CN115881304B - 基于智能检测的风险评估方法、装置、设备及介质 - Google Patents
基于智能检测的风险评估方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115881304B CN115881304B CN202310185882.2A CN202310185882A CN115881304B CN 115881304 B CN115881304 B CN 115881304B CN 202310185882 A CN202310185882 A CN 202310185882A CN 115881304 B CN115881304 B CN 115881304B
- Authority
- CN
- China
- Prior art keywords
- pixel
- information
- risk assessment
- image
- character
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于智能检测的风险评估方法、装置、设备及介质,方法包括:接收基础信息并判断其中的性状结果是否符合性状判断条件,若符合,则根据特征提取模型从基础信息的图像信息提取图像特征信息,将性状结果转换为性状特征信息并与图像特征信息组合得到组合特征信息,根据评估模型对组合特征信息进行风险评估得到基础风险评估值,根据组合计算公式计算基础风险评估值与基础信息中个人信息对应的风险评分值。上述的基于智能检测的风险评估方法,获取图像信息中的图像特征信息并与性状特征信息组合,通过组合计算公式进行组合计算,能够实现对基础信息进行综合评估分析,并得到准确的风险评分值,大幅提高了进行患癌风险评估的准确性。
Description
技术领域
本发明涉及智能评估技术领域,尤其涉及一种基于智能检测的风险评估方法、装置、设备及介质。
背景技术
癌症是一种复杂疾病,现有患癌风险评估过程中,通常是需要结合基因检测、蛋白组分检测、细胞形态检测、个人身体状况等多重结果进行病理综合分析以获取风险评估结果,例如, p16妇科病理分析过程中需要结合多重结果进行综合病理分析。通常,基因检测及蛋白组分检测是否直接导致较高的患癌风险,可通过实验数据客观获取,然而细胞形态检测及个人身体状况是否直接导致较高的患癌风险,则需要依靠经验进行分析,因缺乏统一的分析标准无法客观、准确地获取相关的分析结果,影响了进行病理综合分析并获取风险评估结果的可靠性。因此,现有技术方法中用于进行患癌风险评估的方法存在准确性较差的问题。
发明内容
本发明实施例提供了一种基于智能检测的风险评估方法、装置、设备及介质,旨在解决现有技术方法中用于进行患癌风险评估的方法所存在的准确性较差的问题。
第一方面,本发明实施例提供了一种基于智能检测的风险评估方法,其中,所述方法包括:
若接收到所输入的基础信息,判断所述基础信息中的性状结果是否符合预设性状判断条件;
若所述性状结果符合所述性状判断条件,根据特征提取模型对所述基础信息中的图像信息进行特征提取得到对应的图像特征信息;
根据预置的转换规则将所述性状结果转换为性状特征信息;
将所述性状特征信息与所述图像特征信息进行组合,得到对应的组合特征信息;
根据预设评估模型对所述组合特征信息进行风险评估得到基础风险评估值;
根据预置的组合计算公式对所述基础风险评估值及所述基础信息中的个人信息进行组合计算,得到对应的风险评分值。
第二方面,本发明实施例还提供了一种基于智能检测的风险评估装置,其中,所述装置包括:
性状结果判断单元,用于若接收到所输入的基础信息,判断所述基础信息中的性状结果是否符合预设性状判断条件;
图像特征信息获取单元,用于若所述性状结果符合所述性状判断条件,根据特征提取模型对所述基础信息中的图像信息进行特征提取得到对应的图像特征信息;
性状特征信息获取单元,用于根据预置的转换规则将所述性状结果转换为性状特征信息;
组合特征信息获取单元,用于将所述性状特征信息与所述图像特征信息进行组合,得到对应的组合特征信息;
基础风险评估值获取单元,用于根据预设评估模型对所述组合特征信息进行风险评估得到基础风险评估值;
风险评分值获取单元,用于根据预置的组合计算公式对所述基础风险评估值及所述基础信息中的个人信息进行组合计算,得到对应的风险评分值。
第三方面,本发明实施例还提供了一种计算机设备,其中,所述设备包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口、存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面所述的基于智能检测的风险评估方法的步骤。
