CN115462836A - 妇产科临床孕妇产前监测系统 - Google Patents

妇产科临床孕妇产前监测系统 Download PDF

Info

Publication number
CN115462836A
CN115462836A CN202211171575.0A CN202211171575A CN115462836A CN 115462836 A CN115462836 A CN 115462836A CN 202211171575 A CN202211171575 A CN 202211171575A CN 115462836 A CN115462836 A CN 115462836A
Authority
CN
China
Prior art keywords
vector
scale
feature
feature vector
convolution
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.)
Withdrawn
Application number
CN202211171575.0A
Other languages
English (en)
Inventor
马素娟
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.)
First Affiliated Hospital of Henan University of TCM
Original Assignee
First Affiliated Hospital of Henan University of TCM
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 First Affiliated Hospital of Henan University of TCM filed Critical First Affiliated Hospital of Henan University of TCM
Priority to CN202211171575.0A priority Critical patent/CN115462836A/zh
Publication of CN115462836A publication Critical patent/CN115462836A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0866—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving foetal diagnosis; pre-natal or peri-natal diagnosis of the baby
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1072—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring distances on the body, e.g. measuring length, height or thickness
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physiology (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Cardiology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Psychiatry (AREA)
  • Optics & Photonics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Emergency Medicine (AREA)
  • Gynecology & Obstetrics (AREA)
  • Pregnancy & Childbirth (AREA)
  • Signal Processing (AREA)
  • Pulmonology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请涉及智慧医疗领域，具体地公开了妇产科临床孕妇产前监测系统，其使用时间注意力机制的第一卷积神经网络模型来重点关注所述待评估孕妇的B超显影图像的空间特征在时间维度上的特征，并以多尺度邻域特征提取模块作为特征提取器来捕捉所有次产前检查数据中各个数据项的动态变化特征，在高维特征空间中，对B超跟踪特征图、多尺度邻域血糖特征向量、多尺度邻域血压特征向量、多尺度邻域宫高腰围特征向量和多尺度邻域体重特征向量进行关联编码以得到分类特征图，利用分类器对所述分类特征图进行分类以得到用于表示待评估孕妇的产前状态是否正常的分类结果。这样，提高孕妇的产前状态评估的精准度。

