CN115736939A - 房颤患病概率生成方法、装置、电子设备和存储介质 - Google Patents
房颤患病概率生成方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115736939A CN115736939A CN202211483634.8A CN202211483634A CN115736939A CN 115736939 A CN115736939 A CN 115736939A CN 202211483634 A CN202211483634 A CN 202211483634A CN 115736939 A CN115736939 A CN 115736939A
- Authority
- CN
- China
- Prior art keywords
- image
- electrocardiogram
- atrial fibrillation
- electrocardiogram waveform
- paper
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本公开提供一种房颤患病概率生成方法、装置、电子设备和存储介质,该方法的一个实施方式通过首先基于对目标用户进行心电图采集得到的目标纸质心电图图像得到目标心电图波形区域图像,再将目标心电图波形区域图像输入预先训练的房颤患病概率生成模型,得到目标用户患有房颤的概率,实现了基于用户的纸质心电图进行房颤风险预测。
Description
技术领域
本公开的实施例涉及心电图分析技术领域,具体涉及房颤患病概率生成方法、装置、电子设备和存储介质。
背景技术
随着人口老龄化,近年来心脏病的发病率持续增高,严重威胁着全球范围内人们的健康。心房颤动(Atrial Fibrillation,AF)作为心脏病中最普遍的一种病症,通常被简称为房颤,是临床上最常见的持续性心律失常,其发病率逐年升高。此外,房颤所引起的脑卒中、心功能恶化是患者致残、致死的重要原因。这使得房颤逐渐成为全球重要的健康负担。与此同时,房颤在发病初期的极强的隐匿性也导致其病情加重的潜在隐患更为严重,会影响到患者后续的及时就医和治疗过程。
传统的房颤检测方法中,最常用的就是通过动态心电图仪进行心电图(Electrocardiography,ECG)采集、再由医生进行判断。但由于动态心电图仪在检测时间方面的局限性,很容易造成“检测时未发病、发病时未检测”的漏检情况。因此,对房颤的风险预测显得尤为重要。
发明内容
本公开的实施例提出了房颤患病概率生成方法、装置、电子设备和存储介质。
第一方面,本公开的实施例提供了一种房颤患病概率生成方法,该方法包括:获取目标心电图波形区域图像,所述目标心电图波形区域图像基于对目标用户进行心电图采集得到的纸质心电图图像得到;将所述目标心电图波形区域图像输入预先训练的房颤患病概率生成模型,得到所述目标用户患有房颤的概率。
在一些可选的实施方式中,所述获取目标心电图波形区域图像,包括:获取目标纸质心电图图像,所述目标纸质心电图图像为对所述目标用户进行心电图检查得到的纸质心电图图像;检测所述目标纸质心电图图像中的心电图波形区域;按照所述波形区域位置在所述目标纸质心电图图像中截取图像;基于所截取的图像得到所述目标心电图波形区域图像。
在一些可选的实施方式中,所述检测所述目标纸质心电图图像中的心电图波形区域,包括:将所述目标纸质心电图图像输入预先训练的心电图波形区域检测模型,得到所述目标纸质心电图图像中的心电图波形区域。
在一些可选的实施方式中,所述房颤患病概率生成模型是通过如下第一训练步骤预先训练得到的:获取第一训练数据集,其中,第一训练数据包括样本纸质心电图波形区域图像和相应标注房颤患病概率,样本纸质心电图波形区域图像为房颤窦律纸质心电图波形区域图像或正常窦律纸质心电图波形区域图像;基于所述第一训练数据集对初始房颤患病概率生成模型进行训练;将训练得到的所述初始房颤患病概率生成模型确定为所述预先训练的房颤患病概率生成模型。
在一些可选的实施方式中,所述第一训练数据集中的样本纸质心电图波形区域图像通过训练数据生成步骤得到:获取样本纸质心电图图像集合;提取各所述样本纸质心电图图像中的心电图波形区域图像,得到第一心电图波形区域图像集合;基于所述第一心电图波形区域图像集合,生成所述第一训练数据集中的样本纸质心电图波形区域图像,其中,样本纸质心电图波形区域图像的图像尺寸为预设图像尺寸。
在一些可选的实施方式中,所述基于所述第一心电图波形区域图像集合,生成所述第一训练数据集中的样本纸质心电图波形区域图像,包括:对于各所述第一心电图波形区域图像,执行以下预处理操作:对该第一心电图波形区域图像进行随机裁剪,得到裁剪图像;将所述裁剪图像缩放到所述预设图像尺寸;根据随机生成的概率,确定是否对所述裁剪图像进行翻转处理;响应于确定是,对所述裁剪图像进行翻转处理;对所述裁剪图像进行归一化处理,得到相应第一训练数据中的样本纸质心电图波形区域图像。
在一些可选的实施方式中,所述心电图波形区域检测模型是通过如下第二训练步骤预先训练得到的:获取第二训练数据集,其中,第二训练数据包括样本纸质心电图图像和相应标注心电图波形区域;基于所述第二训练数据集对初始心电图波形区域检测模型进行训练;将训练得到的所述初始心电图波形区域检测模型确定为所述预先训练的心电图波形区域检测模型。
在一些可选的实施方式中,所述方法还包括:基于所述目标用户患有房颤的概率生成针对所述目标用户的房颤患病诊断结果信息;以及呈现所述房颤患病诊断结果信息。
第二方面,本公开的实施例提供了一种房颤患病概率生成装置,该装置包括:获取单元,被配置成获取目标心电图波形区域图像,所述目标心电图波形区域图像基于对目标用户进行心电图采集得到的纸质心电图图像得到;概率生成单元,被配置成将所述目标心电图波形区域图像输入预先训练的房颤患病概率生成模型,得到所述目标用户患有房颤的概率。
在一些可选的实施方式中,所述获取单元进一步被配置成:获取目标纸质心电图图像,所述目标纸质心电图图像为对所述目标用户进行心电图检查得到的纸质心电图图像;检测所述目标纸质心电图图像中的心电图波形区域;按照所述波形区域位置在所述目标纸质心电图图像中截取图像;基于所截取的图像得到所述目标心电图波形区域图像。
在一些可选的实施方式中,所述检测所述目标纸质心电图图像中的心电图波形区域,包括:将所述目标纸质心电图图像输入预先训练的心电图波形区域检测模型,得到所述目标纸质心电图图像中的心电图波形区域。
在一些可选的实施方式中,所述房颤患病概率生成模型是通过如下第一训练步骤预先训练得到的:获取第一训练数据集,其中,第一训练数据包括样本纸质心电图波形区域图像和相应标注房颤患病概率,样本纸质心电图波形区域图像为房颤窦律纸质心电图波形区域图像或正常窦律纸质心电图波形区域图像;基于所述第一训练数据集对初始房颤患病概率生成模型进行训练;将训练得到的所述初始房颤患病概率生成模型确定为所述预先训练的房颤患病概率生成模型。
