图成分的个
数等于聚类的类别数c,即的拉普拉斯矩阵的秩等于n-c;低秩性表述为如下优化问题:
进一步地,所述特征筛选与融合模块中考虑数据降维,得到多视子空间聚类引导的特征选择与融合模型的目标函数如下:
进一步地,所述特征筛选与融合模块中,通过变量交错迭代的方式,求解多视子空间聚类引导的特征选择与融合模型,迭代更新特征筛选矩阵、伪标签矩阵和自表示矩阵,具体过程为:首先固定特征筛选矩阵和伪标签矩阵,更新自表示矩阵,然后固定特征筛选矩阵和自表示矩阵,更新伪标签矩阵,最后固定伪标签矩阵和自表示矩阵,更新特征筛选矩阵。
本发明的有益效果:本发明弥补现有影像数据和电子病历数据使用相对独立,或对两者融合的方式比较简单粗暴的不足,基于多视子空间聚类思想,将多源异构数据通过一个多视子空间聚类引导的特征筛选模型来融合。本发明将影像和电子病历看作是描述同一对象的不同视数据,考虑各个多视特征数据在各自空间中可以自表示,即保持各个多视特征数据原有的空间结构;并对模型引入低秩约束,同时保证不同多视特征数据的聚类结果是一致的。本发明灵活性好,可以应用于其他多模态异构数据,例如病理图像、心电数据等等。结合不同模态数据的预测模型更符合临床诊断的习惯,可以提高模型的预测性能。
附图说明
图1为本发明提供的基于多视子空间聚类的多模态医学数据融合系统结构图。
图2为本发明提供的多视子空间聚类引导的特征筛选与融合模型示意图。
图3为本发明提供的多视子空间聚类引导的特征筛选与融合模块实现过程示意图。
具体实施方式
以下结合附图对本发明具体实施方式作进一步详细说明。
如图1所示,本发明提供的一种基于多视子空间聚类的多模态医学数据融合系统。该系统包括数据采集模块、影像结构化模块、电子病历特征提取模块、特征筛选与融合模块和数据融合模块。所述数据采集模块用于从医院电子病历系统中采集待测对象的预设疾病相关电子病历信息,并提取其相关的影像数据。所述影像结构化模块用于对影像数据进行结构化处理,提取高维影像特征。所述电子病历特征提取模块用于根据预设疾病,从待测对象的电子病历数据中提取相关变量,做数值化处理后作为电子病历特征。所述特征筛选与融合模块用于基于多视子空间聚类引导的特征筛选与融合模型(如图2所示),对影像特征和电子病历特征进行降维与融合。所述数据融合模块用于基于特征筛选与融合模块得到的特征筛选矩阵,对影像和电子病历特征重要性排序,根据预设的特征个数,得到影像数据和电子病历数据融合结果。
所述数据采集模块获取待测对象的电子病历。根据预设疾病和待测对象,基于患者唯一的病案号,从医院电子病历系统中提取电子病历的基本信息和诊断信息,将电子病历的基本信息和诊断信息整合成一个完整的样本。所述基本信息包括人口学信息、病史、生活习惯和检查项目信息;所述诊断信息为该患者关于预设疾病的诊断结果。
所述数据采集模块获取待测对象的医学影像数据。医学影像数据一般为X光片、CT或MRI数据。
所述影像结构化模块根据预设的疾病,对影像数据标注感兴趣区域。影像标注方法可以是手工描绘或者计算机算法自动勾画,感兴趣区域一般为疾病的病灶区域或者整个器官或组织。感兴趣区域标注结构以二值图像形式保存,1代表前景,0代表背景。
影像数据标注后需要进行影像预处理,包括影像重采样、灰度值离散化和影像区域框选。首先对原始图像和标注图像进行预处理,包括将原始图像和标注图像重采样到分辨率1×1×1大小;根据感兴趣区域计算其包围区域的矩形框,设定边缘扩展值,然后截取原始图像和标注图像的矩形框;对原始图像进行对比度调整,首先将图像的HU值截断在[-100, 240]之间,然后离散化到[0,255]之间。
基于影像和标注的感兴趣区域,计算高维影像特征。基于Pyradiomics工具包计算一阶统计特征、形状特征以及纹理特征(GLCM、GLRLM、NGTDM、GLDM),各类特征具体包含的特征名称见表1,共计算得到85个特征。
表1 影像特征名称
所述电子病历特征提取模块对得到的电子病历数据进行分析,确定与预设疾病相关的若干个危险因素,例如待测对象的人口学信息、病史、生活习惯和检查项目信息(血检、心率等)。将各字段的信息数值化,例如对性别,男设为1,女设为0。然后对电子病历数据归一化,得到电子病历特征。
所述特征筛选与融合模块基于影像特征和电子病历特征获取获取多视特征矩阵,并定义无监督的特征选择与融合模型,根据子空间聚类方法的数据自表示性质,设定每个多视特征数据均能够在子空间中被自表示,得到多视子空间聚类的目标优化函数,考虑数据降维得到多视子空间聚类引导的特征选择与融合模型的目标函数并通过变量交错迭代的方式进行求解,得到特征筛选矩阵。如图3所示,具体如下:
所述获取多视特征矩阵,具体为:将提取的影像特征和电子病历特征看成多个视
图特征,第v个视图的特征定义为,,表
示第n个数据点,是第v视图特征的维度,v=1,2。V个视图中所有特征可以定义为
,将他们连接起来表示成总特征矩阵。
所述根据子空间聚类方法的数据自表示性质,设定每个视图特征数据都可在子空间中被自表示,具体如下:
其中是各个视图特征数据的自表示矩阵,表示长度为n的单位向
量。然后,可以构造描述数据关系的相似图。并且满足低秩性,相似图成分