Description

妇产科临床孕妇产前监测系统
技术领域
本申请涉及智慧医疗领域，且更为具体地，涉及妇产科临床孕妇产前监测系统。
背景技术
孕妇产前必须对各项体能指标进行定期检查，以保证胎儿的健康发育，同时让母亲能够顺利生产。孕前检查涉及多个检查项目，包括：B超显影、血糖血压监测、宫高腰围测量以及体重检测等。妇产科医生在拿到上述数据之后凭借个人经验和专业知识对孕妇产前状态进行评估。但目前医院医疗资源稀缺，孕妇不仅需要花费很长的时间去做上述检查项目，同时，还需要花费很长时间在等待妇产科医生方面，这使得孕妇产前检查的用户体验不佳。
近年来，基于大数据、人工智能和云计算等技术支持的智慧医疗得到快速发展，这为妇产科临床孕妇产前监测提供了新的解决思路和方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了妇产科临床孕妇产前监测系统，其使用时间注意力机制的第一卷积神经网络模型来重点关注所述待评估孕妇的B超显影图像的空间特征在时间维度上的特征，并以多尺度邻域特征提取模块作为特征提取器来捕捉所有次产前检查数据中各个数据项的动态变化特征，在高维特征空间中，对B超跟踪特征图、多尺度邻域血糖特征向量、多尺度邻域血压特征向量、多尺度邻域宫高腰围特征向量和多尺度邻域体重特征向量进行关联编码以得到分类特征图，利用分类器对所述分类特征图进行分类以得到用于表示待评估孕妇的产前状态是否正常的分类结果。这样，提高孕妇的产前状态评估的精准度。
相应地，根据本申请的一个方面，提供了妇产科临床孕妇产前监测系统，其包括：
孕前检查数据采集模块，用于获取待评估孕妇在怀孕期间的所有次产前检查数据，其中，每次所述产前检查数据包括B超显影图像、血糖值、血压值、宫高腰围测量值以及体重检测值；
B超显影图像编码模块，用于将所述待评估孕妇的所有次产前检查数据中的B超显影图像通过使用时间注意力机制的第一卷积神经网络模型以得到B超跟踪特征图；
降维模块，用于计算所述B超跟踪特征图的沿通道维度的各个特征矩阵的全局均值以得到B超跟踪特征向量；
信息保真模块，用于以所述B超跟踪特征向量的二范数为偏置，对所述B超跟踪特征向量中各个位置的特征值进行校正以得到校正后B超跟踪特征向量；
检测值编码模块，用于将所述待评估孕妇的所有次产前检查数据中的血糖值、血压值、宫高腰围测量值以及体重检测值分别按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域血糖特征向量、多尺度邻域血压特征向量、多尺度邻域宫高腰围特征向量和多尺度邻域体重特征向量；
多源特征关联编码模块，用于将所述B超跟踪特征向量、所述多尺度邻域血糖特征向量、所述多尺度邻域血压特征向量、所述多尺度邻域宫高腰围特征向量和所述多尺度邻域体重特征向量排列为二维特征矩阵后通过作为特征提取器的第二卷积神经网络模型以得到分类特征图；以及
产前监测结果生成模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评估孕妇的产前状态是否正常。
在上述妇产科临床孕妇产前监测系统中，所述B超显影图像编码模块，包括：图像帧提取单元，用于从所述待评估孕妇的所有次产前检查数据中的B超显影图像提取相邻的第一B超显影图像和第二B超显影图像；第一卷积单元，用于将所述第一B超显影图像输入所述第一卷积神经网络模型的第一卷积层以得到第一卷积特征图；第二卷积单元，用于将所述第二B超显影图像输入所述第一卷积神经网络模型的第二卷积层以得到第二卷积特征图；时间维度关注单元，用于计算所述第一卷积特征图和所述第二卷积特征图的按位置点乘以得到时间注意力图；概率化单元，用于将所述时间注意力图输入Softmax函数以将所述时间注意力图中各个位置的特征值映射到0到1的概率空间中以得到时间注意力特征图；第三卷积单元，用于将所述第二B超显影图像输入所述第一卷积神经网络模型的第三卷积层以得到第三卷积特征图；以及，注意力施加单元，用于计算所述第三卷积特征图和所述时间注意力特征图的按位置点乘以得到当前帧跟踪特征图。
在上述妇产科临床孕妇产前监测系统中，所述信息保真模块，进一步用于以所述B超跟踪特征向量的二范数为偏置，以如下公式对所述B超跟踪特征向量中各个位置的特征值进行校正以得到所述校正后B超跟踪特征向量；其中，所述公式为：
Figure BDA0003863102960000031
其中，V表示B超跟踪特征向量，Σ为B超跟踪特征向量的自协方差矩阵，μ和σ分别是所述B超跟踪特征向量的全局均值和方差，||V||2表示B超跟踪特征向量的二范数，exo(·)表示向量的指数运算，所述向量的指数运算表示分别计算以向量中各个位置的特征值为幂的自然指数函数值。
在上述妇产科临床孕妇产前监测系统中，所述检测值编码模块，包括：排列单元，用于将所述待评估孕妇的所有次产前检查数据中的血糖值、血压值、宫高腰围测量值以及体重检测值分别按照时间维度排列为血糖输入向量、血压输入向量、宫高腰围输入向量和体重输入向量；第一尺度邻域编码单元，用于使用所述多尺度邻域特征提取模块的第一卷积层使用具有第一长度的一维卷积核对所述血糖输入向量、所述血压输入向量、所述宫高腰围输入向量和所述体重输入向量进行一维卷积编码以得到第一尺度血糖特征向量、第一尺度血压特征向量、第一尺度宫高腰围特征向量和第一尺度体重特征向量；第二尺度邻域编码单元，用于使用多尺度邻域特征提取模块的第二卷积层使用具有第二长度的一维卷积核对所述血糖输入向量、所述血压输入向量、所述宫高腰围输入向量和所述体重输入向量进行一维卷积编码以得到第二尺度血糖特征向量、第二尺度血压特征向量、第二尺度宫高腰围特征向量和第二尺度体重特征向量，其中，所述第一长度不同于所述第二长度；以及，级联单元，用于将所述第一尺度血糖特征向量、所述第一尺度血压特征向量、所述第一尺度宫高腰围特征向量和所述第一尺度体重特征向量和对应所述第二尺度血糖特征向量、所述第二尺度血压特征向量、所述第二尺度宫高腰围特征向量和所述第二尺度体重特征向量进行级联以得到所述多尺度邻域血糖特征向量、所述多尺度邻域血压特征向量、所述多尺度邻域宫高腰围特征向量和所述多尺度邻域体重特征向量。
在上述妇产科临床孕妇产前监测系统中，所述第一尺度邻域编码单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述血糖输入向量、所述血压输入向量、所述宫高腰围输入向量和所述体重输入向量进行一维卷积编码以得到第一尺度血糖特征向量、第一尺度血压特征向量、第一尺度宫高腰围特征向量和第一尺度体重特征向量；其中，所述公式为：
Figure BDA0003863102960000041
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述血糖输入向量、所述血压输入向量、所述宫高腰围输入向量和所述体重输入向量。
在上述妇产科临床孕妇产前监测系统中，所述第二邻域尺度编码单元，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述血糖输入向量、所述血压输入向量、所述宫高腰围输入向量和所述体重输入向量进行一维卷积编码以得到所述第二尺度血糖特征向量、第二尺度血压特征向量、第二尺度宫高腰围特征向量和第二尺度体重特征向量；其中，所述公式为：
Figure BDA0003863102960000042
