CN115602320B - 一种困难气道评估方法和系统 - Google Patents
一种困难气道评估方法和系统 Download PDFInfo
- Publication number
- CN115602320B CN115602320B CN202211597687.2A CN202211597687A CN115602320B CN 115602320 B CN115602320 B CN 115602320B CN 202211597687 A CN202211597687 A CN 202211597687A CN 115602320 B CN115602320 B CN 115602320B
- Authority
- CN
- China
- Prior art keywords
- data
- imaging
- evaluation
- digital
- difficult airway
- 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
- 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
- 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
- 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
- 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
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
-
- 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
- G06T2207/30036—Dental; Teeth
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种困难气道评估方法和系统,所述系统包括依次连接的诊断数据获取单元、影像学诊断数据标注单元和预测单元;诊断数据获取单元用于获取评估对象的影像学诊断数据和第一数字型诊断数据;影像学诊断数据标注单元用于对影像学诊断数据进行有效区块标注并提取困难气道相关指标;基于困难气道相关指标和第一数字型诊断数据得到第二数字型诊断数据;预测单元用于接收有效区块标注后的影像学诊断数据和第二数字型诊断数据,通过预先训练的困难气道评估模型进行预测,得到困难气道评估结果。本发明解决了现有技术中在进行困难气道评估时采用的数据不够全面,无法进行综合评估,导致评估不准确的问题。
Description
技术领域
本发明涉及临床医学技术领域,特别涉及一种困难气道评估方法和系统。
背景技术
气管插管是呼吸支持的关键技术,对于麻醉、重症医学及急诊医学来说,遇到插管前尚未预知的困难气道,可能会导致灾难性的临床结局,如气道损伤、脑缺氧甚至是死亡。插管前未能准确识别、评估困难气道均会增加患者的发病率和死亡率。
“困难气道”定义为经过麻醉医学培训的医师面临预期或意外的气道管理困难或失败的临床情况,根据2022年美国麻醉师协会困难气道管理实践指南,困难气道包含一种或多种情况:面罩通气困难,气道暴露困难,声门上气道通气困难,气管插管困难或失败,拔管困难或失败,以及有创气道建立困难或失败。而术前对困难气道进行相对准确的评估将为气道管理提供十分有价值的信息,以便于医生提前做好插管方案及合适插管工具的准备。
目前已知的与困难气道相关的危险因素繁多,包括患者一般情况(年龄、BMI、性别、有无打鼾史、阻塞性睡眠呼吸暂停病史、外伤史、手术史和困难气道病史)、患者床旁的气道查体(张口度、甲颏间距、胸颏间距、头颈活动度、颈围、下颌骨长度、上下唇咬合试验、改良Mallampati 评分)、影像学评估(X线、CT及MRI等)。近年来的一些研究中也报道了,通过对上述指标的一些简单计算(颈围-前切牙指数、身高-甲颏间距比等)可能与困难气道的发生相关,而这些方法个体化差异较大,准确性也有待提高。对于颈椎患者而言,X线、CT及MRI数据、患者一般情况以及查体都对困难气道的评估起着决定性的作用。但目前尚无一套利用AI技术,综合患者一般情况、患者床旁的气道查体、影像学评估(X线、CT及MRI)各项数据的完整系统评估方法。尤其对于颈椎病的患者,应用了现有的术前评估系统,困难气道暴露的发生率可达17.1%,且远高于一般人群(5.8%)。由此发现,仅凭现有的单一因素、单角度、单维度的评估,难以获得准确的评估结果,亟需一种科学有效的综合性的困难气道评估系统。
发明内容
鉴于上述的分析,本发明旨在提供一种困难气道评估方法和系统;解决了现有技术中在进行困难气道评估时采用的数据不够全面,没有结合评估对象的影像学诊断数据进行综合评估,导致评估不准确的问题。
本发明的目的主要是通过以下技术方案实现的:
一方面,本发明公开了一种困难气道评估系统,所述系统包括依次连接的诊断数据获取单元、影像学诊断数据标注单元和预测单元;
所述诊断数据获取单元用于获取评估对象的影像学诊断数据和数字型诊断数据,并进行预处理,得到评估对象的诊断数据集合;
所述影像学诊断数据标注单元用于对所述影像学诊断数据进行有效区块标注并提取困难气道相关指标,所述困难气道相关指标用于作为数字型数据进行困难气道评估;
所述预测单元用于接收有效区块标注后的所述影像学诊断数据和数字型诊断数据,通过预先训练的困难气道评估模型进行预测,得到困难气道评估结果。
进一步的,所述困难气道评估模型包括:影像学评估模块、数字诊断评估模块和融合评估模块;
所述影像学评估模块用于对当前评估对象的影像学诊断数据进行特征提取及困难气道预测,输出影像学评估结果概率分布;