第四方面,本发明实施例还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,所述计算机程序被处理器执行时实现如上述第一方面所述的基于智能检测的风险评估方法的步骤。
本发明实施例提供了一种基于智能检测的风险评估方法、装置、设备及介质,方法包括:接收基础信息并判断其中的性状结果是否符合性状判断条件,若符合,则根据特征提取模型从基础信息的图像信息提取图像特征信息,将性状结果转换为性状特征信息并与图像特征信息组合得到组合特征信息,根据评估模型对组合特征信息进行风险评估得到基础风险评估值,根据组合计算公式计算基础风险评估值与基础信息中个人信息对应的风险评分值。上述的基于智能检测的风险评估方法,获取图像信息中的图像特征信息并与性状特征信息组合,通过组合计算公式进行组合计算,能够实现对基础信息进行综合评估分析,并得到准确的风险评分值,大幅提高了进行患癌风险评估的准确性。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于智能检测的风险评估方法的方法流程图;
图2为本发明实施例提供的基于智能检测的风险评估方法的应用示意图;
图3为本发明实施例提供的基于智能检测的风险评估方法的应用示意图;
图4为本发明实施例提供的基于智能检测的风险评估装置的示意性框图;
图5为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,如图所示,本发明申请的实施例提供了一种基于智能检测的风险评估方法,该方法应用于用户终端中,该方法通过安装于用户终端中的应用软件进行执行,用户终端即是用于执行基于智能检测的风险评估方法以对患癌风险进行智能评估的终端设备,如台式电脑、笔记本电脑、平板电脑或手机等。如图1所示,该方法包括步骤S110~S160。
S110、若接收到所输入的基础信息,判断所述基础信息中的性状结果是否符合预设性状判断条件。
若接收到所输入的基础信息,判断所述基础信息中的性状结果是否符合预设性状判断条件。用户终端可接收所输入的基础信息,其中,基础信息中包括性状结果、图像信息及个人信息,性状结果也即是对目标个体进行基因检测及蛋白组分检测所得到的性状检测结果,针对每一项检测的性状结果可以是阴性性、弱阳性、强阳性等多个性状分类中的任意一个,如针对妇科癌变病理分析时,可输入p16免疫细胞化学检测结果、p16免疫组化检测结果、Mib-1免疫组化检测结果、Bcl-2免疫组化结果作为性状结果。
接收到所输入的基础信息后,进一步判断基础信息中性状结果是否符合预设的性状判断条件,如性状判断条件可以是至少包含一份非阴性的检测结果。若基础信息中的性状结果符合预设性状判断条件,则表明存在风险,需要进一步进行风险分析;若基础信息中的性状结果不符合性状判断条件,则表明不存在风险,无需进行风险分析。
S120、若所述性状结果符合所述性状判断条件,根据特征提取模型对所述基础信息中的图像信息进行特征提取得到对应的图像特征信息。
若所述性状结果符合所述性状判断条件,根据特征提取模型对所述基础信息中的图像信息进行特征提取得到对应的图像特征信息。若性状结果符合性状判断条件,则可根据特征提取模型对基础信息中包含的图像信息进行特征提取,从而得到图像特征信息。其中图像信息可以是对目标个体的皮肤组织进行染色后进行显微成像所得到的图像信息,如所获取到的图像信息如图2所示。例如,针对p16妇科病理分析,可获取目标个体宫颈组织细胞进行染色,从而得到对应的图像信息进行后续分析。
则可根据特征提取模型从图像信息中提取得到图像特征信息,特征提取模型即是用于对目标个体的皮肤组织染色细胞所包含的特征进行提取的模型,图像特征信息即可用于对皮肤组织中染色细胞所包含的特征进行量化表征。
在具体实施例中,步骤S120包括子步骤:根据所述特征提取模型中的像素提取规则从所述图像信息中提取得到对应的初始像素信息;根据所述特征提取模型中的像素分类区间对所述初始像素信息中各连通区域内的像素进行分类,得到各连通区域对应的像素分类信息;获取各连通区域中各类像素对应像素图像的特征信息作为与所述图像信息对应的图像特征信息。
具体的,在获取图像特征信息时,首先根据像素提取规则从图像信息中提取得到对应的初始像素信息,图像信息中包含大量像素,然而图像信息中只有部分像素能够有效反应染色细胞的具体结构,因此需要通过像素提取规则进行像素提取,得到其中能够有效反应染色细胞结构的部分像素作为初始像素信息。则初始像素信息中包含至少一个连通区域,每一连通区域即对应一个染色细胞。
根据特征提取模型中的像素分类区间对获取的初始像素信息中各连通区域内的像素进行分类,也即是依据初始像素信息中各像素的像素值,将连通区域内的像素区分为多个类别;再分别获取各连通区域中各类像素对应的像素图像的特征信息进行组合,作为与图像信息对应的图像特征信息。