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述血糖输入向量、所述血压输入向量、所述宫高腰围输入向量和所述体重输入向量。
在上述妇产科临床孕妇产前监测系统中，所述产前监测结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：
softmax{(M2,B2):…:(M1,B1)|Project(F)}
其中Project(F)表示将所述增强振动特征矩阵投影为向量，M1和M2为各层全连接层的权重矩阵，B1和B2表示各层全连接层的偏置矩阵。
根据本申请的另一方面，还提供了一种妇产科临床孕妇产前监测方法，其包括：
获取待评估孕妇在怀孕期间的所有次产前检查数据，其中，每次所述产前检查数据包括B超显影图像、血糖值、血压值、宫高腰围测量值以及体重检测值；
将所述待评估孕妇的所有次产前检查数据中的B超显影图像通过使用时间注意力机制的第一卷积神经网络模型以得到B超跟踪特征图；
计算所述B超跟踪特征图的沿通道维度的各个特征矩阵的全局均值以得到B超跟踪特征向量；
以所述B超跟踪特征向量的二范数为偏置，对所述B超跟踪特征向量中各个位置的特征值进行校正以得到校正后B超跟踪特征向量；
将所述待评估孕妇的所有次产前检查数据中的血糖值、血压值、宫高腰围测量值以及体重检测值分别按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域血糖特征向量、多尺度邻域血压特征向量、多尺度邻域宫高腰围特征向量和多尺度邻域体重特征向量；
将所述B超跟踪特征向量、所述多尺度邻域血糖特征向量、所述多尺度邻域血压特征向量、所述多尺度邻域宫高腰围特征向量和所述多尺度邻域体重特征向量排列为二维特征矩阵后通过作为特征提取器的第二卷积神经网络模型以得到分类特征图；以及
将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评估孕妇的产前状态是否正常。
与现有技术相比，本申请提供的妇产科临床孕妇产前监测系统，其使用时间注意力机制的第一卷积神经网络模型来重点关注所述待评估孕妇的B超显影图像的空间特征在时间维度上的特征，并以多尺度邻域特征提取模块作为特征提取器来捕捉所有次产前检查数据中各个数据项的动态变化特征，在高维特征空间中，对B超跟踪特征图、多尺度邻域血糖特征向量、多尺度邻域血压特征向量、多尺度邻域宫高腰围特征向量和多尺度邻域体重特征向量进行关联编码以得到分类特征图，利用分类器对所述分类特征图进行分类以得到用于表示待评估孕妇的产前状态是否正常的分类结果。这样，提高孕妇的产前状态评估的精准度。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的妇产科临床孕妇产前监测系统的框图。
图2图示了根据本申请实施例的妇产科临床孕妇产前监测系统的架构示意图。
图3图示了根据本申请实施例的妇产科临床孕妇产前监测系统中B超显影图像编码模块的框图。
图4图示了根据本申请实施例的妇产科临床孕妇产前监测系统中检测值编码模块的框图。
图5图示了根据本申请实施例的妇产科临床孕妇产前监测方法的流程图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
目前医院医疗资源稀缺，孕妇不仅需要花费很长的时间去做上述检查项目，同时，还需要花费很长时间在等待妇产科医生方面，这使得孕妇产前检查的用户体验不佳。近年来，基于大数据、人工智能和云计算等技术支持的智慧医疗得到快速发展，这为妇产科临床孕妇产前监测提供了新的解决思路和方案。
相应地，妇产科临床孕妇产前监测本质上可以转化为分类问题，也就是，从孕妇产前检查数据中提取特征，并利用分类器对所提取的检查特征进行分类以得到用于表示待评估孕妇的产前状态是否正常的分类结果。但是，孕妇产前检查涉及多个检查项目，不同检查项目所产生的数据是不同源且不同模态的，这给基于智慧医疗的妇产科临床孕妇产前监测带来了诸多技术困难。其次，孕妇产前检查是一个长期的过程，在对当前产前状态进行监测与评估时，需要结合历史数据，而不能仅基于本次的检查数据。
因此，在本申请的技术方案中，从待评估孕妇在怀孕期间的所有次产前检查数据中提取各项检查指标的动态变化特征，以及，各个检查指标之间的高维隐含关联特征来提高孕妇的产前状态评估的精准度。具体地，首先获取待评估孕妇在怀孕期间的所有次产前检查数据，其中，每次所述产前检查数据包括B超显影图像、血糖值、血压值、宫高腰围测量值以及体重检测值。
然后，将所述待评估孕妇的所有次产前检查数据中的B超显影图像通过使用时间注意力机制的第一卷积神经网络模型以得到B超跟踪特征图。也就是，以使用时间注意力机制的第一卷积神经网络模型来重点关注所述待评估孕妇的B超显影图像的空间特征在时间维度上的特征。为了更为清晰地说明所述第一卷积神经网络模型的编码过程，以相邻两次的B超显影图像为例，(第一B超显影图像和第二B超显影图像)。首先，将所述第一B超显影图像和所述第二B超显影图分别输入所述第一卷积神经网络模型的卷积层以得到第一卷积特征图和第二卷积特征图，也就是，以卷积编码来提取各个B超显影图像的空间特征。然后，计算所述第一卷积特征图和所述第二卷积特征图的按位置点乘以得到时间注意力图，也就是，将不同次的B超显影图像的空间特征沿着时间维度进行叠加以从数值角度来表征不同次的B超显影图像的空间特征沿时间维度上更应被关注的部分。接着，将所述时间注意力图输入Softmax函数以将所述时间注意力图中各个位置的特征值映射到0到1的概率空间中以得到时间注意力特征图。然后，将所述第二B超显影图像输入所述第一卷积神经网络模型的卷积层以得到第三卷积特征图。最终，计算所述第三卷积特征图和所述时间注意力特征图的按位置点乘以得到当前帧跟踪特征图。应可以理解，所述当前帧跟踪特征图包含了第一B超显影图像中应重点被关注的特征。通过这样的方式进行递推，就可以得到所述B超跟踪特征图。
接着，将所述待评估孕妇的所有次产前检查数据中的血糖值、血压值、宫高腰围测量值以及体重检测值分别按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域血糖特征向量、多尺度邻域血压特征向量、多尺度邻域宫高腰围特征向量和多尺度邻域体重特征向量。也就是，在本申请的技术方案中，以多尺度邻域特征提取模块作为特征提取器来捕捉所有次产前检查数据中各个数据项的动态变化特征。特别地，所述多尺度邻域特征提取模块包括多个具有不同长度的一维卷积核的一维卷积层，其能够提取所有次产前检查数据中各个数据项在不同时间跨度内的特征模式。
然后，在高维特征空间中，对所述B超跟踪特征图、所述多尺度邻域血糖特征向量、所述多尺度邻域血压特征向量、所述多尺度邻域宫高腰围特征向量和所述多尺度邻域体重特征向量进行关联编码。应注意到，所述B超跟踪特征图为三维张量，而其他特征则为一维特征向量，因此，在进行关联编码前，还需要进行数据整形以进行维度统一。在本申请的一个技术方案中，计算所述B超跟踪特征图的沿通道维度的各个特征矩阵的全局均值以得到B超跟踪特征向量，也就是，以沿通道维度的全局均值池化来对所述B超跟踪特征图进行降维。
这里，在计算所述B超跟踪特征图的沿通道维度的各个特征矩阵的全局均值以得到所述B超跟踪特征向量时，由于特征矩阵的全局池化的下采样，所述B超跟踪特征向量相对于所述B超跟踪特征图的表达能力弱化，同时，由于所述第一卷积神经网络模型的时间注意力机制，所述B超跟踪特征图的各通道的特征矩阵之间具有较强相关性，这也被特征矩阵的全局池化的下采样削弱。