在一些可选的实施方式中,所述第一训练数据集中的样本纸质心电图波形区域图像通过训练数据生成步骤得到:获取样本纸质心电图图像集合;提取各所述样本纸质心电图图像中的心电图波形区域图像,得到第一心电图波形区域图像集合;基于所述第一心电图波形区域图像集合,生成所述第一训练数据集中的样本纸质心电图波形区域图像,其中,样本纸质心电图波形区域图像的图像尺寸为预设图像尺寸。
在一些可选的实施方式中,所述基于所述第一心电图波形区域图像集合,生成所述第一训练数据集中的样本纸质心电图波形区域图像,包括:对于各所述第一心电图波形区域图像,执行以下预处理操作:对该第一心电图波形区域图像进行随机裁剪,得到裁剪图像;将所述裁剪图像缩放到所述预设图像尺寸;根据随机生成的概率,确定是否对所述裁剪图像进行翻转处理;响应于确定是,对所述裁剪图像进行翻转处理;对所述裁剪图像进行归一化处理,得到相应第一训练数据中的样本纸质心电图波形区域图像。
在一些可选的实施方式中,所述心电图波形区域检测模型是通过如下第二训练步骤预先训练得到的:获取第二训练数据集,其中,第二训练数据包括样本纸质心电图图像和相应标注心电图波形区域;基于所述第二训练数据集对初始心电图波形区域检测模型进行训练;将训练得到的所述初始心电图波形区域检测模型确定为所述预先训练的心电图波形区域检测模型。
在一些可选的实施方式中,所述装置还包括:信息生成单元,被配置成基于所述目标用户患有房颤的概率生成针对所述目标用户的房颤患病诊断结果信息;以及信息呈现单元,被配置成呈现所述房颤患病诊断结果信息。
第三方面,本公开的实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开的实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中,该计算机程序被一个或多个处理器执行时实现如第一方面中任一实现方式描述的方法。
心电图因其方便快捷的检测方式、较低的检测价格和准确的检测效果而被广泛使用于不同医疗的场景中。心电图检查后,心电图最常见的存储方式是将心电图机获得的心电信号打印在热敏纸上形成纸质心电图,而心电图的波形数据往往只有医院或者配有电子心电图管理系统的机构才能获取到。对患者而言,很难获得心电图的波形数据,而更容易获得纸质心电图。因此,基于纸质心电图的房颤风险预测有助于患者早发现和早治疗。
实践中,不同心电图机采集的纸质心电图尺寸、颜色不同,而纸质心电图图像往往是通过相机或者扫描仪等方式获得的,不同方式获得的纸质心电图图像可能尺寸不同或者色彩亮度参差不齐,以及还可能存在心电图波形部分方向不一致的问题。
本公开的实施例提供的房颤患病概率生成方法、装置、电子设备和存储介质,通过首先基于对目标用户进行心电图采集得到的目标纸质心电图图像得到目标心电图波形区域图像,再将目标心电图波形区域图像输入预先训练的房颤患病概率生成模型,得到目标用户患有房颤的概率,实现了基于用户的纸质心电图进行房颤风险预测。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显。附图仅用于示出具体实施方式的目的,而并不认为是对本公开的限制。在附图中:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的房颤患病概率生成方法的一个实施例的流程图;
图3是根据本公开的第二训练步骤的一个实施例的流程图;
图4是根据本公开的第一训练步骤的一个实施例的流程图;
图5是根据本公开的训练数据生成步骤的一个实施例的流程图;
图6是根据本公开的房颤患病概率生成装置的一个实施例的结构示意图;
图7是根据本公开的电子设备的一个实施例的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的房颤患病概率生成方法或房颤患病概率生成装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括客户端101、102、103,网络104和服务器105。网络104用以在客户端101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用客户端101、102、103通过网络104与服务器105交互,以接收或发送消息等。客户端101、102、103上可以安装有各种通讯客户端应用,例如图像处理类应用、房颤患病概率生成类应用、远程问诊类应用、医疗信息咨询类应用、健康状况监控类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
客户端101、102、103可以是硬件,也可以是软件。当客户端101、102、103为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当客户端101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供纸质心电图分析类服务),也可以实现成单个软件或软件模块。在此不做具体限定。
在一些情况下,本公开所提供的房颤患病概率生成方法可以由客户端101、102、103执行,相应地,房颤患病概率生成装置可以设置于客户端101、102、103中。这时,系统架构100也可以不包括服务器105。
在一些情况下,本公开所提供的房颤患病概率生成方法可以由客户端101、102、103和服务器105共同执行,例如,“获取目标心电图波形区域图像”的步骤可以由客户端101、102、103执行,“将所述目标心电图波形区域图像输入预先训练的房颤患病概率生成模型,得到所述目标用户患有房颤的概率”等步骤可以由服务器105执行。本公开对此不做限定。相应地,房颤患病概率生成装置也可以分别设置于客户端101、102、103和服务器105中。
在一些情况下,本公开所提供的房颤患病概率生成方法可以由服务器105执行,相应地,房颤患病概率生成装置也可以设置于服务器105中,这时,系统架构100也可以不包括客户端101、102、103。
服务器105可以是提供各种服务的服务器,例如对客户端101、102、103上显示的房颤患病概率生成类应用或者提供房颤患病概率生成类服务的网页提供支持的后台服务器。后台服务器可以对接收到的目标用户的纸质心电图图像等数据进行分析等处理,并将处理结果(例如目标用户患有房颤的概率)反馈给客户端。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的客户端、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的客户端、网络和服务器。