所述数字诊断评估模块用于根据当前评估对象的数字型诊断数据预测得到数字诊断评估结果概率分布;
所述融合评估模块,用于基于所述影像学评估结果概率分布和数字诊断评估结果概率分布进行拼接后的得到的向量表示,预测得到困难气道评估结果。
进一步的,所述困难气道评估模型的训练,包括:
获取多个评估对象的诊断数据,构建训练样本集;所述训练样本集中包括每个评估对象的数字型诊断数据和影像学诊断数据;
对所述影像学评估模块、数字诊断评估模块和融合评估模块分别设置损失函数;
为每个模块的损失函数分配权重,得到总的损失函数;
利用所述训练样本集中的数据,基于所述总的损失函数采用梯度下降法进行模型参数的迭代训练,得到困难气道评估模型。
进一步的,所述获取多个评估对象的诊断数据,构建训练样本集,包括:
获取多个评估对象的影像学诊断数据,并标注困难气道或非困难气道标签,得到初始影像学诊断数据样本集;
对所述初始影像学诊断数据样本集中的影像学诊断数据进行图像预处理及有效区块标注,并进行样本扩增,得到影像学诊断数据样本集;所述影像学诊断数据包括X线影像、MRI和CT影像;
获取所述影像学诊断数据样本对应的评估对象的数字型诊断数据,对所述数字型诊断数据进行预处理,得到数字型诊断数据样本集;所述数字型诊断数据包括评估对象一般情况数据、床旁气道相关查体指标和由所述影像学诊断数据中提取的困难气道相关指标;
基于所述影像学诊断数据样本集和数字型数据样本集构建得到所述训练样本集。
进一步的,所述进行样本扩增,包括:
通过GAN网络创建生成模型和判别模型;
利用生成模型随机生成多个具有高斯分布的图片数据;
将生成的所述图片数据与训练样本集中的影像学诊断数据输入判别模型,输出所述影像学诊断数据与生成图片的概率分布,经过损失迭代更新,得到与样本集中的影像学诊断数据对应的多个扩增图片。
进一步的,所述对所述初级影像学诊断数据样本集中的影像学诊断数据进行有效区块标注,提取的困难气道相关指标,包括:
利用经过预先训练的多模态目标检测模型对所述影像学诊断数据进行有效区块识别;所述有效区块包括:口腔及口咽部区块、喉咽部区块、颈椎骨性结构区块;
基于识别出有效区块的所述影像学诊断数据建立图像坐标系;
对检测出的所述有效区块标注困难气道相关坐标点,并对有效区块的边界点进行连线;得到所述相关坐标点之间连线的距离和方向信息;提取得到所述困难气道相关指标。
进一步的,所述困难气道相关坐标点,包括:上门牙尖A、沿上颌牙咬合面的直线与穿过第6颈椎体前下缘和第一颈椎体最前方的直线的汇合点B、第6颈椎体前下缘C。
进一步的,所述影像学诊断数据中的困难气道相关指标包括:
口腔及口咽部区块指标,包括:
颈椎侧位片中立位:颞下颌关节到上门牙尖的距离X1;硬腭到上门牙尖端的垂直距离X2;下颌体长度X3;上门牙尖A;沿上颌牙咬合面的直线与穿过第6颈椎体前下缘C和第一颈椎体最前方的直线的汇合点B;
颈椎侧位片后仰位:上门牙尖Ae;沿上颌牙咬合面的直线与穿过第6颈椎体前下缘Ce和第一颈椎体最前方的直线的汇合点Be;
颈椎MRI中立位:从硬腭到舌骨的高度Hp-h;深部舌体高度Ht;深部舌体到咽后壁的距离Dt-p;深部舌体的距离Dt;舌根的中心截面积S;舌根的最大宽度W;
喉咽部区块指标,包括:
颈椎侧位片中立位:舌骨最高点到下颌体的垂直距离X4;第四颈椎前下缘至第一颈椎前上缘的距离X5;中位时舌骨到下颏的距离HMDn;
颈椎侧位片后仰位:中位时舌骨到下颏的距离HMDe;
颈椎骨性结构区块指标,包括:
颈椎侧位X线片中立位:寰枕间隙X6;舌骨最高点到最近颈椎边缘的水平距离X7;第一颈椎棘突与第二颈椎棘突之间的距离X8;穿过第2颈椎底部线C2n,第6颈椎底部线C6n;穿过第二颈椎底部的线与穿过第六颈椎底部的线的夹角C2C6An;
颈椎侧位X线片后仰位:第6颈椎体前下缘C6e;枕骨与第一颈椎的距离X6e;第一颈椎与第二颈椎后仰位之间的距离X8e;穿过第二颈椎底部的直线与穿过第六颈椎底部的直线的夹角C2C6Ae。
另一方面,本发明还提供一种困难气道评估方法,包括以下步骤:
获取多个评估对象的诊断数据,构建训练样本集;所述训练样本集中包括每个评估对象的数字型诊断数据、影像学诊断数据及诊断数据对应的标签;
利用所述训练样本集中的数据进行训练,得到困难气道评估模型;
获取当前评估对象的影像学诊断数据,对所述影像学诊断数据进行有效区块标注;并提取得到困难气道相关指标,所述困难气道相关指标包括:口腔及口咽部区块指标,喉咽部区块指标和颈椎骨性结构区块指标;
基于当前评估对象的一般情况数据、床旁气道相关查体指标和由所述影像学诊断数据中提取的困难气道相关指标,得到当前评估对象的数字型诊断数据;
将标注后的当前评估对象的所述影像学诊断数据及数字型诊断数据输入训练好的所述困难气道评估模型,得到困难气道评估结果。
进一步的,所述困难气道评估模型包括图像特征提取模块、数字特征提取模块和融合输出模块,其中,
所述图像特征提取模块用于对评估对象的影像学诊断数据进行特征提取及困难气道预测,输出第一评估结果概率分布;
所述数字特征提取模块用于根据评估对象的数字型诊断数据预测得到第二评估结果概率分布;
所述融合输出模块用于基于所述第一评估结果概率分布和第二评估结果概率分布拼接后的向量,预测得到困难气道评估结果。
本发明至少可实现以下有益效果:
1、本发明通过困难气道相关的多参数、多维度进行困难气道评估,避免单一参数及简单指数进行评估导致的低准确性,相比较传统的简单指标计算,更加系统、科学。从评估对象一般情况、查体及影像学检查多层次、全方位对评估对象的气道情况进行完整评价,极大程度上提高了困难气道评估的准确性。
2、对影响困难气道的指标进行全方位采集,通过AI学习的方式,对所采集的数据集进行分析和处理,结合网络进行DL深度调整,以获得更加准确及科学的气道评估系统。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分的从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件;