在具体实施例中,所述根据所述特征提取模型中的像素提取规则从所述图像信息中提取得到对应的初始像素信息,包括子步骤:根据像素提取规则中的比例值及所述图像信息的像素极值确定对应的像素区间;根据所述像素区间获取所述图像信息中位于所述像素区间内的目标像素;判断所述目标像素中包含的连通区域是否大于所述像素提取规则中的连通阈值;从所述目标像素中筛选出连通区域大于所述连通阈值的像素组合为所述初始像素信息。
具体的,可根据图像信息中各像素的像素值确定像素极值,像素极值也即包含图像信息中最大像素值及最小像素值。像素提取规则中还包括比例值,可根据比例值及像素极值计算并确定像素区间,例如,比例值为0.6;则对应的计算过程可采用公式(1)进行表示:
F0=(Fmax-Fmin)×r+Fmin (1);
其中,F0为计算得到的像素分割点,r为比例值,Fmin为图像信息中的最小像素值,Fmax为图像信息中的最大像素值。
由于图像信息中有效染色细胞结构的部分染色较深,因此,可确定像素分割点至最大像素值的区段为对应的像素区间,则所得到的像素区间可表示为[F0,Fmax]。
获取图像信息中位于像素区间内的目标像素,即可排除图像信息中的背景色。目标像素对应组合形成多个连通区域,可进一步判断各连通区域是否大于连通阈值,并根据判断结果从目标像素中获取连通区域大于连通阈值的像素作为初始像素信息,则所得到的初始像素信息对应的图像如图3所示。
特征提取模型中还包括像素分类区间,像素分类区间用于对各连通区域内包含的像素进行分类,具体的,像素分类区间中每一像素类型对应一个分类区间,则可根据连通区域内像素的像素值所属的分类区间,对每一像素所对应的像素类型进行区分,从而实现对连通区域内的像素进行分类,得到对应的像素分类信息。例如,像素分类区间可以是,区间1:[A1,A2]、区间2:(B1, B2]、区间3:(B1, B2]。
在具体实施例中,所述获取各连通区域中各类像素对应像素图像的特征信息作为与所述图像信息对应的图像特征信息,包括子步骤:从各所述连通区域的所述像素分类信息中获取各类像素分别形成的像素图像;获取各所述连通区域对应的像素图像的几何特征值作为对应的特征信息;统计各连通区域的特征信息得到对应的图像特征信息。
具体的,针对初始像素信息中的某一连通区域,可根据该连通区域中各类像素分别组合形成的像素图像。例如,区间1对应细胞核区域,区间2对应第一细胞质区间,第一细胞质区间也即图2及图3的A区域所示,区间3对应第二细胞质区域,第二细胞质区域也即图2及图3的B区域所示;获取某一连通区域内分类至区间1的像素所组成的像素图像,得到与该连通区域中细胞核区域对应的细胞核图像;获取分类至区间2的像素所组成的像素图像,得到与该连通区域中第一细胞质对应的图像;获取分类至区间3的像素所组成的像素图像,得到与该连通区域中第二细胞质对应的图像。
根据特征项获取各连通区域对应像素图像的几何特征值,作为与该连通区域对应的特征信息。用户终端中预先配置有多个特征项,每一特征项可从连通区域的像素图像中获取一个对应的几何特征值。例如,通过各特征项所获取到的特征值包括区间1对应的像素图像的面积S1(由于一个像素点可用于表征一个面积单元,因此可采用相应区间内像素点的数量作为面积直接进行计算)、区间1对应像素图像的圆度系数R1、区间1对应像素图像的区块数量R2(正常情况下细胞质内仅包括一个细胞核,若出现细胞分裂则可能存在两个独立的细胞核,因此区块数量R2用于体现细胞核的数量,通常为1或2)、区间2对应的像素图像与区间3对应的像素图像的面积之和S2,S1与S2之间的比值B1,区间2对应的像素图像的像素平均值与区间3对应的像素图像的像素平均值之间的比值B2,区间2对应的像素图像与区间3对应的像素图像的面积比值B3。上述特征值即可组合为一个连通区域对应的特征信息。
其中,圆度系数R1即可用于体现一个连通区域中细胞核区域对应图像的圆度,圆度系数R1越小,则表明细胞核区域对应的图像越接近圆形,细胞核区域不存在核染色塌陷;圆度系数R1越大,则表明细胞核区域对应的图像越偏离圆形,细胞核区域呈长条形且很可能存在核染色塌陷。具体的,可先获取区间1对应的像素图像中边缘像素的坐标,计算所有边缘像素坐标的均值作为区间1对应的中心点,基于该中心点坐标及边缘像素坐标计算得到对应的圆度系数R1,计算过程可采用公式(2)进行表示:
其中,n为连通区域中区间1对应的像素图像中边缘像素的数量,(x0,y0)为区间1对应的中心点坐标,(xi,yi)为该连通区域中第i个边缘像素的边缘像素坐标。
获取到各连通区域的特征信息后,即可对初始像素信息中各连通区域的特征信息进行统计,从而得到与图像信息对应的图像特征信息。例如,可获取初始像素信息中各连通区域中每一特征值的平均值、方差、中位数中的一项或多项数值,作为综合体现图像信息中所包含特征的图像特征信息。
S130、根据预置的转换规则将所述性状结果转换为性状特征信息。