继续参考图2,其示出了根据本公开的房颤患病概率生成方法的一个实施例的流程200,该房颤患病概率生成方法包括以下步骤:
步骤201,获取目标心电图波形区域图像。
在本实施例中,房颤患病概率生成方法的执行主体(例如图1所示的客户端)可以本地或者从与上述执行主体网络连接的其他电子设备获取目标心电图波形区域图像。
这里,目标心电图波形区域图像可以是基于对目标用户进行心电图采集得到的纸质心电图图像而得到的。
实践中,对目标用户进行心电图采集得到的纸质心电图图像可以是通过利用相机拍摄得到的,也可以是通过采用扫描仪扫描得到的。
目标心电图波形区域图像用于表征对目标用户进行心电图采集得到的纸质心电图图像中的心电图波形区域。
在一些可选的实施方式中,步骤201可以包括以下步骤2011和步骤2012:
步骤2011,获取目标纸质心电图图像。
这里,目标纸质心电图图像为对目标用户进行心电图检查得到的纸质心电图图像。
例如,上述执行主体可以本地获取目标纸质心电图图像。
又例如,上述执行主体也可以从与上述执行主体网络连接的其他电子设备获取目标纸质心电图图像。
步骤2012,检测目标纸质心电图图像中的心电图波形区域。
实践中,一般而言纸质心电图中心电图波形不会占据全部面积。为了提高对心电图进行分析进而得出目标用户患有房颤的概率的准确度,可以首先检测出目标纸质心电图图像中的心电图波形区域。心电图波形区域可以采用各种数据形式来表征。心电图波形区域可以是目标纸质心电图图像中的坐标集合。心电图波形区域也可以是形状标识以及用于表征该形状标识所指示的形状在目标纸质心电图图像中的坐标范围的特征数值。例如,心电图波形区域可以用矩形标识以及矩形心电图波形区域的四个顶点坐标来表征。
这里,上述执行主体可以采用各种目标检测算法,检测目标纸质心电图图像中的心电图波形区域。
例如,心电图波形区域可以为矩形,而心电图波形区域可以包括矩形心电图波形区域的四个顶点坐标。
可选地,步骤2012可以如下执行:将目标纸质心电图图像输入预先训练的心电图波形区域检测模型,得到目标纸质心电图图像中的心电图波形区域。
这里,心电图波形区域检测模型可以是通过如图3所示的第二训练步骤300预先训练得到的,第二训练步骤300包括以下步骤301到步骤303:
步骤301,获取第二训练数据集。
这里,第二训练数据集可以是由第二训练数据组成的,第二训练数据可以包括样本纸质心电图图像和相应标注心电图波形区域。其中,标注心电图波形区域用于表征相应样本纸质心电图图像中的心电图波形区域。实践中,可以由人工对样本纸质心电图图像进行标注,以标注出其中的心电图波形区域。
第二训练数据集中的样本纸质心电图图像可以包括自不同类型心电图机、对不同受检者进行检测的纸质心电图图像。可选地,第二训练数据集中的样本纸质心电图图像还可以包括各种不同类型相机在不同光照环境条件下拍摄的、或者不同类型扫描仪扫描的纸质心电图图像。进而保证训练得到的心电图波形区域检测模型的鲁棒性较高。
步骤302,基于第二训练数据集对初始心电图波形区域检测模型进行训练。
这里,初始心电图波形区域检测模型可以是各种机器学习模型,本公开对此不做具体限定。初始心电图波形区域检测模型用于表征图像和区域位置之间的对应关系。
可选地,初始心电图波形区域检测模型可以是深度神经网络模型。
具体而言,步骤302可以包括步骤3021到步骤3024:
步骤3021,将第二训练数据集划分为至少两个第二训练数据子集。
即划分为不同批次的第二训练数据子集。各第二训练数据子集中第二训练数据数量可以相同或不同。
步骤3022,在各第二训练数据子集中选取一第二训练数据子集,作为当前第二训练数据子集。
例如,可在各第二训练数据子集中选取未执行过第二参数调整操作的第二训练数据子集作为当前第二训练数据子集。
步骤3023,对当前第二训练数据子集执行以下第二参数调整操作:
首先,将当前第二训练数据子集中的样本纸质心电图图像输入初始心电图波形区域检测模型,得到相应的心电图波形区域输出结果。
然后,采用各种损失函数计算当前第二训练数据子集中各样本纸质心电图图像对应的心电图波形区域输出结果与相应标注心电图波形区域之间的差异之和(在各第二训练数据子集中第二训练数据数量相同的情况下)或差异平均值(在各第二训练数据子集中第二训练数据数量不同的情况下),作为当前第二训练数据子集对应的损失函数值。
接着,采用各种参数优化方法,基于当前第二训练数据子集对应的损失函数值对初始心电图波形区域检测模型的模型参数进行调整。
步骤3024,确定是否满足第二预设模型训练结束条件。
这里,确定是否满足第二预设模型训练结束条件可以如下进行:确定是否各第二训练数据子集均作为当前第二训练数据子集执行过第二参数调整操作。
或者,确定是否满足第二预设模型训练结束条件也可以如下进行:确定是否执行第二参数调整操作的时间达到第二预设训练时长。
又或者,确定是否满足第二预设模型训练结束条件还可以如下进行:
首先,预先获取第二验证数据集。其中,第二验证数据集中的验证数据包括验证纸质心电图图像和相应的标注心电图波形区域。且,第二验证数据集对应的受检者可以与第二训练数据集对应的受检者完全不同。
然后,将各第二验证数据中验证纸质心电图图像分别输入当前初始心电图波形区域检测模型,得到相应心电图波形区域实际输出结果,以及计算各第二验证数据中验证纸质心电图图像在当前心电图波形区域检测模型的心电图波形区域实际输出结果和相应第二验证数据中标注心电图波形区域之间的差异之和(在各第二训练数据子集中第二训练数据数量相同的情况下)或差异平均值(在各第二训练数据子集中第二训练数据数量不同的情况下),作为本次验证数据差异。
接着,计算本次验证数据差异与前次验证数据差异之间的差异。其中,前次验证数据差异是指,在本次调整初始心电图波形区域检测模型的模型参数之前,上次调整初始心电图波形区域检测的模型参数之后,计算的各第二验证数据中验证纸质心电图图像在初始心电图波形区域检测模型的心电图波形区域实际输出结果和相应第二验证数据中标注心电图波形区域之间的差异之和(在各第二训练数据子集中第二训练数据数量相同的情况下)或差异平均值(在各第二训练数据子集中第二训练数据数量不同的情况下)。
最后,确定上述计算得到的本次验证数据差异与前次验证数据差异之间的差异是否小于第二预设差异阈值。即,初始心电图波形区域检测模型的损失函数在第二验证数据集上不再下降或者下降幅度很小。如果确定小于,则确定满足第二预设模型训练结束条件。
如果确定满足第二预设模型训练结束条件,则结束步骤302,转到步骤303执行。
如果确定不满足第二预设模型训练结束条件,则转到步骤3022继续执行。
经过步骤302,初始心电图波形区域检测模型的模型参数得到优化。