图1为本发明实施例的困难气道评估系统结构示意图;
图2为本发明实施例的颈椎侧位X线片中立位距离标注示意图;
图3为本发明实施例的颈椎侧位X线片中立位角度标注示意图;
图4为本发明实施例的颈椎侧位X线片后仰位距离标注示意图;
图5为本发明实施例的颈椎侧位X线片后仰位角度标注示意图;
图6为本发明实施例的中立位颈部MRI FSE T2WI 中央矢状位图深部舌体参数标注示意图;
图7为本发明实施例的中立位颈部MRI舌体相关参数标注示意图;
图8为本发明实施例的中立位颈部MRI舌体宽度相关参数标注示意图;
图9为本发明实施例的困难气道评估方法流程图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
现有技术中的困难气道评估系统,通常采用评估对象的一般情况和床旁的气道查体数据进行评估;而医学影像数据能够更加直观、准确的辅助判断气道状况,但由于与困难气道相关的喉颈类影像数据少,为评估方法的开发带来了困难。本发明通过系统研究,总结出对颈椎评估对象的困难气道的多个影响因素,并通过不同的样本扩增方法,对困难气道评估对象的影像数据进行扩增,并融合困难气道的影响因素、评估对象一般情况和评估对象床旁的气道查体数据训练得到困难气道评估模型,利用该模型对困难气道进行综合评估,极大程度上提高了困难气道评估的准确性。
本发明实施例的一种困难气道评估系统,如图1所示,包括依次连接的诊断数据获取单元、影像学诊断数据标注单元和预测单元;
诊断数据获取单元用于获取评估对象的影像学诊断数据和第一数字型诊断数据,并进行预处理,得到评估对象的诊断数据集合;第一数字型诊断数据包括评估对象一般情况数据和床旁气道相关查体指标。
具体的,本实施例的诊断数据获取单元采用X线、CT或MRI获取评估对象的影像学诊断数据,并对获取到的影像学诊断数据进行降噪、灰度转化、特征二值化以及归一化处理等图像预处理,以便于后续进行特征提取及困难气道评估预测。
评估对象的第一数字型诊断数据可以通过评估对象的常规检查记录获取。
优选的,评估对象一般情况数据包括:年龄、BMI、性别、有无打鼾史、阻塞性睡眠呼吸暂停病史、外伤史、手术史和困难气道病史等。
评估对象床旁气道查体数据包括:张口度、甲颏间距、胸颏间距、头颈活动度、颈围、下颌骨长度、上下唇咬合试验、改良Mallampati 评分、前切牙距离等。
由影像学诊断数据提取困难气道相关指标可首先通过预先训练的多模态目标检测模型对影像学诊断数据进行有效区块识别,对识别出的有效区块进行坐标点标注并进行困难气道相关指标提取,得到由影像学诊断数据提取的困难气道相关的数字型指标。
进一步的,影像学诊断数据标注单元用于对所述影像学诊断数据进行有效区块标注并提取困难气道相关指标;基于所述困难气道相关指标和所述第一数字型诊断数据得到第二数字型诊断数据;
具体的,可以利用预先训练的多模态目标检测模型对影像学诊断数据进行有效区块识别;本实施例设置的有效区块包括:口腔及口咽部区块、喉咽部区块、颈椎骨性结构区块。基于识别出的有效区块,可提取困难气道相关指标,并与数字型诊断数据合并构成第二数字型诊断数据,用于通过数字诊断评估模型进行困难气道评估。
进一步的,预测单元用于接收有效区块标注后的影像学诊断数据和第二数字型诊断数据,通过预先训练的困难气道评估模型进行预测,得到困难气道评估结果。
其中,困难气道评估模型包括:影像学评估模块、数字诊断评估模块和融合评估模块;
所述影像学评估模块用于对当前评估对象的影像学诊断数据进行特征提取及困难气道预测,输出影像学评估结果概率分布;
所述数字诊断评估模块用于根据当前评估对象的第二数字型诊断数据预测得到数字诊断评估结果概率分布;
所述融合评估模块,用于基于所述影像学评估结果概率分布和数字诊断评估结果概率分布进行拼接后的得到的向量表示,预测得到困难气道评估结果。
具体的,困难气道评估模型通过下述方法训练得到:
首先获取多个评估对象的诊断数据,构建训练样本集;训练样本集中包括每个评估对象的第二数字型诊断数据和影像学诊断数据;
优选的,首先获取多个评估对象的影像学诊断数据,并标注困难气道或非困难气道标签,得到初始影像学诊断数据样本集;
本实施例采用的X线、CT及MRI影像数据是颈椎患者术前的专科必要的检查项目,因此不需额外增加患者的负担,简单有效,可操作性性强。另外,通过统计研究,得出针对颈椎患者的特征性困难气道相关的危险因素(如查体颈围-前切牙指数、核磁结果的深部舌体相关参数等),本实施例对困难气道相关因素进行特征性采集,并建立数据集,对数据进行整合和分选,以便后期处理运算。
获取得到初始影像学诊断数据集后,首先对初始影像学诊断数据样本集中的影像学诊断数据进行图像预处理及有效区块标注,并进行样本扩增,得到影像学诊断数据样本集;影像学诊断数据包括X线、MRI和CT等。
进一步获取训练样本集中评估对象的第一数字型诊断数;并在对影像学诊断数据进行有效区块标注后提取困难气道相关指标,将提取得到的困难气道相关指标与第一数字型诊断数据合并,得到数字型诊断数据样本集;数字型诊断数据样本集中包括每个评估对象的一般情况数据、床旁气道相关查体指标和由影像学诊断数据中提取的困难气道相关指标。
基于影像学诊断数据样本集和数字型数据样本集构建得到训练样本集。
特殊的,本实施例由影像学诊断数据中提取的困难气道相关指标包括:
口腔及口咽部区块指标,包括:
颈椎侧位X线片中立位(neutral position),如图2、图3所示,包括:颞下颌关节到上门牙尖的距离X1;硬腭到上门牙尖端的垂直距离X2;下颌体长度X3;上门牙尖An;沿上颌牙咬合面的直线与穿过第6颈椎体前下缘Cn和第一颈椎体最前方的直线的汇合点Bn;