的个数等于聚类类别数c,即的拉普拉斯矩阵的秩等于n-c。低秩性可以表述为如下优化
问题:
所述考虑数据降维,得到多视子空间聚类引导的特征选择与融合模型的目标函
数,具体为:所选择的特征应该保持数据间的相似结构,并且是稀疏的。也就是,对特征选择
矩阵W加以稀疏正则化项。因此,多视子空间聚类引导的特征选择与融合模型的目
标函数可以表示为:
上式等价于以下问题:
上式等价于以下问题:
进一步得到:
最终得到:
交替更新W,G,H直到目标函数收敛。
实施例:对胰体尾切除术后的患者,为了预测患者术后患糖尿病风险,构建胰体尾切除患者队列,共有患者212名,按7:3比例将数据拆分为训练集与测试集。经过基于多视子空间聚类的多模态医学数据融合系统,融合影像和电子病历数据。具体地处理过程如下:
1. 数据采集,提取患者的术前增强CT图像和电子病历信息。
2. 影像结构化模块。对CT图像标注感兴趣区域,即胰腺术后的残余胰腺区域,作为影像特征提取的感兴趣区域。对CT原始图像和标注图像进行影像重采样、灰度值离散化和影像区域框选。首先对原始图像和标注图像进行预处理,包括将原始图像和标注图像重采样到分辨率1×1×1大小;根据感兴趣区域计算其包围区域的矩形框,设定边缘扩展值10个像素,然后截取原始图像和标注图像的矩形框;对原始图像进行对比度调整,首先将图像的HU值截断在[-100, 240]之间,然后离散化到[0,255]之间。然后,基于预处理后的影像和标注的感兴趣区域,计算高维影像特征。具体地,先对原CT图像作小波滤波,小波滤波包括haar、db5、sym7。然后基于Pyradiomics工具包计算一阶统计特征、形状特征以及纹理特征(GLCM、GLRLM、NGTDM、GLDM)。针对每个小波滤波后的图像,可以得到680维特征,所以三个小波滤波后的图像,共计算得到2040个影像特征。
3. 电子病历特征提取。对得到的电子病历数据进行分析,确定与糖尿病相关的若干个危险因素,包括年龄、性别、饮酒、抽烟、黄疸、体重减少、疼痛、胰腺切除率、残余胰腺体积、腹部脂肪含量、腹部骨骼肌含量。将各字段的信息数值化,例如对性别,男设为1,女设为0。然后对电子病历特征进行归一化,得到电子病历11个特征。
4. 特征筛选与融合。记上述得到的影像特征为,临床特征为,对临床特征和
影像特先进行归一化。将输入到所提出的基于多视子空间聚类引导
的特征选择与融合模型中,并利用变量交错迭代算法求解得到特征筛选矩阵W。对影像特征
和电子病历特征进行筛选与融合,得到特征筛选矩阵。
5. 数据融合。计算特征筛选矩阵,d为所有特征的维度,这
里为2051。然后根据大小对每个特征进行重要性排序。取40个特征作为最终的数据
融合结果。其中包括36个影像特和4个临床特征。影像特征来自db5、sym7、haar滤波图像的
特征数分别是9,8,19。临床特征中,包含饮酒、肌肉含量、年龄、残余胰腺体积。
6. 后续利用数据融合得到的影像和临床特征,建立基于支持向量机的糖尿病预测模型。用训练集数据训练预测模,在测试集上进行测试。测试集上的糖尿病预测准确度AUC=0.82。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (6)
1.一种基于多视子空间聚类的多模态医学数据融合系统,其特征在于,该系统包括数据采集模块、影像结构化模块、电子病历特征提取模块、特征筛选与融合模块和数据融合模块;
所述数据采集模块用于采集待测对象的预设疾病相关电子病历数据,并提取其相关的影像数据;
所述影像结构化模块用于对影像数据进行结构化处理,提取影像特征;
所述电子病历特征提取模块用于对电子病历数据提取相关变量,做数值化处理后作为电子病历特征;
所述特征筛选与融合模块用于基于影像特征和电子病历特征获取多视特征矩阵,并定
义无监督的特征选择与融合模型,具体为:获取多视特征矩阵:将提取的影像特征和电子病
历特征看成是多个视图特征数据,第v个视图的特征定义为
,是第v视图特征的维度;V个视图中所有特征定义为,将它们连
接起来表示成总特征矩阵;无监督
的特征筛选问题的目标优化函数表示为:
根据子空间聚类方法的数据自表示性质,设定每个视图特征数据均能够在子空间中被自表示,具体如下:
其中是各个视图特征数据的自表示矩阵,表示长度为n的单位向量;然
后,构造描述数据关系的相似图,并且满足低秩性,相似图成分的个数等于
聚类的类别数c,即的拉普拉斯矩阵的秩等于n-c;低秩性表述为如下优化问题:
考虑数据降维得到多视子空间聚类引导的特征筛选模型的目标函数并通过变量交错迭代的方式进行求解,得到特征筛选矩阵;特征筛选模型的目标函数具体如下:
2.根据权利要求1所述的一种基于多视子空间聚类的多模态医学数据融合系统,其特征在于,所述数据采集模块根据预设疾病和待测对象,基于患者唯一的病案号,从医院电子病历系统中提取电子病历的基本信息和诊断信息,将电子病历的基本信息和诊断信息整合成一个完整的样本。
3.根据权利要求1所述的一种基于多视子空间聚类的多模态医学数据融合系统,其特征在于,所述数据采集模块获取的医学影像数据为X光片、CT数据或MRI数据。