步骤303,将训练得到的初始心电图波形区域检测模型确定为预先训练的心电图波形区域检测模型。
采用第二训练步骤得到的心电图波形区域检测模型可以提高心电图波形区域检测的准确度和鲁棒性。
步骤2013,按照波形区域位置在目标纸质心电图图像中截取图像。
这里,上述执行主体可以按照步骤2012中检测得到的波形区域位置在目标纸质心电图图像中截取图像。
步骤2014,基于所截取的图像得到目标心电图波形区域图像。
这里,可以根据房颤患病概率生成模型的输入数据要求,基于所截取的图像得到目标心电图波形区域图像。
例如,这里可以将所截取的图像作为目标心电图波形区域图像。
又例如,这里还可以首先将所截取的图像缩放到房颤患病概率生成模型所适于输入的预设图像尺寸,再将缩放后的截取图像作为目标心电图波形区域图像。
还例如,这里还可以首先将所截取的图像缩放到房颤患病概率生成模型所适于输入的预设图像尺寸,再对缩放后的截取图像进行归一化处理,再将归一化处理后的图像作为目标心电图波形区域图像。
采用上述可选实施方式得到的目标心电图波形区域图像可以得到符合房颤患病概率生成模型的数据输入要求的图像。
步骤202,将目标心电图波形区域图像输入预先训练的房颤患病概率生成模型,得到目标用户患有房颤的概率。
这里,房颤患病概率生成模型用于表征图像与房颤患病概率之间的对应关系。
作为示例,房颤患病概率生成模型可以是由技术人员基于大量的实践中确诊患有房颤的患者的窦律纸质心电图图像中心电图波形区域图像以及未患有房颤的健康人的正常窦律纸质心电图图像中心电图波形区域图像进行统计分析后,而预先制定的、对心电图波形区域图像进行计算并得到房颤患病概率的计算公式。
在一些可选的实施方式中,房颤患病概率生成模型也可以是通过如图4所示的第一训练步骤400预先训练得到的,第一训练步骤400可包括如下步骤401到步骤403:
这里,第一训练步骤的执行主体可以与上述房颤患病概率生成方法的执行主体相同或者不同。如果第一训练步骤的执行主体与上述房颤患病概率生成方法的执行主体相同,则第一训练步骤的执行主体可以在训练得到房颤患病概率生成模型后将训练好的房颤患病概率生成模型的模型结构信息和模型参数的参数值存储在上述执行主体本地。如果第一训练步骤的执行主体与上述房颤患病概率生成方法的执行主体不同,则第一训练步骤的执行主体可以在训练得到房颤患病概率生成模型后将训练好的房颤患病概率生成模型的模型结构信息和模型参数的参数值发送给上述房颤患病概率生成方法的执行主体。
步骤401,获取第一训练数据集。
这里,第一训练数据可以包括样本纸质心电图波形区域图像和相应标注房颤患病概率,样本纸质心电图波形区域图像为房颤窦律纸质心电图波形区域图像或正常窦律纸质心电图波形区域图像。
这里,房颤窦律纸质心电图波形区域图像用于表征对房颤确诊患者进行心电图检查的窦律心电图图像中的心电图波形区域图像,即,虽然该房颤确诊患者确诊患有房颤,但在对房颤确诊患者进行心电图检查期间,房颤确诊患者并未发生房颤症状,因此所得到的心电图看起来仍然是窦律心电图。
这里,正常窦律纸质心电图波形区域图像用于表征对未确诊患有房颤的正常受检者进行心电图检查的窦律心电图图像中的心电图波形区域图像。
这里,房颤窦律纸质心电图波形区域图像对应的标注房颤患病概率可以为第一预设概率(例如,1或者100%),正常窦律纸质心电图波形区域图像对应的标注房颤患病概率可以为第二预设概率(例如,0或者0%)。
在一些可选的实施方式中,第一训练数据集中的样本纸质心电图波形区域图像可以是通过如图5所示的训练数据生成步骤500得到的,训练数据生成步骤500可以包括以下步骤501到步骤503:
步骤501,获取样本纸质心电图图像集合。
这里,样本纸质心电图图像集合中可以包括房颤窦律纸质心电图图像或者正常窦律纸质心电图图像。
这里,房颤窦律纸质心电图图像为对房颤确诊患者进行心电图检查的窦律心电图图像。虽然该房颤确诊患者确诊患有房颤,但在对房颤确诊患者进行心电图检查期间,房颤确诊患者并未发生房颤症状,因此所得到的心电图看起来仍然是窦律心电图。
这里,正常窦律纸质心电图图像为对未确诊患有房颤的正常受检者进行心电图检查的窦律心电图图像。
样本纸质心电图图像集合可以包括自不同类型心电图机、对不同受检者进行检测的房颤窦律纸质心电图图像或正常窦律纸质心电图图像。可选地,样本纸质心电图图像集合中的样本纸质心电图图像还可以包括各种不同类型相机在不同光照环境条件下拍摄的、或者不同类型扫描仪扫描的纸质心电图。进而保证训练得到的房颤患病概率生成模型的鲁棒性较高。
步骤502,提取各样本纸质心电图图像中的心电图波形区域图像,得到第一心电图波形区域图像集合。
这里,可以首先采用各种目标检测算法,检测样本纸质心电图图像中的心电图波形区域,然后再在样本纸质心电图图像中按照所检测到的心电图波形区域提取图像,得到相应的心电图波形区域图像。最终,用各样本纸质心电图图像相应的心电图波形区域图像形成第一心电图波形区域图像集合。
步骤503,基于第一心电图波形区域图像集合,生成第一训练数据集中的样本纸质心电图波形区域图像。
这里,可以采用各种实现方式基于第一心电图波形区域图像集合,生成第一训练数据集中的样本纸质心电图波形区域图像。其中,所生成的样本纸质心电图波形区域图像的图像尺寸为预设图像尺寸。
例如,可以将第一心电图波形区域图像集合中的第一心电图波形区域图像缩放至预设图像尺寸,以得到样本纸质心电图波形区域图像。
可选地,步骤503可以如下执行:对于各第一心电图波形区域图像,执行预处理操作,预处理操作可以包括以下子步骤5031到子步骤5035:
子步骤5031,对该第一心电图波形区域图像进行随机裁剪,得到裁剪图像。
这里,在对该第一心电图波形区域图像进行随机裁剪时,可以按照随机大小和/或随机位置进行裁剪。
子步骤5032,将裁剪图像缩放到预设图像尺寸。
子步骤5033,根据随机生成的概率,确定是否对裁剪图像进行翻转处理。
这里,可以预先随机生成在预设范围(例如,0到1之间)内的概率值,然后若所生成的概率值大于预设概率值(例如,0.5)则确定对裁剪图像进行翻转处理。反之,若不大于则确定不对裁剪图像进行翻转处理。如果确定对裁剪图像进行翻转处理,则转到子步骤5034执行。如果确定不对裁剪图像进行翻转处理,则转到子步骤5035执行。
子步骤5034,对裁剪图像进行翻转处理。
如果在子步骤5033中确定对裁剪图像进行翻转处理,则可以对步骤5032缩放处理后的裁剪图像进行翻转处理,并在翻转处理后转到子步骤5035执行。
子步骤5035,对裁剪图像进行归一化处理,得到相应第一训练数据中的样本纸质心电图波形区域图像。
在经过子步骤5033和子步骤5034对经过缩放处理的裁剪图像进行随机翻转处理后,可以再对经过缩放处理以及随机翻转处理后的裁剪图像进行归一化处理,以得到第一训练数据中的样本纸质心电图波形区域图像。