颈椎侧位X线片后仰位(extension position),如图5所示,包括:上门牙尖Ae;沿上颌牙咬合面的直线与穿过第6颈椎体前下缘Ce和第一颈椎体最前方的直线的汇合点Be;
颈椎MRI中立位,如图6、图7和图8所示,包括:从硬腭到舌骨的高度Hp-h;深部舌体高度Ht;深部舌体到咽后壁的距离Dt-p;深部舌体的距离Dt;舌根的中心截面积S;舌根的最大宽度W;
喉咽部区块指标,包括:
颈椎侧位X线中立位,如图2所示,包括:舌骨最高点到下颌体的垂直距离X4;第四颈椎前下缘至第一颈椎前上缘的距离X5;中位时舌骨到下颏的距离HMDn;
颈椎侧位X线后仰位,如图4所示,包括:舌骨到下颏的距离HMDe;
颈椎骨性结构区块指标,包括:
颈椎侧位X线中立位,如图2和图3所示,包括:寰枕间隙X6;舌骨最高点到最近颈椎边缘的水平距离X7;第一颈椎棘突与第二颈椎棘突之间的距离X8;第6颈椎体前下缘C6n;穿过第2颈椎底部线C2n,第6颈椎底部线C6n;穿过第二颈椎底部的线与穿过第六颈椎底部的线的夹角C2C6An;
颈椎侧位X线后仰位,如图4和图5所示,包括:第6颈椎体前下缘C6e;寰枕间隙X6e;第一颈椎棘突与第二颈椎棘突之间的距离X8e;穿过第2颈椎底部线C2e,第6颈椎底部线C6e;穿过第二颈椎底部的直线与穿过第六颈椎底部的直线的夹角C2C6Ae。
作为一个具体的实施例,获取得到初始影像学诊断数据集后,可通过下述步骤进行图像预处理及特征提取:
步骤S1:样本均衡,由于困难气道与非困难气道的影像学诊断数据数量不同、头颈姿势位置各异,因此得到的数据集中样本不均衡,对于此不均衡的数据集,首先对影像学诊断数据样本进行直方图均衡化,进行样本均衡处理,以得到困难与非困难组图片数量和质量分布均匀的训练样本集。
步骤S2:梯度提取,对样本数据集中的影像学诊断数据,利用gradient获取梯度图像,其在边缘处有较高的像素值,而在其它位置则有较低的像素值,进行梯度计算以实现初步影像学诊断数据梯度提取,得到亮度显著的头颈显示图,实现初步图像分割。
步骤S3:对经过初步图像分割的影像数据进行数据分割,本实施例采用分水岭算法以及深度学习算法,提取困难气道相关部分图像。首先通过分水岭算法,将临近像素间的相似性作为重要的参考依据,从而将在空间位置上相近并且灰度值相近的像素点互相连接构成一个封闭的轮廓,即分割路径线;然后利用UNet神经网络模型,经过多次下采样后的低分辨率信息,经过concatenate操作从encoder直接传递到同高度decoder上的高分辨率信息,能够为分割提供更加精细的特征。通过提供更丰富的图像特征信息,可以提高预测结果精度。通过UNet最终得到经过精确图像分割的颈椎影像学诊断数据。在后续的处理中,使用图像分割后的影像学诊断数据进行困难气道预测,可得到84%的预测准确性。
步骤S4:困难气道相关指标提取:对颈椎影像学图像进行分割以后,利用多模态目标检测方法检测出颈椎影像中的有效区块,包括口腔及口咽部区块、喉咽部区块和颈椎骨性结构区块。多模态目标检测模型由卷积网络和Transformer解码器组成。首先,将预处理后的影像学图像输入到Feature encoder中,依次通过3层的卷积做特征提取,提取出有效区块的形状、大小以及位置等特征,每一层的输出作为下一层的输入,每一层的步长分别为(5,2,2),卷积核宽度分别为(10,3,3)。Transformer的注意力机制使网络能够自适应解码,例如从影像学诊断数据中有效区块的位置编码获取位置信息,以解码出不同有效区块的位置以及对于不同有效区块如何选择,从而形成一个鲁棒和有效的融合策略。解码时首先使用预先构建的三个有效区块预测颈椎影像的不同区块的初始边界框,通过1x1,3x3两个不同尺度的滑动窗口滑动经过每张颈椎图片,滑动过程中窗口会滑过并包含目标区块的不同部分,以此构成有效区块的多个候选目标,然后通过 NMS 非极大值抑制的算法来对候选目标块进行筛选,后得到最终需要检测的与困难气道相关的有效区块。
对于识别出多模态目标块的颈椎影像学图谱利用python建立图像坐标系,图像坐标系的原点在左上角,i坐标轴向右递增,j坐标轴向下递增,k坐标轴向后递增。对检测出的目标区块进行困难气道相关坐标点标注,并保存坐标点以及点之间的间距。利用python编程实现有效区块坐标点标注以及坐标点点连线。保存标注好的困难气道影像数据,并提取标注的坐标点的坐标位置信息,以及坐标点之间连线的距离、方向信息,保存至数字型诊断数据集中。优选的,本实施例标注的困难气道相关坐标点包括:上门牙尖A、沿上颌牙咬合面的直线与穿过第6颈椎体前下缘和第一颈椎体最前方的直线的汇合点B、第6颈椎体前下缘C,颞下颌关节,硬腭,深部舌体,舌骨最高点等。
步骤S5:样本扩增:本实施例获取的初始样本数据有近1000例,为了提高模型预测的准确性和提高泛化能力,需要进行样本扩增。首先针对影像学诊断数据,运用数据扩增,如偏转,缩放,随机裁剪,变焦和镜像等方法生成多种尺寸、像素、裁剪程度的影像学诊断图像以进行颈椎影像学诊断数据扩增。
另一方面,本发明还创建了生成鉴别器来对颈椎影像数据进行扩增。首先通过GAN网络创建一个生成器,随机生成500例具有高斯分布的图片数据,同时创建一个鉴别器来接收生成器生成的样例图像和数据样本集中的影像学诊断图像,输出影像学诊断数据与生成图片的概率分布,经过损失迭代更新,得到与样本集中的影像学诊断数据对应的扩增图片。在训练过程中,通过为真实样本设置尽可能大的权重,为生成样本设置尽可能小的权重,判断样本的真实度,两者同时训练,直到达到一个纳什均衡,以此达到扩增影像学诊断数据的目的。
步骤S6:数据降噪:本实施例通过创建无监督的分层训练模型对颈椎影像学诊断数据进行降噪。分层预训练深度网络的权值时,将随机噪声缓慢添加到颈椎影像学诊断数据中,随机的把噪声的一些位(最多一半位)设置为0,然后学习反向的去噪过程,通过没有被污染的位来预测被置为零的位,从加噪后的影像学诊断数据中解构出降噪后的影像学诊断数据。