基于此，对所述B超跟踪特征向量进行修正，表示为：
Figure BDA0003863102960000081
∑是所述B超跟踪特征向量V的自协方差矩阵，即矩阵的每个位置的值是向量V的每两个位置的特征值之间的方差，μ和σ分别是所述B超跟踪特征向量V的全局均值和方差。
具体地，基于全局均值池化的下采样前向传播，上述对所述B超跟踪特征向量进行的修正通过可学习的正态采样偏移引导特征工程来有效地建模所述B超跟踪特征向量对所述B超跟踪特征图的长程依赖关系，并且进一步考虑所述B超跟踪特征向量的局部和非局部邻域来进行所述B超跟踪特征向量的各个特征值间的相关性的修复，从而增强所述B超跟踪特征向量相对于所述B超跟踪特征图的表达一致性。
然后，将所述B超跟踪特征向量、所述多尺度邻域血糖特征向量、所述多尺度邻域血压特征向量、所述多尺度邻域宫高腰围特征向量和所述多尺度邻域体重特征向量排列为二维特征矩阵后通过作为特征提取器的第二卷积神经网络模型以得到分类特征图。也就是，以使用二维卷积核的卷积神经网络模型作为特征提取器来对由所述B超跟踪特征向量、所述多尺度邻域血糖特征向量、所述多尺度邻域血压特征向量、所述多尺度邻域宫高腰围特征向量和所述多尺度邻域体重特征向量组成的二维特征矩阵进行显式空间编码以提取待评估孕妇在怀孕期间的所有次产前检查数据中各项数据的高维特征表示间的高维隐含关联特征以得到所述分类特征图。继而，将将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评估孕妇的产前状态是否正常。
这样，基于大数据、人工智能和云计算等技术支持的智慧医疗得到快速发展，这为妇产科临床孕妇产前监测提供了新的解决思路和方案，以优化孕妇产前体验且为孕妇提供科学且专业的参考评估意见。
基于此，本申请提供了妇产科临床孕妇产前监测系统，其包括：孕前检查数据采集模块，用于获取待评估孕妇在怀孕期间的所有次产前检查数据，其中，每次所述产前检查数据包括B超显影图像、血糖值、血压值、宫高腰围测量值以及体重检测值；B超显影图像编码模块，用于将所述待评估孕妇的所有次产前检查数据中的B超显影图像通过使用时间注意力机制的第一卷积神经网络模型以得到B超跟踪特征图；降维模块，用于计算所述B超跟踪特征图的沿通道维度的各个特征矩阵的全局均值以得到B超跟踪特征向量；信息保真模块，用于以所述B超跟踪特征向量的二范数为偏置，对所述B超跟踪特征向量中各个位置的特征值进行校正以得到校正后B超跟踪特征向量；检测值编码模块，用于将所述待评估孕妇的所有次产前检查数据中的血糖值、血压值、宫高腰围测量值以及体重检测值分别按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域血糖特征向量、多尺度邻域血压特征向量、多尺度邻域宫高腰围特征向量和多尺度邻域体重特征向量；多源特征关联编码模块，用于将所述B超跟踪特征向量、所述多尺度邻域血糖特征向量、所述多尺度邻域血压特征向量、所述多尺度邻域宫高腰围特征向量和所述多尺度邻域体重特征向量排列为二维特征矩阵后通过作为特征提取器的第二卷积神经网络模型以得到分类特征图；以及，产前监测结果生成模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评估孕妇的产前状态是否正常。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1图示了根据本申请实施例的妇产科临床孕妇产前监测系统的框图。如图1所示，根据本申请实施例的妇产科临床孕妇产前监测系统100，包括：孕前检查数据采集模块110，用于获取待评估孕妇在怀孕期间的所有次产前检查数据，其中，每次所述产前检查数据包括B超显影图像、血糖值、血压值、宫高腰围测量值以及体重检测值；B超显影图像编码模块120，用于将所述待评估孕妇的所有次产前检查数据中的B超显影图像通过使用时间注意力机制的第一卷积神经网络模型以得到B超跟踪特征图；降维模块130，用于计算所述B超跟踪特征图的沿通道维度的各个特征矩阵的全局均值以得到B超跟踪特征向量；信息保真模块140，用于以所述B超跟踪特征向量的二范数为偏置，对所述B超跟踪特征向量中各个位置的特征值进行校正以得到校正后B超跟踪特征向量；检测值编码模块150，用于将所述待评估孕妇的所有次产前检查数据中的血糖值、血压值、宫高腰围测量值以及体重检测值分别按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域血糖特征向量、多尺度邻域血压特征向量、多尺度邻域宫高腰围特征向量和多尺度邻域体重特征向量；多源特征关联编码模块160，用于将所述B超跟踪特征向量、所述多尺度邻域血糖特征向量、所述多尺度邻域血压特征向量、所述多尺度邻域宫高腰围特征向量和所述多尺度邻域体重特征向量排列为二维特征矩阵后通过作为特征提取器的第二卷积神经网络模型以得到分类特征图；以及，产前监测结果生成模块170，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评估孕妇的产前状态是否正常。
图2图示了根据本申请实施例的妇产科临床孕妇产前监测系统的架构示意图。如图2所示，首先获取待评估孕妇在怀孕期间的所有次产前检查数据，其中，每次所述产前检查数据包括B超显影图像、血糖值、血压值、宫高腰围测量值以及体重检测值。接着，将所述待评估孕妇的所有次产前检查数据中的B超显影图像通过使用时间注意力机制的第一卷积神经网络模型以得到B超跟踪特征图。然后，计算所述B超跟踪特征图的沿通道维度的各个特征矩阵的全局均值以得到B超跟踪特征向量。接着，以所述B超跟踪特征向量的二范数为偏置，对所述B超跟踪特征向量中各个位置的特征值进行校正以得到校正后B超跟踪特征向量。然后，将所述待评估孕妇的所有次产前检查数据中的血糖值、血压值、宫高腰围测量值以及体重检测值分别按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域血糖特征向量、多尺度邻域血压特征向量、多尺度邻域宫高腰围特征向量和多尺度邻域体重特征向量。接着，将所述B超跟踪特征向量、所述多尺度邻域血糖特征向量、所述多尺度邻域血压特征向量、所述多尺度邻域宫高腰围特征向量和所述多尺度邻域体重特征向量排列为二维特征矩阵后通过作为特征提取器的第二卷积神经网络模型以得到分类特征图。然后，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评估孕妇的产前状态是否正常。
在上述妇产科临床孕妇产前监测系统100中，所述孕前检查数据采集模块110，用于获取待评估孕妇在怀孕期间的所有次产前检查数据，其中，每次所述产前检查数据包括B超显影图像、血糖值、血压值、宫高腰围测量值以及体重检测值。妇产科临床孕妇产前监测本质上可以转化为分类问题，也就是，从孕妇产前检查数据中提取特征，并利用分类器对所提取的检查特征进行分类以得到用于表示待评估孕妇的产前状态是否正常的分类结果。但是，孕妇产前检查涉及多个检查项目，不同检查项目所产生的数据是不同源且不同模态的，这给基于智慧医疗的妇产科临床孕妇产前监测带来了诸多技术困难。其次，孕妇产前检查是一个长期的过程，在对当前产前状态进行监测与评估时，需要结合历史数据，而不能仅基于本次的检查数据。