4.根据权利要求1所述的一种基于多视子空间聚类的多模态医学数据融合系统,其特征在于,所述影像结构化模块根据预设的疾病,对影像数据标注感兴趣区域,并进行影像预处理,包括影像重采样、灰度值离散化和影像区域框选;最后基于预处理后的影像和标注的感兴趣区域,计算高维影像特征。
5.根据权利要求1所述的一种基于多视子空间聚类的多模态医学数据融合系统,其特征在于,所述电子病历特征提取模块对得到的电子病历数据进行分析,确定与预设疾病相关的若干个危险因素,包括待测对象的人口学信息、病史、生活习惯和检查项目信息;将各字段的信息数值化,然后对电子病历数据归一化,得到电子病历特征。
6.根据权利要求1所述的一种基于多视子空间聚类的多模态医学数据融合系统,其特征在于,所述特征筛选与融合模块中,通过变量交错迭代的方式,求解多视子空间聚类引导的特征选择与融合模型,迭代更新特征筛选矩阵、伪标签矩阵和自表示矩阵,具体过程为:首先固定特征筛选矩阵和伪标签矩阵,更新自表示矩阵,然后固定特征筛选矩阵和自表示矩阵,更新伪标签矩阵,最后固定伪标签矩阵和自表示矩阵,更新特征筛选矩阵。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211047979.9A CN115131642B (zh) | 2022-08-30 | 2022-08-30 | 一种基于多视子空间聚类的多模态医学数据融合系统 |
JP2023095104A JP7333132B1 (ja) | 2022-08-30 | 2023-06-08 | マルチビューサブ空間クラスタリングに基づくマルチモード医学データ融合システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211047979.9A CN115131642B (zh) | 2022-08-30 | 2022-08-30 | 一种基于多视子空间聚类的多模态医学数据融合系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115131642A CN115131642A (zh) | 2022-09-30 |
CN115131642B true CN115131642B (zh) | 2022-12-27 |
Family
ID=83387076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211047979.9A Active CN115131642B (zh) | 2022-08-30 | 2022-08-30 | 一种基于多视子空间聚类的多模态医学数据融合系统 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7333132B1 (zh) |
CN (1) | CN115131642B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116524248B (zh) * | 2023-04-17 | 2024-02-13 | 首都医科大学附属北京友谊医院 | 医学数据处理装置、方法及分类模型训练装置 |
CN117009924B (zh) * | 2023-10-07 | 2024-01-26 | 之江实验室 | 电子病历引导的多模态自适应多中心数据融合方法及系统 |
CN117312963B (zh) * | 2023-11-29 | 2024-03-12 | 山东企联信息技术股份有限公司 | 一种采集信息数据智能分类方法、系统及存储介质 |
CN117744026A (zh) * | 2024-02-18 | 2024-03-22 | 四川省肿瘤医院 | 基于多模态的信息融合方法和肿瘤恶性概率识别系统 |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006302113A (ja) | 2005-04-22 | 2006-11-02 | Canon Inc | 電子カルテ・システム |
WO2007099525A2 (en) | 2006-03-03 | 2007-09-07 | Medic Vision - Brain Technologies Ltd. | System and method of automatic prioritization and analysis of medical images |
CN103400143B (zh) * | 2013-07-12 | 2017-03-01 | 中国科学院自动化研究所 | 一种基于多视角的数据子空间聚类方法 |
CN106971197B (zh) * | 2017-03-02 | 2019-12-13 | 北京工业大学 | 基于差异性与一致性约束的多视数据的子空间聚类方法 |
CN108197629B (zh) * | 2017-12-30 | 2021-12-31 | 北京工业大学 | 一种基于标签相关性约束张量分解的多模态医学影像特征提取方法 |