步骤S7:使用OpenCV对降噪后的影像学诊断数据进行灰度转化、特征二值化、以及归一化处理图像数据,以便于后续的信息挖掘。用rgb2gray做颈椎侧位图像的灰度化,将原本的彩色图片(RGB三种颜色组成,每个像素点有三个值),转换为颈椎灰度化图像。图像二值化将颈椎灰度化图像上的像素值设置为0或255,即将颈椎灰度图像转换为颈椎黑白图像。通过归一化操作,用L1范数(曼哈顿距离)和L2范数(欧式距离)分别进行归一化,最终得到可用于python或tensorflow或keras框架下,可直接计算并应用的数字化后的颈椎影像学诊断数据。
对于数字型诊断数据,通过数据清理和数据规约进行预处理。
首先,对于训练样本集中的数字型数据(包括术前采集好的患者一般情况数据、床旁气道相关查体指标和由影像学诊断数据中提取的困难气道相关指标),使用平均值填补缺失值,使用基于绝对离差中位数(MAD)的统计方法判断并删除离群点,删除数值接近为零的舌骨最高点到下颌体的垂直距离,以及数值为零的寰枕间隙离群点,以纠正存在的错误,以保证数字型数据的一致性。对数据清理后的数字型数据利用主成分分析法进行数据规约,以对数字型数据进行降维。利用主成分分析方法选取数据离散程度最大的方向(方差最大的方向)作为第一主成分,第二主成分选择方差次大的方向,并且与第一个主成分正交。以此类推,计算数字型数据的协方差矩阵,并对协方差矩阵求解特征值和特征向量。最后保留低阶主成分,忽略高阶主成分,以实现在保留数据集中对方差贡献最大的特征的同时,实现数据降维的目的。
进一步的,利用样本数据集中的数据对困难气道评估模型进行训练的过程中,对影像学评估模块、数字诊断评估模块和融合评估模块分别设置损失函数;
为每个模块的损失函数分配权重,得到总的损失函数;
利用训练样本集中的数据,基于总的损失函数采用梯度下降法进行模型参数的迭代训练,得到困难气道评估模型。
具体的,将构建好的样本数据集中的影像类数据和数字类数据分别输入对应的影像学评估模块和数字诊断评估模块。
特殊的,在将影像学数据输入影像学评估模块之前,可先通过DenseNet模型进行特征提取,借助DenseNet进行迁移学习,将DenseNet模型从大型图像数据集ImageNet上提取图形特征的能力,应用到本实施例的影像学数据样本集上,通过模型参数共享的方式,在颈椎数据有限的情况下提取出有代表性的困难气道相关的特征。
本实施例中的影像学评估模块包括输入层、隐藏层和输出层。
其中,隐藏层包括6层隐藏模块,节点数分别为3、6、12、6、12、1,每层隐藏模块设置为一个卷积层、一个最大池化层和一个sigmoid激活层,采用Adam梯度下降法更新模型参数权重和学习率。其中,权重初始化为高斯分布N(0,1)上的随机值,学习率初始设置为0.001,迭代训练模型。低层卷积层用于提取低级的特征,如颈椎图像的边缘、线条和轮廓等,高层卷积层能够由低级特征中提取更复杂的特征,如寰枕部位、寰枕间隙等。
池化层通过压缩特征图以简化网络计算复杂度,进而提取最有效特征,例如在同时检测出第一颈椎下缘以及反应颈椎活动度的第二颈椎下缘的特征图中选择出更能代表困难气道的第二颈椎下缘线。优选的,池化层可利用金字塔池化提取空间信息,采用1x1,2x2,4x4三种不同尺度的特征图来提取影像学诊断数据的特征,由此得到21个表征困难气道影像学诊断数据的特征块,最大池化选择每个特征块上的最大像素值,得到表征影像学诊断数据的21维特征。在之后的分类任务中,将低度空间中线性不可分割的21维影像学诊断数据特征向量映射到高维空间中,并找到一个超平面来有效切割这些向量,使超平面两侧的样本尽可能远离超平面,由此得到表征困难气道或非困难气道的评估结果。
进一步的,采用sigmoid激活函数进行非线性映射来增加非线性特征,以避免梯度爆炸或梯度消失,学习不到困难气道相关特征。
数字诊断评估模块为两层MLP模型,输入通道维度为3,第一、二层神经元个数分别为8和4,激活函数均为ReLU,输出表示困难或不困难的二维向量。
将数字诊断评估模块与影像学评估模块输出的二维向量拼接在一起形成融合评估模块的输入向量,融合评估模块为两层全连接层,分别使用ReLU和Sigmoid激活函数,经过最后连接层处理输出最终的困难气道评估结果;实现将患者数字型诊断数据与影像学诊断数据相融合,输出代表“困难气道”或“非困难气道”的预测结果。
利用损失函数训练训练搭建好的困难气道评估模型,多次迭代进行参数训练更新。模型的学习目标为缩小影像学诊断数据标注标签与预测值之间的误差,本实施例采用如下损失函数:
;
其中, x表示输入的样本数据, y 表示实际的标签(困难气道为1/非困难气道为0), Px表示表示样本 x 预测为正类的概率, n 表示样本总数量。
根据损失函数对每个参数的梯度的一阶矩估计和二阶矩估计动态调整针对于每个参数的学习速率,迭代更新权重参数,来使模型得到预测困难气道的最佳准确度(84%)。
本实施例的困难气道评估模型使用默认经验值初始化网络超参数:学习率η,正则化参数λ,神经网络的层数L,每一个隐层中神经元的个数j,学习的回合数Epoch,小批量数据minibatch的大小。随机初始化权重超参数。利用自动化调参AUTOML自动选择困难气道评估模型的最佳参数。损耗函数被迭代反向传播以调网络的参数,网络参数迭代多次以学习并更新参数,最终使模型逼近影像学诊断数据和数字型数据的最小偏差。
本发明的另一个实施例,公开了一种困难气道评估方法,如图9所示,本方法包括以下步骤:
获取多个评估对象的诊断数据,构建训练样本集;训练样本集中包括每个评估对象的数字型诊断数据、影像学诊断数据及诊断数据对应的标签;
利用训练样本集中的数据进行训练,得到困难气道评估模型;
获取当前评估对象的影像学诊断数据,对影像学诊断数据进行有效区块标注;提取得到前述的困难气道相关指标;