因此，在本申请的技术方案中，从待评估孕妇在怀孕期间的所有次产前检查数据中提取各项检查指标的动态变化特征，以及，各个检查指标之间的高维隐含关联特征来提高孕妇的产前状态评估的精准度。具体地，首先获取待评估孕妇在怀孕期间的所有次产前检查数据，其中，每次所述产前检查数据包括B超显影图像、血糖值、血压值、宫高腰围测量值以及体重检测值。
在上述妇产科临床孕妇产前监测系统100中，所述B超显影图像编码模块120，用于将所述待评估孕妇的所有次产前检查数据中的B超显影图像通过使用时间注意力机制的第一卷积神经网络模型以得到B超跟踪特征图。也就是，以使用时间注意力机制的第一卷积神经网络模型来重点关注所述待评估孕妇的B超显影图像的空间特征在时间维度上的特征。
为了更为清晰地说明所述第一卷积神经网络模型的编码过程，以相邻两次的B超显影图像为例，(第一B超显影图像和第二B超显影图像)。首先，将所述第一B超显影图像和所述第二B超显影图分别输入所述第一卷积神经网络模型的卷积层以得到第一卷积特征图和第二卷积特征图，也就是，以卷积编码来提取各个B超显影图像的空间特征。然后，计算所述第一卷积特征图和所述第二卷积特征图的按位置点乘以得到时间注意力图，也就是，将不同次的B超显影图像的空间特征沿着时间维度进行叠加以从数值角度来表征不同次的B超显影图像的空间特征沿时间维度上更应被关注的部分。接着，将所述时间注意力图输入Softmax函数以将所述时间注意力图中各个位置的特征值映射到0到1的概率空间中以得到时间注意力特征图。然后，将所述第二B超显影图像输入所述第一卷积神经网络模型的卷积层以得到第三卷积特征图。最终，计算所述第三卷积特征图和所述时间注意力特征图的按位置点乘以得到当前帧跟踪特征图。应可以理解，所述当前帧跟踪特征图包含了第一B超显影图像中应重点被关注的特征。通过这样的方式进行递推，就可以得到所述B超跟踪特征图。
图3图示了根据本申请实施例的妇产科临床孕妇产前监测系统中B超显影图像编码模块的框图。如图3所示，在上述妇产科临床孕妇产前监测系统100中，所述B超显影图像编码模块120，包括：图像帧提取单元121，用于从所述待评估孕妇的所有次产前检查数据中的B超显影图像提取相邻的第一B超显影图像和第二B超显影图像；第一卷积单元122，用于将所述第一B超显影图像输入所述第一卷积神经网络模型的第一卷积层以得到第一卷积特征图；第二卷积单元123，用于将所述第二B超显影图像输入所述第一卷积神经网络模型的第二卷积层以得到第二卷积特征图；时间维度关注单元124，用于计算所述第一卷积特征图和所述第二卷积特征图的按位置点乘以得到时间注意力图；概率化单元125，用于将所述时间注意力图输入Softmax函数以将所述时间注意力图中各个位置的特征值映射到0到1的概率空间中以得到时间注意力特征图；第三卷积单元126，用于将所述第二B超显影图像输入所述第一卷积神经网络模型的第三卷积层以得到第三卷积特征图；以及，注意力施加单元127，用于计算所述第三卷积特征图和所述时间注意力特征图的按位置点乘以得到当前帧跟踪特征图。
在上述妇产科临床孕妇产前监测系统100中，所述降维模块130，用于计算所述B超跟踪特征图的沿通道维度的各个特征矩阵的全局均值以得到B超跟踪特征向量。这里，应注意到，所述B超跟踪特征图为三维张量，为了方便后续的计算，还需要进行数据整形以进行维度统一。因此，本申请的一个技术方案中，计算所述B超跟踪特征图的沿通道维度的各个特征矩阵的全局均值以得到B超跟踪特征向量，也就是，以沿通道维度的全局均值池化来对所述B超跟踪特征图进行降维。
在上述妇产科临床孕妇产前监测系统100中，所述信息保真模块140，用于以所述B超跟踪特征向量的二范数为偏置，对所述B超跟踪特征向量中各个位置的特征值进行校正以得到校正后B超跟踪特征向量。这里，在计算所述B超跟踪特征图的沿通道维度的各个特征矩阵的全局均值以得到所述B超跟踪特征向量时，由于特征矩阵的全局池化的下采样，所述B超跟踪特征向量相对于所述B超跟踪特征图的表达能力弱化，同时，由于所述第一卷积神经网络模型的时间注意力机制，所述B超跟踪特征图的各通道的特征矩阵之间具有较强相关性，这也被特征矩阵的全局池化的下采样削弱。基于此，对所述B超跟踪特征向量进行修正。
在一个示例中，在上述妇产科临床孕妇产前监测系统100中，所述信息保真模块140，进一步用于以所述B超跟踪特征向量的二范数为偏置，以如下公式对所述B超跟踪特征向量中各个位置的特征值进行校正以得到所述校正后B超跟踪特征向量；其中，所述公式为：
Figure BDA0003863102960000131
其中，V表示B超跟踪特征向量，Σ为B超跟踪特征向量的自协方差矩阵，μ和σ分别是所述B超跟踪特征向量的全局均值和方差，||V||2表示B超跟踪特征向量的二范数，exp(·)表示向量的指数运算，所述向量的指数运算表示分别计算以向量中各个位置的特征值为幂的自然指数函数值。
具体地，基于全局均值池化的下采样前向传播，上述对所述B超跟踪特征向量进行的修正通过可学习的正态采样偏移引导特征工程来有效地建模所述B超跟踪特征向量对所述B超跟踪特征图的长程依赖关系，并且进一步考虑所述B超跟踪特征向量的局部和非局部邻域来进行所述B超跟踪特征向量的各个特征值间的相关性的修复，从而增强所述B超跟踪特征向量相对于所述B超跟踪特征图的表达一致性。
在上述妇产科临床孕妇产前监测系统100中，所述检测值编码模块150，用于将所述待评估孕妇的所有次产前检查数据中的血糖值、血压值、宫高腰围测量值以及体重检测值分别按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域血糖特征向量、多尺度邻域血压特征向量、多尺度邻域宫高腰围特征向量和多尺度邻域体重特征向量。也就是，在本申请的技术方案中，以多尺度邻域特征提取模块作为特征提取器来捕捉所有次产前检查数据中各个数据项的动态变化特征。特别地，所述多尺度邻域特征提取模块包括多个具有不同长度的一维卷积核的一维卷积层，其能够提取所有次产前检查数据中各个数据项在不同时间跨度内的特征模式。
图4图示了根据本申请实施例的妇产科临床孕妇产前监测系统中检测值编码模块的框图。如图4所示，在上述妇产科临床孕妇产前监测系统100中，所述检测值编码模块150，包括：排列单元151，用于将所述待评估孕妇的所有次产前检查数据中的血糖值、血压值、宫高腰围测量值以及体重检测值分别按照时间维度排列为血糖输入向量、血压输入向量、宫高腰围输入向量和体重输入向量；第一尺度邻域编码单元152，用于使用所述多尺度邻域特征提取模块的第一卷积层使用具有第一长度的一维卷积核对所述血糖输入向量、所述血压输入向量、所述宫高腰围输入向量和所述体重输入向量进行一维卷积编码以得到第一尺度血糖特征向量、第一尺度血压特征向量、第一尺度宫高腰围特征向量和第一尺度体重特征向量；第二尺度邻域编码单元153，用于使用多尺度邻域特征提取模块的第二卷积层使用具有第二长度的一维卷积核对所述血糖输入向量、所述血压输入向量、所述宫高腰围输入向量和所述体重输入向量进行一维卷积编码以得到第二尺度血糖特征向量、第二尺度血压特征向量、第二尺度宫高腰围特征向量和第二尺度体重特征向量，其中，所述第一长度不同于所述第二长度；以及，级联单元154，用于将所述第一尺度血糖特征向量、所述第一尺度血压特征向量、所述第一尺度宫高腰围特征向量和所述第一尺度体重特征向量和对应所述第二尺度血糖特征向量、所述第二尺度血压特征向量、所述第二尺度宫高腰围特征向量和所述第二尺度体重特征向量进行级联以得到所述多尺度邻域血糖特征向量、所述多尺度邻域血压特征向量、所述多尺度邻域宫高腰围特征向量和所述多尺度邻域体重特征向量。