作为示例,这里所谓对裁剪图像进行归一化处理是指,将裁剪图像中像素点的像素值缩放到预设像素值范围内。这是由于,实践中,拍照或者扫描得到纸质心电图图像过程可能存在噪声,或者拍摄或者扫描过程中环境光线不同导致图像像素值范围差异较大,经过归一化处理可避免上述噪声或者像素值范围差异较大对房颤患病概率生成模型带来的不利影响。
步骤402,基于第一训练数据集对初始房颤患病概率生成模型进行训练。
这里,可以采用各种机器学习方法,基于第一训练数据集对初始房颤患病概率生成模型进行训练。
这里,初始房颤患病概率生成模型可以是各种机器学习模型。例如,初始房颤患病概率生成模型可以是人工神经网络(ANN,Artificial Neural Network)、深度学习(DL,Deep Learning)模型、支持向量机(SVM,Support Vector Machines)、随机森林(RF,RandomForest)、决策树(DT,Decision Tree)、线性回归(LR,Linear Regression)、逻辑回归(LR,Logistic Regression)、泊松回归(PR,Poisson Regression)、岭回归(RidgeRegression)、套索回归(Lasso Regression)、k近邻(KNN,k-Nearest Neighbor)、线性判别分析(Linear Discriminant Analysis,LDA)和对数线性模型(Logarithmic linearmodel,LLM)等。
可选地,初始房颤患病概率生成模型可以为深度学习模型,初始房颤患病概率生成模型可以包括卷积(convolutional)层、批标准化(batch normalization)层、激活函数(activation function)层、随机失活(dropout)层、全连接(fully connected)层以及池化(pooling)层。
具体而言,步骤402可以包括步骤4021到步骤4024:
步骤4021,将第一训练数据集划分为至少两个第一训练数据子集。
即将第一训练数据集划分为不同批次的第一训练数据子集。各第一训练数据子集中第一训练数据数量可以相同或不同。
步骤4022,在各第一训练数据子集中选取一第一训练数据子集,作为当前第一训练数据子集。
例如,可在各第一训练数据子集中选取未执行过第一参数调整操作的第一训练数据子集作为当前第一训练数据子集。
步骤4023,对当前第一训练数据子集执行以下第一参数调整操作:
首先,将当前第一训练数据子集中的样本纸质心电图波形区域图像输入初始房颤患病概率生成模型,得到相应的房颤患病概率输出结果。
然后,采用各种损失函数计算当前第一训练数据子集中各样本纸质心电图波形区域图像对应的房颤患病概率输出结果与相应标注房颤患病概率之间的差异之和(在各第一训练数据子集中第一训练数据数量相同的情况下)或差异平均值(在各第一训练数据子集中第一训练数据数量不同的情况下),作为当前第一训练数据子集对应的损失函数值。
接着,采用各种参数优化方法,基于当前第一训练数据子集对应的损失函数值对初始房颤患病概率生成模型的模型参数进行调整。
步骤4024,确定是否满足第一预设模型训练结束条件。
这里,确定是否满足第一预设模型训练结束条件可以如下进行:确定是否各第一训练数据子集均作为当前第一训练数据子集执行过第一参数调整操作。
或者,确定是否满足第一预设模型训练结束条件也可以如下进行:确定是否执行第一参数调整操作的时间达到第一预设训练时长。
又或者,确定是否满足第一预设模型训练结束条件还可以如下进行:
首先,预先获取第一验证数据集。其中,第一验证数据集中的验证数据包括验证纸质心电图波形区域图像和相应的标注房颤患病概率。且,第一验证数据集对应的受检者可以与第一训练数据集对应的受检者完全不同。
然后,将各第一验证数据中验证纸质心电图波形图像分别输入当前初始房颤患病概率生成模型,得到相应房颤患病概率实际输出结果,以及计算各第一验证数据中验证纸质心电图波形图像在当前初始房颤患病概率生成模型的房颤患病概率实际输出结果和相应第一验证数据中标注房颤患病概率之间的差异之和(在各第一训练数据子集中第一训练数据数量相同的情况下)或差异平均值(在各第一训练数据子集中第一训练数据数量不同的情况下),作为本次验证数据差异。
接着,计算本次验证数据差异与前次验证数据差异之间的差异。其中,前次验证数据差异是指,在本次调整初始房颤患病概率生成模型的模型参数之前,上次调整初始房颤患病概率生成模型的模型参数之后,计算的各第一验证数据中验证纸质心电图波形区域图像在初始房颤患病概率生成模型的房颤患病概率实际输出结果和相应第一验证数据中标注房颤患病概率之间的差异之和(在各第一训练数据子集中第一训练数据数量相同的情况下)或差异平均值(在各第一训练数据子集中第一训练数据数量不同的情况下)。
最后,确定上述计算得到的本次验证数据差异与前次验证数据差异之间的差异是否小于第一预设差异阈值。即,初始房颤患病概率生成模型的损失函数在第一验证数据集上不再下降或者下降幅度很小。如果确定小于,则确定满足第一预设模型训练结束条件。
如果确定满足第一预设模型训练结束条件,则结束步骤402。
如果确定不满足第一预设模型训练结束条件,则转到步骤4022继续执行。
经过步骤402,初始房颤患病概率生成模型的模型参数得到优化。
步骤403,将训练得到的初始房颤患病概率生成模型确定为预先训练的房颤患病概率生成模型。
经过步骤401到步骤403,可得到模型参数经第一训练数据集训练优化后的房颤患病概率生成模型。
由于房颤患病概率生成模型用于表征图像与房颤患病概率之间的对应关系,步骤202中将目标心电图波形区域图像输入预先训练的房颤患病概率生成模型,可得到目标用户患有房颤的概率。
得到目标用户患有房颤的概率后,后续可采用各种方式使用目标用户患有房颤的概率。
在一些可选的实施方式中,上述方法流程200还可以包括以下步骤203和步骤204:
步骤203,基于目标用户患有房颤的概率生成针对目标用户的房颤患病诊断结果信息。
这里,可以可根据具体应用场景的需要采用各种实现方式,基于步骤202得到的目标用户患有房颤的概率,生成针对目标用户的房颤患病诊断结果信息。
这里,房颤患病诊断结果信息可以是各种形式。例如,可以包括但不限于文本、图像和语音数据。
这里,房颤患病诊断结果信息可以是各种与房颤诊断相关的信息。房颤患病诊断结果信息可以用于指示确诊患有房颤,或者未确诊患有房颤,或者还可以用于指示患有房颤的程度。这里患有房颤的程度既可以用数值来表示,也可以用文字来表示。例如,患有房颤的程度可以是0到1之间的程度数值。患有房颤的程度还可以是例如“患有房颤的风险非常高”、“患有房颤的风险较高”、“患有房颤的风险较低”、“患有房颤的风险很低”等等。