根据预置的转换规则将所述性状结果转换为性状特征信息。可根据转换规则将性状结果转换为性状特征信息,性状特征信息也即可用于对性状结果进行量化表征。具体的,转换规则中包含多组映射关系,每一组映射关系可一个性状分类的一种检测结果进行映射,从而将文字类型的性状检测结果转换为数值类型的性状特征信息。
在具体实施例中,步骤S130包括子步骤:根据所述转换规则获取与所述性状结果中每一检测结果对应的性状特征值;将所述性状特征值进行顺序组合得到性状特征信息。
具体的,可根据转换规则获取与性状结果中每一检测结果分别对应的性状特征值,也即每一检测结果即对应一个性状特征值。
例如,Mib-1免疫组化检测结果为强阳性,根据转换规则中与Mib-1免疫组化检测-强阳性对应的一组映射关系进行映射转换,将Mib-1免疫组化检测-强阳性映射为性状特征值“0.9”。
根据性状结果中每一检测结果的排列顺序,对所得到的性状特征值进行顺序组合,从而得到性状特征信息,则所得到的性状特征信息为一个二维数组,二维数组中所包含的数值数量与性状结果中包含的检测结果数量相等。
S140、将所述性状特征信息与所述图像特征信息进行组合,得到对应的组合特征信息。
将所述性状特征信息与所述图像特征信息进行组合,得到对应的组合特征信息。将所得到的性状特征信息与图像特征信息进行组合,从而得到组合特征信息,组合特征信息为包含一个多维数值的二维数组,且组合特征信息中所包含的数值数量为性状特征信息及图像特征信息中所包含的数值数量之和。
S150、根据预设评估模型对所述组合特征信息进行风险评估得到基础风险评估值。
根据预设评估模型对所述组合特征信息进行风险评估得到基础风险评估值。用户终端中预先设置有评估模型,评估模型为基于人工智能构建得到的神经网络模型,可将组合特征信息输入评估模型进行风险评估,从而得到基础风险评估值。具体的,评估模型由输入层、中间层及输出层组成,输入层中包含多个输入节点,每一输入节点即对应组合特征信息中的一个数值,评估模型中可包含一个或多个中间层,输出层中包含一个输出节点,输出节点的输出节点值即为基础风险评估值。
在具体实施例中,步骤S150之前,还包括步骤:根据历史评估数据库中所包含的历史评估数据训练得到与所述历史评估数据库对应的评估模型。
具体的,在通过评估模型进行风险评估之前,还可根据历史评估数据库对初始评估模型进行训练,具体的,历史评估数据库中包含历史评估数据,每一历史评估数据均由历史特征信息及历史风险标签组成,每一历史评估数据及对应一个个体。可将历史评估数据库所包含的历史评估数据进行随机分组,得到多个训练数据集及至少一个测试数据集,通过训练数据集对初始评估模型进行迭代训练,通过测试数据集验证训练后的初始评估模型的准确率是否超出预设准确率阈值,当验证初始评估模型的准确率超出预设准确率阈值时,输出此时训练后的初始评估模型作为评估模型进行使用。
S160、根据预置的组合计算公式对所述基础风险评估值及所述基础信息中的个人信息进行组合计算,得到对应的风险评分值。
根据预置的组合计算公式对所述基础风险评估值及所述基础信息中的个人信息进行组合计算,得到对应的风险评分值。用户终端中还配置有组合计算公式,可根据组合计算公式对基础风险评估值及基础信息中的个人信息进行组合计算,通过基础信息中的个人信息修正基础风险评估值,从而得到最终的风险评分值,并使风险评分值更具有参考价值。
在具体实施例中,步骤S160包括子步骤:根据所述计算公式中的第一公式计算与所述个人信息对应的风险系数;根据所述计算公式中的第二公式对所述风险系数及所述基础风险评估值进行组合计算,得到对应的风险评分值。
具体的,个人信息包括年龄、生育数量、初次生育年龄等,可根据计算公式中的第一计算公式计算与个人信息对应的风险系数。例如,针对p16妇科病理分析,第一计算公式可采用公式(3)进行表示:
其中,i为生育数量,ns为年龄,nt为初次生育年龄。
某一目标个体的年龄为45岁,生育数量为2,初次生育年龄为25,则对应计算得到的风险系数p为2.0。
之后,再通过计算公式中的第二公式对基础风险评估值及风险系数进行组合计算,从而得到风险评分值,具体的,可通过第二公式将基础风险评估值与风险系数相乘,从而得到最终的风险评分值。所得到的风险评分值即可综合反应目标个体的病理风险,从而为确定病理形成原因提供参考。
在本发明实施例所提供的基于智能检测的风险评估方法,接收基础信息并判断其中的性状结果是否符合性状判断条件,若符合,则根据特征提取模型从基础信息的图像信息提取图像特征信息,将性状结果转换为性状特征信息并与图像特征信息组合得到组合特征信息,根据评估模型对组合特征信息进行风险评估得到基础风险评估值,根据组合计算公式计算基础风险评估值与基础信息中个人信息对应的风险评分值。上述的基于智能检测的风险评估方法,获取图像信息中的图像特征信息并与性状特征信息组合,通过组合计算公式进行组合计算,能够实现对基础信息进行综合评估分析,并得到准确的风险评分值,大幅提高了进行患癌风险评估的准确性。