在一个示例中，在上述妇产科临床孕妇产前监测系统100中，所述第一尺度邻域编码单元152，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述血糖输入向量、所述血压输入向量、所述宫高腰围输入向量和所述体重输入向量进行一维卷积编码以得到第一尺度血糖特征向量、第一尺度血压特征向量、第一尺度宫高腰围特征向量和第一尺度体重特征向量；其中，所述公式为：
Figure BDA0003863102960000151
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述血糖输入向量、所述血压输入向量、所述宫高腰围输入向量和所述体重输入向量。
在一个示例中，在上述妇产科临床孕妇产前监测系统100中，所述第二邻域尺度编码单元153，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述血糖输入向量、所述血压输入向量、所述宫高腰围输入向量和所述体重输入向量进行一维卷积编码以得到所述第二尺度血糖特征向量、第二尺度血压特征向量、第二尺度宫高腰围特征向量和第二尺度体重特征向量；其中，所述公式为：
Figure BDA0003863102960000152
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述血糖输入向量、所述血压输入向量、所述宫高腰围输入向量和所述体重输入向量。
在上述妇产科临床孕妇产前监测系统100中，所述多源特征关联编码模块160，用于将所述B超跟踪特征向量、所述多尺度邻域血糖特征向量、所述多尺度邻域血压特征向量、所述多尺度邻域宫高腰围特征向量和所述多尺度邻域体重特征向量排列为二维特征矩阵后通过作为特征提取器的第二卷积神经网络模型以得到分类特征图。也就是，在高维特征空间中，对所述B超跟踪特征图、所述多尺度邻域血糖特征向量、所述多尺度邻域血压特征向量、所述多尺度邻域宫高腰围特征向量和所述多尺度邻域体重特征向量进行关联编码。具体地，以使用二维卷积核的卷积神经网络模型作为特征提取器来对由所述B超跟踪特征向量、所述多尺度邻域血糖特征向量、所述多尺度邻域血压特征向量、所述多尺度邻域宫高腰围特征向量和所述多尺度邻域体重特征向量组成的二维特征矩阵进行显式空间编码以提取待评估孕妇在怀孕期间的所有次产前检查数据中各项数据的高维特征表示间的高维隐含关联特征以得到所述分类特征图。
在上述妇产科临床孕妇产前监测系统100中，所述产前监测结果生成模块170，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评估孕妇的产前状态是否正常。
这样，基于大数据、人工智能和云计算等技术支持的智慧医疗得到快速发展，这为妇产科临床孕妇产前监测提供了新的解决思路和方案，以优化孕妇产前体验且为孕妇提供科学且专业的参考评估意见。
在一个示例中，在上述妇产科临床孕妇产前监测系统100中，所述产前监测结果生成模块170，进一步用于：使用所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：
softmax{(M2,B2):…:(M1,B1)|Project(F)}
其中Project(F)表示将所述增强振动特征矩阵投影为向量，M1和M2为各层全连接层的权重矩阵，B1和B2表示各层全连接层的偏置矩阵。
综上，基于本申请实施例的妇产科临床孕妇产前监测系统100被阐明，其使用时间注意力机制的第一卷积神经网络模型来重点关注所述待评估孕妇的B超显影图像的空间特征在时间维度上的特征，并以多尺度邻域特征提取模块作为特征提取器来捕捉所有次产前检查数据中各个数据项的动态变化特征，在高维特征空间中，对B超跟踪特征图、多尺度邻域血糖特征向量、多尺度邻域血压特征向量、多尺度邻域宫高腰围特征向量和多尺度邻域体重特征向量进行关联编码以得到分类特征图，利用分类器对所述分类特征图进行分类以得到用于表示待评估孕妇的产前状态是否正常的分类结果。这样，提高孕妇的产前状态评估的精准度。
如上所述，根据本申请实施例的妇产科临床孕妇产前监测系统100可以实现在各种终端设备中，例如用于妇产科临床孕妇产前监测的服务器等。在一个示例中，根据本申请实施例的妇产科临床孕妇产前监测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该妇产科临床孕妇产前监测系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该妇产科临床孕妇产前监测系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该妇产科临床孕妇产前监测系统100与该终端设备也可以是分立的设备，并且该妇产科临床孕妇产前监测系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图5图示了根据本申请实施例的妇产科临床孕妇产前监测方法的流程图。如图5所示，根据本申请实施例的妇产科临床孕妇产前监测方法，包括：S110，获取待评估孕妇在怀孕期间的所有次产前检查数据，其中，每次所述产前检查数据包括B超显影图像、血糖值、血压值、宫高腰围测量值以及体重检测值；S120，将所述待评估孕妇的所有次产前检查数据中的B超显影图像通过使用时间注意力机制的第一卷积神经网络模型以得到B超跟踪特征图；S130，计算所述B超跟踪特征图的沿通道维度的各个特征矩阵的全局均值以得到B超跟踪特征向量；S140，以所述B超跟踪特征向量的二范数为偏置，对所述B超跟踪特征向量中各个位置的特征值进行校正以得到校正后B超跟踪特征向量；S150，将所述待评估孕妇的所有次产前检查数据中的血糖值、血压值、宫高腰围测量值以及体重检测值分别按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域血糖特征向量、多尺度邻域血压特征向量、多尺度邻域宫高腰围特征向量和多尺度邻域体重特征向量；S160，将所述B超跟踪特征向量、所述多尺度邻域血糖特征向量、所述多尺度邻域血压特征向量、所述多尺度邻域宫高腰围特征向量和所述多尺度邻域体重特征向量排列为二维特征矩阵后通过作为特征提取器的第二卷积神经网络模型以得到分类特征图；以及，S170，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评估孕妇的产前状态是否正常。
综上，本申请实施例的妇产科临床孕妇产前监测方法被阐明，其使用时间注意力机制的第一卷积神经网络模型来重点关注所述待评估孕妇的B超显影图像的空间特征在时间维度上的特征，并以多尺度邻域特征提取模块作为特征提取器来捕捉所有次产前检查数据中各个数据项的动态变化特征，在高维特征空间中，对B超跟踪特征图、多尺度邻域血糖特征向量、多尺度邻域血压特征向量、多尺度邻域宫高腰围特征向量和多尺度邻域体重特征向量进行关联编码以得到分类特征图，利用分类器对所述分类特征图进行分类以得到用于表示待评估孕妇的产前状态是否正常的分类结果。这样，提高孕妇的产前状态评估的精准度。