US10885379B2 (en) * | 2018-09-04 | 2021-01-05 | Inception Institute of Artificial Intelligence, Ltd. | Multi-view image clustering techniques using binary compression |
CN109685155A (zh) * | 2018-12-29 | 2019-04-26 | 广东工业大学 | 基于多视图的子空间聚类方法、装置、设备及存储介质 |
CN110378365A (zh) * | 2019-06-03 | 2019-10-25 | 广东工业大学 | 一种基于联合子空间学习的多视图子空间聚类方法 |
CN110349652B (zh) * | 2019-07-12 | 2022-02-22 | 之江实验室 | 一种融合结构化影像数据的医疗数据分析系统 |
US20220367053A1 (en) * | 2019-09-27 | 2022-11-17 | The Brigham And Women's Hospital, Inc. | Multimodal fusion for diagnosis, prognosis, and therapeutic response prediction |
CN111260209B (zh) * | 2020-01-14 | 2022-03-11 | 山东大学 | 电子病历与医学影像结合的心血管疾病风险预测评估系统 |
CN111324791B (zh) * | 2020-03-02 | 2021-08-17 | 北京工业大学 | 一种多视数据子空间聚类方法 |
CN111611323A (zh) * | 2020-04-09 | 2020-09-01 | 山东财经大学 | 一种面向数据融合的迭代结构化多视图子空间聚类方法,设备及可读存储介质 |
CN111915596A (zh) * | 2020-08-07 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种肺结节良恶性预测方法及装置 |
CN111916207B (zh) * | 2020-08-07 | 2023-08-08 | 杭州深睿博联科技有限公司 | 一种基于多模态融合的疾病识别方法及装置 |
CN112164067A (zh) * | 2020-10-12 | 2021-01-01 | 西南科技大学 | 一种基于多模态子空间聚类的医学图像分割方法及装置 |
CN112418319A (zh) * | 2020-11-24 | 2021-02-26 | 北京工业大学 | 一种多视子空间聚类方法及装置 |
CN113269225A (zh) * | 2021-04-08 | 2021-08-17 | 浙江大学 | 基于影像组学的非侵入式肝脏上皮样血管平滑肌脂肪瘤图像分类装置 |
CN113284572B (zh) * | 2021-04-30 | 2024-04-23 | 上海联影智能医疗科技有限公司 | 多模态异构的医学数据处理方法及相关装置 |
CN113241135B (zh) * | 2021-04-30 | 2023-05-05 | 山东大学 | 一种基于多模态融合的疾病风险预测方法和系统 |
CN113505831A (zh) * | 2021-07-09 | 2021-10-15 | 广东工业大学 | 一种基于核范数约束的多视图聚类方法及系统 |
CN113554082B (zh) * | 2021-07-15 | 2023-11-21 | 广东工业大学 | 一种自加权融合局部和全局信息的多视图子空间聚类方法 |
CN114359666A (zh) * | 2021-12-28 | 2022-04-15 | 清华珠三角研究院 | 多模态融合的肺癌患者疗效预测方法、系统、装置及介质 |
CN114529745A (zh) * | 2022-01-11 | 2022-05-24 | 山东师范大学 | 基于图结构学习的缺失多视图子空间聚类方法及系统 |
CN114565613B (zh) * | 2022-04-29 | 2022-08-23 | 之江实验室 | 基于有监督深度子空间学习的胰腺术后糖尿病预测系统 |
-
2022
- 2022-08-30 CN CN202211047979.9A patent/CN115131642B/zh active Active
-
2023
- 2023-06-08 JP JP2023095104A patent/JP7333132B1/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP7333132B1 (ja) | 2023-08-24 |
JP2024035070A (ja) | 2024-03-13 |
CN115131642A (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115131642B (zh) | 一种基于多视子空间聚类的多模态医学数据融合系统 | |