在一些可选的实施方式中,步骤203可以如下进行:根据房颤患病概率范围与房颤患病诊断结果信息之间的第一预设对应关系,确定与目标用户患有房颤的概率对应的房颤患病诊断结果信息,以及所确定的房颤患病诊断结果信息生成针对目标用户的房颤患病诊断结果信息。
例如,这里,上述第一预设对应关系,可以包括:
第一患病概率范围对应用于指示未确诊患有房颤的未确诊患有房颤诊断结果信息;以及
第二患病概率范围对应用于指示确诊患有房颤的确诊患有房颤诊断结果信息。
这里,第一患病概率范围为小于预设房颤患病概率阈值。而第二患病概率范围为大于或等于预设房颤患病概率阈值。
步骤204,呈现目标用户的房颤患病诊断结果信息。
这里,可以在与上述执行主体本地连接的信息呈现设备(例如,与上述执行主体本地连接的显示设备和/或声音播放设备)呈现目标用户的房颤患病诊断结果信息。可选地,也可以将目标用户的房颤患病诊断结果信息发送给与上述执行主体网络连接的其他电子设备,并在上述其他电子设备本地连接的信息呈现设备呈现目标用户的房颤患病诊断结果信息。
具体地,可以在显示设备上呈现目标用户的房颤患病诊断结果信息,例如可以以文字或图像形式呈现。也可以在声音播放设备上播放目标用户的房颤患病诊断结果信息对应的语音。本公开对此不做具体限定。
本公开的上述实施例提供的房颤患病概率生成方法,通过首先基于对目标用户进行心电图采集得到的目标纸质心电图图像得到目标心电图波形区域图像,再将目标心电图波形区域图像输入预先训练的房颤患病概率生成模型,得到目标用户患有房颤的概率,从而实现包括但不限于以下技术效果:
第一,基于纸质心电图进行房颤风险预测,有助于患者早发现和早治疗,具有医疗健康意义与价值。
第二,通过先获取纸质心电图图像中的心电图波形区域图像,再将心电图波形区域图像输入房颤患病概率生成模型,而不是直接将纸质心电图输入房颤患病概率生成模型,可以适应不同心电图机采集的纸质心电图图像,以及适应不同渠道获得的纸质心电图图像,提高房颤风险预测的准确率和鲁棒性。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种房颤患病概率生成装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的房颤患病概率生成装置600包括:获取单元601和概率生成单元602。其中,获取单元601,被配置成获取目标心电图波形区域图像,所述目标心电图波形区域图像基于对目标用户进行心电图采集得到的纸质心电图图像得到;而概率生成单元602,被配置成将所述目标心电图波形区域图像输入预先训练的房颤患病概率生成模型,得到所述目标用户患有房颤的概率。
在本实施例中,房颤患病概率生成装置600的:获取单元601和概率生成单元602的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201和步骤202的相关说明,在此不再赘述。
在一些可选的实施方式中,所述获取单元601可以进一步被配置成:获取目标纸质心电图图像,所述目标纸质心电图图像为对所述目标用户进行心电图检查得到的纸质心电图图像;检测所述目标纸质心电图图像中的心电图波形区域;按照所述波形区域位置在所述目标纸质心电图图像中截取图像;基于所截取的图像得到所述目标心电图波形区域图像。
在一些可选的实施方式中,所述检测所述目标纸质心电图图像中的心电图波形区域,可以包括:将所述目标纸质心电图图像输入预先训练的心电图波形区域检测模型,得到所述目标纸质心电图图像中的心电图波形区域。
在一些可选的实施方式中,所述房颤患病概率生成模型可以是通过如下第一训练步骤预先训练得到的:获取第一训练数据集,其中,第一训练数据包括样本纸质心电图波形区域图像和相应标注房颤患病概率,样本纸质心电图波形区域图像为房颤窦律纸质心电图波形区域图像或正常窦律纸质心电图波形区域图像;基于所述第一训练数据集对初始房颤患病概率生成模型进行训练;将训练得到的所述初始房颤患病概率生成模型确定为所述预先训练的房颤患病概率生成模型。
在一些可选的实施方式中,所述第一训练数据集中的样本纸质心电图波形区域图像可以通过训练数据生成步骤得到:获取样本纸质心电图图像集合;提取各所述样本纸质心电图图像中的心电图波形区域图像,得到第一心电图波形区域图像集合;基于所述第一心电图波形区域图像集合,生成所述第一训练数据集中的样本纸质心电图波形区域图像,其中,样本纸质心电图波形区域图像的图像尺寸为预设图像尺寸。
在一些可选的实施方式中,所述基于所述第一心电图波形区域图像集合,生成所述第一训练数据集中的样本纸质心电图波形区域图像,可以包括:对于各所述第一心电图波形区域图像,执行以下预处理操作:对该第一心电图波形区域图像进行随机裁剪,得到裁剪图像;将所述裁剪图像缩放到所述预设图像尺寸;根据随机生成的概率,确定是否对所述裁剪图像进行翻转处理;响应于确定是,对所述裁剪图像进行翻转处理;对所述裁剪图像进行归一化处理,得到相应第一训练数据中的样本纸质心电图波形区域图像。
在一些可选的实施方式中,所述心电图波形区域检测模型可以是通过如下第二训练步骤预先训练得到的:获取第二训练数据集,其中,第二训练数据包括样本纸质心电图图像和相应标注心电图波形区域;基于所述第二训练数据集对初始心电图波形区域检测模型进行训练;将训练得到的所述初始心电图波形区域检测模型确定为所述预先训练的心电图波形区域检测模型。
在一些可选的实施方式中,所述装置600还可以包括:信息生成单元603,被配置成基于所述目标用户患有房颤的概率生成针对所述目标用户的房颤患病诊断结果信息;以及信息呈现单元604,被配置成呈现所述房颤患病诊断结果信息。
需要说明的是,本公开提供的房颤患病概率生成装置中各单元的实现细节和技术效果可以参考本公开中其它实施例的说明,在此不再赘述。
下面参考图7,其示出了适于用来实现本公开的实施例的电子设备的计算机系统700的结构示意图。图7示出的计算机系统700仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许计算机系统700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的计算机系统700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备实现如图2所示的实施例及其可选实施方式示出的房颤患病概率生成方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取目标心电图波形区域图像的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (11)
1.一种房颤患病概率生成方法,所述方法包括:
获取目标心电图波形区域图像,所述目标心电图波形区域图像基于对目标用户进行心电图采集得到的纸质心电图图像得到;