Claims (7)

1.妇产科临床孕妇产前监测系统，其特征在于，包括：
孕前检查数据采集模块，用于获取待评估孕妇在怀孕期间的所有次产前检查数据，其中，每次所述产前检查数据包括B超显影图像、血糖值、血压值、宫高腰围测量值以及体重检测值；
B超显影图像编码模块，用于将所述待评估孕妇的所有次产前检查数据中的B超显影图像通过使用时间注意力机制的第一卷积神经网络模型以得到B超跟踪特征图；
降维模块，用于计算所述B超跟踪特征图的沿通道维度的各个特征矩阵的全局均值以得到B超跟踪特征向量；
信息保真模块，用于以所述B超跟踪特征向量的二范数为偏置，对所述B超跟踪特征向量中各个位置的特征值进行校正以得到校正后B超跟踪特征向量；
检测值编码模块，用于将所述待评估孕妇的所有次产前检查数据中的血糖值、血压值、宫高腰围测量值以及体重检测值分别按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域血糖特征向量、多尺度邻域血压特征向量、多尺度邻域宫高腰围特征向量和多尺度邻域体重特征向量；
多源特征关联编码模块，用于将所述B超跟踪特征向量、所述多尺度邻域血糖特征向量、所述多尺度邻域血压特征向量、所述多尺度邻域宫高腰围特征向量和所述多尺度邻域体重特征向量排列为二维特征矩阵后通过作为特征提取器的第二卷积神经网络模型以得到分类特征图；以及
产前监测结果生成模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评估孕妇的产前状态是否正常。
2.根据权利要求1所述的妇产科临床孕妇产前监测系统，其特征在于，所述B超显影图像编码模块，包括：
图像帧提取单元，用于从所述待评估孕妇的所有次产前检查数据中的B超显影图像提取相邻的第一B超显影图像和第二B超显影图像；
第一卷积单元，用于将所述第一B超显影图像输入所述第一卷积神经网络模型的第一卷积层以得到第一卷积特征图；
第二卷积单元，用于将所述第二B超显影图像输入所述第一卷积神经网络模型的第二卷积层以得到第二卷积特征图；
时间维度关注单元，用于计算所述第一卷积特征图和所述第二卷积特征图的按位置点乘以得到时间注意力图；
概率化单元，用于将所述时间注意力图输入Softmax函数以将所述时间注意力图中各个位置的特征值映射到0到1的概率空间中以得到时间注意力特征图；
第三卷积单元，用于将所述第二B超显影图像输入所述第一卷积神经网络模型的第三卷积层以得到第三卷积特征图；以及
注意力施加单元，用于计算所述第三卷积特征图和所述时间注意力特征图的按位置点乘以得到当前帧跟踪特征图。
3.根据权利要求2所述的妇产科临床孕妇产前监测系统，其特征在于，所述信息保真模块，进一步用于以所述B超跟踪特征向量的二范数为偏置，以如下公式对所述B超跟踪特征向量中各个位置的特征值进行校正以得到所述校正后B超跟踪特征向量；
其中，所述公式为：
Figure FDA0003863102950000021
其中，V表示B超跟踪特征向量，Σ为B超跟踪特征向量的自协方差矩阵，μ和σ分别是所述B超跟踪特征向量的全局均值和方差，||V||2表示B超跟踪特征向量的二范数，exp(·)表示向量的指数运算，所述向量的指数运算表示分别计算以向量中各个位置的特征值为幂的自然指数函数值。
4.根据权利要求3所述的妇产科临床孕妇产前监测系统，其特征在于，所述检测值编码模块，包括：
排列单元，用于将所述待评估孕妇的所有次产前检查数据中的血糖值、血压值、宫高腰围测量值以及体重检测值分别按照时间维度排列为血糖输入向量、血压输入向量、宫高腰围输入向量和体重输入向量；
第一尺度邻域编码单元，用于使用所述多尺度邻域特征提取模块的第一卷积层使用具有第一长度的一维卷积核对所述血糖输入向量、所述血压输入向量、所述宫高腰围输入向量和所述体重输入向量进行一维卷积编码以得到第一尺度血糖特征向量、第一尺度血压特征向量、第一尺度宫高腰围特征向量和第一尺度体重特征向量；
第二尺度邻域编码单元，用于使用多尺度邻域特征提取模块的第二卷积层使用具有第二长度的一维卷积核对所述血糖输入向量、所述血压输入向量、所述宫高腰围输入向量和所述体重输入向量进行一维卷积编码以得到第二尺度血糖特征向量、第二尺度血压特征向量、第二尺度宫高腰围特征向量和第二尺度体重特征向量，其中，所述第一长度不同于所述第二长度；以及
级联单元，用于将所述第一尺度血糖特征向量、所述第一尺度血压特征向量、所述第一尺度宫高腰围特征向量和所述第一尺度体重特征向量和对应所述第二尺度血糖特征向量、所述第二尺度血压特征向量、所述第二尺度宫高腰围特征向量和所述第二尺度体重特征向量进行级联以得到所述多尺度邻域血糖特征向量、所述多尺度邻域血压特征向量、所述多尺度邻域宫高腰围特征向量和所述多尺度邻域体重特征向量。
5.根据权利要求4所述的妇产科临床孕妇产前监测系统，其特征在于，所述第一尺度邻域编码单元，进一步用于：
使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述血糖输入向量、所述血压输入向量、所述宫高腰围输入向量和所述体重输入向量进行一维卷积编码以得到第一尺度血糖特征向量、第一尺度血压特征向量、第一尺度宫高腰围特征向量和第一尺度体重特征向量；
其中，所述公式为：
Figure FDA0003863102950000031
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述血糖输入向量、所述血压输入向量、所述宫高腰围输入向量和所述体重输入向量。
6.根据权利要求5所述的妇产科临床孕妇产前监测系统，其特征在于，所述第二邻域尺度编码单元，进一步用于：
使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述血糖输入向量、所述血压输入向量、所述宫高腰围输入向量和所述体重输入向量进行一维卷积编码以得到所述第二尺度血糖特征向量、第二尺度血压特征向量、第二尺度宫高腰围特征向量和第二尺度体重特征向量；
其中，所述公式为：
Figure FDA0003863102950000041
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述血糖输入向量、所述血压输入向量、所述宫高腰围输入向量和所述体重输入向量。
7.根据权利要求6所述的妇产科临床孕妇产前监测系统，其特征在于，所述产前监测结果生成模块，进一步用于：
使用所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(M2,B2):…:(M1,B1)|Project(…)}
其中Project(F)表示将所述增强振动特征矩阵投影为向量，M1和M2为各层全连接层的权重矩阵，B1和B2表示各层全连接层的偏置矩阵。
CN202211171575.0A 2022-09-26 2022-09-26 妇产科临床孕妇产前监测系统 Withdrawn CN115462836A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211171575.0A CN115462836A (zh) 2022-09-26 2022-09-26 妇产科临床孕妇产前监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211171575.0A CN115462836A (zh) 2022-09-26 2022-09-26 妇产科临床孕妇产前监测系统