Yousef et al. | A holistic overview of deep learning approach in medical imaging | |
Mridha et al. | A comprehensive survey on deep-learning-based breast cancer diagnosis | |
CN112768072B (zh) | 基于影像组学定性算法构建癌症临床指标评估系统 | |
Zhang et al. | Dictionary pruning with visual word significance for medical image retrieval | |
EP3654343A1 (en) | Application of deep learning for medical imaging evaluation | |
CN111488914A (zh) | 一种基于多任务学习的阿尔茨海默症分类及预测系统 | |
WO2023207820A1 (zh) | 基于有监督深度子空间学习的胰腺术后糖尿病预测系统 | |
CN113743463B (zh) | 一种基于影像数据和深度学习的肿瘤良恶性识别方法和系统 | |
Alshayeji et al. | Early detection of diabetic foot ulcers from thermal images using the bag of features technique | |
CN112819765A (zh) | 一种肝脏图像处理方法 | |
Abdolali et al. | A novel image-based retrieval system for characterization of maxillofacial lesions in cone beam CT images | |
CN112884759B (zh) | 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置 | |
Jayachandran et al. | Retinal vessels segmentation of colour fundus images using two stages cascades convolutional neural networks | |
Lian et al. | Lesion identification in fundus images via convolutional neural network-vision transformer | |
WO2020099941A1 (en) | Application of deep learning for medical imaging evaluation | |
Balasubramaniam et al. | Medical Image Analysis Based on Deep Learning Approach for Early Diagnosis of Diseases | |
CN113077874A (zh) | 基于红外热像的脊椎疾病康复智能辅助诊疗系统及方法 | |
Bandyopadhyay et al. | Artificial-intelligence-based diagnosis of brain tumor diseases | |
EP4339961A1 (en) | Methods and systems for providing a template data structure for a medical report | |
Khattar et al. | A Review on Preprocessing, Segmentation and Classification Techniques for Detection of Skin Cancer | |
Avci et al. | Case study: deep convolutional networks in healthcare | |
US20240127917A1 (en) | Method and system for providing a document model structure for producing a medical findings report | |
EP4379672A1 (en) | Methods and systems for classifying a medical image dataset | |
Lu et al. | An Approach to Classifying X-Ray Images of Scoliosis and Spondylolisthesis Based on Fine-Tuned Xception Model. |
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 |