将所述目标心电图波形区域图像输入预先训练的房颤患病概率生成模型,得到所述目标用户患有房颤的概率。
2.根据权利要求1所述的方法,其中,所述获取目标心电图波形区域图像,包括:
获取目标纸质心电图图像,所述目标纸质心电图图像为对所述目标用户进行心电图检查得到的纸质心电图图像;
检测所述目标纸质心电图图像中的心电图波形区域;
按照所述波形区域位置在所述目标纸质心电图图像中截取图像;
基于所截取的图像得到所述目标心电图波形区域图像。
3.根据权利要求2所述的方法,其中,所述检测所述目标纸质心电图图像中的心电图波形区域,包括:
将所述目标纸质心电图图像输入预先训练的心电图波形区域检测模型,得到所述目标纸质心电图图像中的心电图波形区域。
4.根据权利要求1所述的方法,其中,所述房颤患病概率生成模型是通过如下第一训练步骤预先训练得到的:
获取第一训练数据集,其中,第一训练数据包括样本纸质心电图波形区域图像和相应标注房颤患病概率,样本纸质心电图波形区域图像为房颤窦律纸质心电图波形区域图像或正常窦律纸质心电图波形区域图像;
基于所述第一训练数据集对初始房颤患病概率生成模型进行训练;
将训练得到的所述初始房颤患病概率生成模型确定为所述预先训练的房颤患病概率生成模型。
5.根据权利要求4所述的方法,其中,所述第一训练数据集中的样本纸质心电图波形区域图像通过训练数据生成步骤得到:
获取样本纸质心电图图像集合;
提取各所述样本纸质心电图图像中的心电图波形区域图像,得到第一心电图波形区域图像集合;
基于所述第一心电图波形区域图像集合,生成所述第一训练数据集中的样本纸质心电图波形区域图像,其中,样本纸质心电图波形区域图像的图像尺寸为预设图像尺寸。
6.根据权利要求5所述的方法,其中,所述基于所述第一心电图波形区域图像集合,生成所述第一训练数据集中的样本纸质心电图波形区域图像,包括:
对于各所述第一心电图波形区域图像,执行以下预处理操作:
对该第一心电图波形区域图像进行随机裁剪,得到裁剪图像;
将所述裁剪图像缩放到所述预设图像尺寸;
根据随机生成的概率,确定是否对所述裁剪图像进行翻转处理;
响应于确定是,对所述裁剪图像进行翻转处理;
对所述裁剪图像进行归一化处理,得到相应第一训练数据中的样本纸质心电图波形区域图像。
7.根据权利要求3所述的方法,其中,所述心电图波形区域检测模型是通过如下第二训练步骤预先训练得到的:
获取第二训练数据集,其中,第二训练数据包括样本纸质心电图图像和相应标注心电图波形区域;
基于所述第二训练数据集对初始心电图波形区域检测模型进行训练;
将训练得到的所述初始心电图波形区域检测模型确定为所述预先训练的心电图波形区域检测模型。
8.根据权利要求1所述的方法,其中,所述方法还包括:
基于所述目标用户患有房颤的概率生成针对所述目标用户的房颤患病诊断结果信息;以及
呈现所述房颤患病诊断结果信息。
9.一种房颤患病概率生成装置,所述装置包括:
获取单元,被配置成获取目标心电图波形区域图像,所述目标心电图波形区域图像基于对目标用户进行心电图采集得到的纸质心电图图像得到;
概率生成单元,被配置成将所述目标心电图波形区域图像输入预先训练的房颤患病概率生成模型,得到所述目标用户患有房颤的概率。
10.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被一个或多个处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211483634.8A CN115736939A (zh) | 2022-11-24 | 2022-11-24 | 房颤患病概率生成方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211483634.8A CN115736939A (zh) | 2022-11-24 | 2022-11-24 | 房颤患病概率生成方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115736939A true CN115736939A (zh) | 2023-03-07 |
Family
ID=85337143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211483634.8A Pending CN115736939A (zh) | 2022-11-24 | 2022-11-24 | 房颤患病概率生成方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115736939A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116313089A (zh) * | 2023-03-13 | 2023-06-23 | 首都医科大学附属北京天坛医院 | 一种卒中后房颤风险预测方法、计算机设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110507311A (zh) * | 2019-08-27 | 2019-11-29 | 中科麦迪人工智能研究院(苏州)有限公司 | 一种基于图像信息的心电分析方法、装置、设备及介质 |
CN113456084A (zh) * | 2021-05-31 | 2021-10-01 | 山西云时代智慧城市技术发展有限公司 | 一种基于ResNet-Xgboost模型预测心电波异常类型的方法 |
CN113995419A (zh) * | 2021-12-10 | 2022-02-01 | 华中科技大学 | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 |
CN114240881A (zh) * | 2021-12-16 | 2022-03-25 | 安徽心之声医疗科技有限公司 | 一种纸质心电图分割模型构建和分割的方法、装置及系统 |
CN114648049A (zh) * | 2022-05-20 | 2022-06-21 | 合肥心之声健康科技有限公司 | 一种心电图像分类模型构建和分类的方法、装置及系统 |
CN114743677A (zh) * | 2022-04-21 | 2022-07-12 | 江南大学 | 一种利用窦性心律心电图预测阵发性室上性心动过速的方法 |
WO2022195139A1 (es) * | 2021-03-17 | 2022-09-22 | Fundacion Para La Investigacion Biomedica Del Hospital Universitario De La Princesa | Método de pronóstico de una arritmia auricular a partir de un electrocardiograma de ritmo sinusal |