Publications (1)

Publication Number Publication Date
CN115462836A true CN115462836A (zh) 2022-12-13

Family

ID=84334401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211171575.0A Withdrawn CN115462836A (zh) 2022-09-26 2022-09-26 妇产科临床孕妇产前监测系统

Country Status (1)

Country Link
CN (1) CN115462836A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115932721A (zh) * 2022-12-15 2023-04-07 中际医学科技(山东)有限公司 超宽带射频天线的近距离探测系统及其方法
CN116269507A (zh) * 2023-05-23 2023-06-23 中日友好医院(中日友好临床医学研究所) 高尿酸血症和痛风性肾病分类方法、装置和电子设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115932721A (zh) * 2022-12-15 2023-04-07 中际医学科技(山东)有限公司 超宽带射频天线的近距离探测系统及其方法
CN116269507A (zh) * 2023-05-23 2023-06-23 中日友好医院(中日友好临床医学研究所) 高尿酸血症和痛风性肾病分类方法、装置和电子设备
CN116269507B (zh) * 2023-05-23 2023-07-25 中日友好医院(中日友好临床医学研究所) 高尿酸血症和痛风性肾病分类方法、装置和电子设备

Similar Documents

Publication Publication Date Title
CN115462836A (zh) 妇产科临床孕妇产前监测系统
Zhang et al. Detection of ovarian tumors in obstetric ultrasound imaging using logistic regression classifier with an advanced machine learning approach
US20230038364A1 (en) Method and system for automatically detecting anatomical structures in a medical image
CN112418329B (zh) 一种基于多尺度纹理特征融合宫颈oct图像分类方法及系统
JP2022518446A (ja) 深層学習に基づく医用画像検出方法及び装置、電子機器及びコンピュータプログラム
Rawat et al. Automated techniques for the interpretation of fetal abnormalities: a review
CN111820948B (zh) 胎儿生长参数测量方法、系统及超声设备
Wang et al. Automatic real-time CNN-based neonatal brain ventricles segmentation
Krishna et al. Automated classification of common maternal fetal ultrasound planes using multi-layer perceptron with deep feature integration
Sun et al. ISSMF: Integrated semantic and spatial information of multi-level features for automatic segmentation in prenatal ultrasound images
Horgan et al. Artificial intelligence in obstetric ultrasound: A scoping review
Kaplan et al. PFP‐LHCINCA: Pyramidal Fixed‐Size Patch‐Based Feature Extraction and Chi‐Square Iterative Neighborhood Component Analysis for Automated Fetal Sex Classification on Ultrasound Images
Krishna et al. Automated detection of common maternal fetal ultrasound planes using deep feature fusion
Wang et al. Deep learning based fetal middle cerebral artery segmentation in large-scale ultrasound images
Thirusangu et al. Segmentation of breast ultrasound images using densely connected deep convolutional neural network and attention gates
WO2023122326A9 (en) Methods, systems, and computer readable media for using trained machine learning model including an attention module to estimate gestational age from ultrasound image data
Sivari et al. Determination and classification of fetal sex on ultrasound images with deep learning
Dandıl et al. Fetal movement detection and anatomical plane recognition using YOLOv5 network in ultrasound scans
Xue et al. Early pregnancy fetal facial ultrasound standard plane‐assisted recognition algorithm
Devisri et al. Fetal growth analysis from ultrasound videos based on different biometrics using optimal segmentation and hybrid classifier
Keerthi et al. Intelligent diagnosis of fetal organs abnormal growth in ultrasound images using an ensemble CNN-TLFEM model
CN111080588A (zh) 基于多尺度神经网络的快速胎儿mr图像大脑提取方法
Yasarla et al. Learning to segment brain anatomy from 2d ultrasound with less data
García Ocaña et al. Prediction of failure of induction of labor from ultrasound images using radiomic features
Bastiaansen et al. Computational methods for the analysis of early-pregnancy brain ultrasonography: a systematic review

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20221213

WW01 Invention patent application withdrawn after publication