基于当前评估对象的一般情况数据、床旁气道相关查体指标和由影像学诊断数据中提取的困难气道相关指标,得到当前评估对象的数字型诊断数据;
将标注后的当前评估对象的影像学诊断数据及数字型诊断数据输入训练好的困难气道评估模型,得到困难气道评估结果。
其中,困难气道评估模型包括图像特征提取模块、数字特征提取模块和融合输出模块,其中,
图像特征提取模块用于对评估对象的影像学诊断数据进行特征提取及困难气道预测,输出第一评估结果概率分布;
数字特征提取模块用于根据评估对象的数字型诊断数据预测得到第二评估结果概率分布;
融合输出模块用于基于第一评估结果概率分布和第二评估结果概率分布拼接后的向量,预测得到困难气道评估结果。
综上所述,本发明的一种困难气道评估方法及系统,结合影像学诊断数据和数字型诊断数据对气道情况进行全面评估;并对颈椎影像数据进行自动化标注,通过自动化分析困难气道相关的结构参数,根据机器学习及函数计算对患者是否为潜在的困难气道患者进行评估,本发明不仅可以在麻醉前有效识别困难气道的因素,还可以帮助麻醉医生针对患者存在的风险因素进行分析,协助进行智能决策与评估气道管理方案,可通过基于大数据的科学计算辅助医学诊疗,为减少由困难气道所带来致命性的并发症提供强有力的系统支持。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种困难气道评估系统,其特征在于,所述系统包括依次连接的诊断数据获取单元、影像学诊断数据标注单元和预测单元;
所述诊断数据获取单元用于获取评估对象的影像学诊断数据和第一数字型诊断数据;所述第一数字型诊断数据包括评估对象一般情况数据和床旁气道相关查体指标;所述一般情况数据包括:年龄、BMI、性别、有无打鼾史、 阻塞性睡眠呼吸暂停病史、外伤史、手术史和困难气道病史;
所述影像学诊断数据标注单元用于对所述影像学诊断数据进行有效区块标注并提取困难气道相关指标;基于所述困难气道相关指标和所述第一数字型诊断数据得到第二数字型诊断数据;
所述预测单元用于接收有效区块标注后的所述影像学诊断数据和第二数字型诊断数据,通过预先训练的困难气道评估模型进行预测,得到困难气道评估结果;所述困难气道评估模型包括:影像学评估模块、数字诊断评估模块和融合评估模块;
所述影像学评估模块用于对当前评估对象的影像学诊断数据进行特征提取及困难气道预测,输出影像学评估结果概率分布;
所述数字诊断评估模块用于根据当前评估对象的第二数字型诊断数据预测得到数字诊断评估结果概率分布;
所述融合评估模块,用于基于所述影像学评估结果概率分布和数字诊断评估结果概率分布进行拼接后的得到的向量表示,预测得到困难气道评估结果;
所述困难气道评估模型的训练,包括:
获取多个评估对象的诊断数据,构建训练样本集;所述训练样本集中包括每个评估对象的第二数字型诊断数据和影像学诊断数据;
对所述影像学评估模块、数字诊断评估模块和融合评估模块分别设置损失函数;
为每个模块的损失函数分配权重,得到总的损失函数;
利用所述训练样本集中的数据,基于所述总的损失函数采用梯度下降法进行模型参数的迭代训练,得到困难气道评估模型。
2.根据权利要求1所述的困难气道评估系统,其特征在于,所述获取多个评估对象的诊断数据,构建训练样本集,包括:
获取多个评估对象的影像学诊断数据,并标注困难气道或非困难气道标签,得到初始影像学诊断数据样本集;
对所述初始影像学诊断数据样本集中的影像学诊断数据进行图像预处理及有效区块标注,并进行样本扩增,得到影像学诊断数据样本集;所述影像学诊断数据包括X线影像、MRI影像和CT影像;
基于所述影像学诊断数据样本集中的影像学诊断数据提取所述困难气道相关指标,并通过所述诊断数据获取单元获取第一数字型诊断数据,基于所述困难气道相关指标和所述第一数字型诊断数据构建得到数字型数据样本集;
基于所述影像学诊断数据样本集和数字型数据样本集构建得到所述训练样本集。
3.根据权利要求2所述的困难气道评估系统,其特征在于,所述进行样本扩增,包括:
通过GAN网络创建生成模型和判别模型;
利用生成模型随机生成多个具有高斯分布的图片数据;
将生成的所述图片数据与训练样本集中的影像学诊断数据输入判别模型,输出所述影像学诊断数据与生成图片的概率分布,经过损失迭代更新,得到与样本集中的影像学诊断数据对应的多个扩增图片。
4.根据权利要求2所述的困难气道评估系统,其特征在于,所述基于所述影像学诊断数据样本集中的影像学诊断数据提取所述困难气道相关指标,包括:
利用经过预先训练的多模态目标检测模型对所述影像学诊断数据进行有效区块识别;所述有效区块包括:口腔及口咽部区块、喉咽部区块、颈椎骨性结构区块;
基于识别出有效区块的所述影像学诊断数据建立图像坐标系;
对检测出的所述有效区块标注困难气道相关坐标点,并对标注的所述坐标点进行连线;得到所述相关坐标点之间连线的距离和方向信息;提取得到所述困难气道相关指标。
5.根据权利要求4所述的困难气道评估系统,其特征在于,所述困难气道相关坐标点,包括:上门牙尖A、沿上颌牙咬合面的直线与穿过第6颈椎体前下缘和第一颈椎体最前方的直线的汇合点B、第6颈椎体前下缘C。
6.根据权利要求4所述的困难气道评估系统,其特征在于,所述影像学诊断数据中的困难气道相关指标包括:
口腔及口咽部区块指标,包括:
颈椎侧位X线片中立位:颞下颌关节到上门牙尖的距离X1;硬腭到上门牙尖端的垂直距离X2;下颌体长度X3;上门牙尖An;沿上颌牙咬合面的直线与穿过第6颈椎体前下缘Cn和第一颈椎体最前方的直线的汇合点Bn;
颈椎侧位X线片后仰位:上门牙尖Ae;沿上颌牙咬合面的直线与穿过第6颈椎体前下缘Ce和第一颈椎体最前方的直线的汇合点Be;
颈椎MRI中立位:从硬腭到舌骨的高度Hp-h;深部舌体高度Ht;深部舌体到咽后壁的距离Dt-p;深部舌体的距离Dt;舌根的中心截面积S;舌根的最大宽度W;
喉咽部区块指标,包括:
颈椎侧位X线片中立位:舌骨最高点到下颌体的垂直距离X4;第四颈椎前下缘至第一颈椎前上缘的距离X5;舌骨到下颏的距离HMDn;
颈椎侧位X线片后仰位:舌骨到下颏的距离HMDe;
颈椎骨性结构区块指标,包括:
颈椎侧位X线片中立位:寰枕间隙X6;舌骨最高点到最近颈椎边缘的水平距离X7;第一颈椎棘突与第二颈椎棘突之间的距离X8;穿过第2颈椎底部线C2n,第6颈椎底部线C6n;穿过第二颈椎底部的线与穿过第六颈椎底部的线的夹角C2C6An;
颈椎侧位X线片后仰位:第6颈椎体前下缘C6e;枕骨与第一颈椎的距离X6e;第一颈椎与第二颈椎后仰位之间的距离X8e;穿过第二颈椎底部的直线与穿过第六颈椎底部的直线的夹角C2C6Ae。
7.一种困难气道评估方法,其特征在于,包括以下步骤:
获取多个评估对象的诊断数据,构建训练样本集;所述训练样本集中包括每个评估对象的数字型诊断数据、影像学诊断数据及诊断数据对应的标签;
利用所述训练样本集中的数据进行训练,得到困难气道评估模型;所述困难气道评估模型包括:影像学评估模块、数字诊断评估模块和融合评估模块;
所述影像学评估模块用于对当前评估对象的影像学诊断数据进行特征提取及困难气道预测,输出影像学评估结果概率分布;
所述数字诊断评估模块用于根据当前评估对象的第二数字型诊断数据预测得到数字诊断评估结果概率分布;所述第二数字型诊断数据包括困难气道相关指标和第一数字型诊断数据;所述第一数字型诊断数据包括评估对象一般情况数据和床旁气道相关查体指标;所述一般情况数据包括:年龄、BMI、性别、有无打鼾史、 阻塞性睡眠呼吸暂停病史、外伤史、手术史和困难气道病史;
所述融合评估模块,用于基于所述影像学评估结果概率分布和数字诊断评估结果概率分布进行拼接后的得到的向量表示,预测得到困难气道评估结果;
所述困难气道评估模型的训练,包括:
获取多个评估对象的诊断数据,构建训练样本集;所述训练样本集中包括每个评估对象的第二数字型诊断数据和影像学诊断数据;
对所述影像学评估模块、数字诊断评估模块和融合评估模块分别设置损失函数;
为每个模块的损失函数分配权重,得到总的损失函数;
利用所述训练样本集中的数据,基于所述总的损失函数采用梯度下降法进行模型参数的迭代训练,得到困难气道评估模型;
获取当前评估对象的影像学诊断数据,对所述影像学诊断数据进行有效区块标注;并提取得到困难气道相关指标,所述困难气道相关指标包括:口腔及口咽部区块指标,喉咽部区块指标和颈椎骨性结构区块指标;
基于当前评估对象的一般情况数据、床旁气道相关查体指标和由所述影像学诊断数据中提取的困难气道相关指标,得到当前评估对象的数字型诊断数据;
将标注后的当前评估对象的所述影像学诊断数据及数字型诊断数据输入训练好的所述困难气道评估模型,得到困难气道评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211597687.2A CN115602320B (zh) | 2022-12-14 | 2022-12-14 | 一种困难气道评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211597687.2A CN115602320B (zh) | 2022-12-14 | 2022-12-14 | 一种困难气道评估方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115602320A CN115602320A (zh) | 2023-01-13 |
CN115602320B true CN115602320B (zh) | 2023-04-07 |
Family
ID=84854282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211597687.2A Active CN115602320B (zh) | 2022-12-14 | 2022-12-14 | 一种困难气道评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115602320B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117238509B (zh) * | 2023-11-15 | 2024-02-27 | 首都医科大学宣武医院 | 一种基于普通摄像数据的困难气道评估系统及评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113782184A (zh) * | 2021-08-11 | 2021-12-10 | 杭州电子科技大学 | 一种基于面部关键点与特征预学习的脑卒中辅助评估系统 |
CN115171901A (zh) * | 2022-07-27 | 2022-10-11 | 浙江大学医学院附属第一医院 | 用于困难气道评估和术中气道管理辅助的智能系统及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325729A (zh) * | 2020-02-19 | 2020-06-23 | 青岛海信医疗设备股份有限公司 | 基于生物医学影像的生物组织的分割方法和通信终端 |
CN112349392B (zh) * | 2020-11-25 | 2021-08-03 | 北京大学第三医院(北京大学第三临床医学院) | 一种人体颈椎医学图像处理系统 |
CN113069080B (zh) * | 2021-03-22 | 2021-12-21 | 上海交通大学医学院附属第九人民医院 | 一种基于人工智能的困难气道评估方法及装置 |
-
2022