-
2022
- 2022-11-24 CN CN202211483634.8A patent/CN115736939A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110507311A (zh) * | 2019-08-27 | 2019-11-29 | 中科麦迪人工智能研究院(苏州)有限公司 | 一种基于图像信息的心电分析方法、装置、设备及介质 |
WO2022195139A1 (es) * | 2021-03-17 | 2022-09-22 | Fundacion Para La Investigacion Biomedica Del Hospital Universitario De La Princesa | Método de pronóstico de una arritmia auricular a partir de un electrocardiograma de ritmo sinusal |
CN113456084A (zh) * | 2021-05-31 | 2021-10-01 | 山西云时代智慧城市技术发展有限公司 | 一种基于ResNet-Xgboost模型预测心电波异常类型的方法 |
CN113995419A (zh) * | 2021-12-10 | 2022-02-01 | 华中科技大学 | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 |
CN114240881A (zh) * | 2021-12-16 | 2022-03-25 | 安徽心之声医疗科技有限公司 | 一种纸质心电图分割模型构建和分割的方法、装置及系统 |
CN114743677A (zh) * | 2022-04-21 | 2022-07-12 | 江南大学 | 一种利用窦性心律心电图预测阵发性室上性心动过速的方法 |
CN114648049A (zh) * | 2022-05-20 | 2022-06-21 | 合肥心之声健康科技有限公司 | 一种心电图像分类模型构建和分类的方法、装置及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116313089A (zh) * | 2023-03-13 | 2023-06-23 | 首都医科大学附属北京天坛医院 | 一种卒中后房颤风险预测方法、计算机设备及介质 |
CN116313089B (zh) * | 2023-03-13 | 2024-01-16 | 首都医科大学附属北京天坛医院 | 一种卒中后房颤风险预测方法、计算机设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11636601B2 (en) | Processing fundus images using machine learning models | |
US11200416B2 (en) | Methods and apparatuses for image detection, electronic devices and storage media | |
CN111260545A (zh) | 生成图像的方法和装置 | |
US20200234444A1 (en) | Systems and methods for the analysis of skin conditions | |
CN113902642B (zh) | 一种医学图像处理方法、装置、电子设备和存储介质 | |
JP5744631B2 (ja) | 診療支援装置、診療支援方法 | |
JP2020502717A (ja) | 撮像データを使用するインプラント識別の方法及びそのためのシステム | |
US11823385B2 (en) | Processing fundus images using machine learning models to generate blood-related predictions | |
CN112868068A (zh) | 使用利用其它模式训练的机器学习模型处理眼底相机图像 | |
US20210287797A1 (en) | Parameter selection model using image analysis | |
CN115736939A (zh) | 房颤患病概率生成方法、装置、电子设备和存储介质 | |
US8810362B2 (en) | Recognition system and recognition method | |
US10758159B2 (en) | Measuring somatic response to stimulus utilizing a mobile computing device | |
WO2020071086A1 (ja) | 情報処理装置、制御方法、及びプログラム | |
CN108664948B (zh) | 用于生成信息的方法和装置 | |
US20220148172A1 (en) | System and method for detecting medical conditions | |
CN116784863A (zh) | 房颤患病概率生成方法、装置、电子设备和存储介质 | |
KR20220070816A (ko) | 인공지능 기반 피부암 판단을 위한 제어 방법, 장치 및 프로그램 | |
CN115517686A (zh) | 家庭环境心电图图像分析方法、装置、设备、介质和系统 | |
Krishnamoorthy et al. | Channel intensity and edge-based estimation of heart rate via smartphone recordings | |
CN115579109A (zh) | 医疗环境下心电图图像分析方法、装置和终端设备 | |
TWM590744U (zh) | 風險評估系統 | |
CN109886378A (zh) | 用于推送信息的方法和装置 | |
WO2024011473A1 (zh) | 对象状态确定方法、深度学习模型的训练方法及电子设备 | |
TWI774997B (zh) | 風險評估方法及系統、服務系統與電腦程式產品 |
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 |