- 2022-12-14 CN CN202211597687.2A patent/CN115602320B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113782184A (zh) * | 2021-08-11 | 2021-12-10 | 杭州电子科技大学 | 一种基于面部关键点与特征预学习的脑卒中辅助评估系统 |
CN115171901A (zh) * | 2022-07-27 | 2022-10-11 | 浙江大学医学院附属第一医院 | 用于困难气道评估和术中气道管理辅助的智能系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115602320A (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210353216A1 (en) | Dental Image Feature Detection | |
Miki et al. | Classification of teeth in cone-beam CT using deep convolutional neural network | |
WO2020238734A1 (zh) | 图像分割模型的训练方法、装置、计算机设备和存储介质 | |
WO2020224123A1 (zh) | 一种基于深度学习的致痫灶三维自动定位系统 | |
Raja'S et al. | Labeling of lumbar discs using both pixel-and object-level features with a two-level probabilistic model | |
CN109859184B (zh) | 一种连续扫描乳腺超声图像的实时检测与决策融合方法 | |
JP2008520344A (ja) | 放射線写真画像の向きを検知及び補正する方法 | |
Fan et al. | Automatic human identification from panoramic dental radiographs using the convolutional neural network | |
CN112215858A (zh) | 用于图像分割和识别的方法和系统 | |
Kong et al. | Automated maxillofacial segmentation in panoramic dental x-ray images using an efficient encoder-decoder network | |
CN112785609B (zh) | 一种基于深度学习的cbct牙齿分割方法 | |
Laishram et al. | Automatic classification of oral pathologies using orthopantomogram radiography images based on convolutional neural network | |
CN115602320B (zh) | 一种困难气道评估方法和系统 | |
CN113781382A (zh) | 脊椎压迫性骨折检测方法与系统 | |
Sathya et al. | Transfer learning based automatic human identification using dental traits-an aid to forensic odontology | |
Zhang et al. | Automatic annotation of cervical vertebrae in videofluoroscopy images via deep learning | |
CN112862745B (zh) | 基于人工神经网络的组织病变识别的训练方法及训练系统 | |
Sengan et al. | Echocardiographic image segmentation for diagnosing fetal cardiac rhabdomyoma during pregnancy using deep learning | |
Mandel et al. | Image-guided tethering spine surgery with outcome prediction using spatio-temporal dynamic networks | |
Amin et al. | Automatic Detection and classification of Scoliosis from Spine X-rays using Transfer Learning | |
KR102545906B1 (ko) | 학습 모델을 이용한 데이터 처리 방법 | |
CN115830034A (zh) | 一种用于口腔健康管理的数据分析系统 | |
Chen et al. | Detection of Various Dental Conditions on Dental Panoramic Radiography Using Faster R-CNN | |
Hanif et al. | Upper airway classification in sleep endoscopy examinations using convolutional recurrent neural networks | |
Cui et al. | Cobb Angle Measurement Method of Scoliosis Based on U-net Network |
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 |