本发明实施例还提供一种基于智能检测的风险评估装置,该基于智能检测的风险评估装置可配置于用户终端中,该基于智能检测的风险评估装置用于执行前述的基于智能检测的风险评估方法的任一实施例。具体地,请参阅图4,图4为本发明实施例提供的基于智能检测的风险评估装置的示意性框图。
如图4所示,基于智能检测的风险评估装置100包括性状结果判断单元110、图像特征信息获取单元120、性状特征信息获取单元130、组合特征信息获取单元140、基础风险评估值获取单元150和风险评分值获取单元160。
性状结果判断单元110,用于若接收到所输入的基础信息,判断所述基础信息中的性状结果是否符合预设性状判断条件。
图像特征信息获取单元120,用于若所述性状结果符合所述性状判断条件,根据特征提取模型对所述基础信息中的图像信息进行特征提取得到对应的图像特征信息。
性状特征信息获取单元130,用于根据预置的转换规则将所述性状结果转换为性状特征信息。
组合特征信息获取单元140,用于将所述性状特征信息与所述图像特征信息进行组合,得到对应的组合特征信息。
基础风险评估值获取单元150,用于根据预设评估模型对所述组合特征信息进行风险评估得到基础风险评估值。
风险评分值获取单元160,用于根据预置的组合计算公式对所述基础风险评估值及所述基础信息中的个人信息进行组合计算,得到对应的风险评分值。
在本发明实施例所提供的基于智能检测的风险评估装置应用上述基于智能检测的风险评估方法,接收基础信息并判断其中的性状结果是否符合性状判断条件,若符合,则根据特征提取模型从基础信息的图像信息提取图像特征信息,将性状结果转换为性状特征信息并与图像特征信息组合得到组合特征信息,根据评估模型对组合特征信息进行风险评估得到基础风险评估值,根据组合计算公式计算基础风险评估值与基础信息中个人信息对应的风险评分值。上述的基于智能检测的风险评估方法,获取图像信息中的图像特征信息并与性状特征信息组合,通过组合计算公式进行组合计算,能够实现对基础信息进行综合评估分析,并得到准确的风险评分值,大幅提高了进行患癌风险评估的准确性。
上述基于智能检测的风险评估装置可以实现为计算机程序的形式,该计算机程序可以在如图5所示的计算机设备上运行。
请参阅图5,图5是本发明实施例提供的计算机设备的示意性框图。该计算机设备可以是用于执行基于智能检测的风险评估方法以对对患癌风险进行智能评估的用户终端。
参阅图5,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括存储介质503和内存储器504。
该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行基于智能检测的风险评估方法,其中,存储介质503可以为易失性的存储介质或非易失性的存储介质。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行基于智能检测的风险评估方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图5中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现上述的基于智能检测的风险评估方法中对应的功能。
本领域技术人员可以理解,图5中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图5所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元 (CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路 (Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为易失性或非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现上述的基于智能检测的风险评估方法中所包含的步骤。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个计算机可读存储介质中,包括若干指令用以使得一台计算机设备 ( 可以是个人计算机,服务器,或者网络设备等 ) 执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括:U 盘、移动硬盘、只读存储器 (ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于智能检测的风险评估方法,其特征在于,所述方法包括:
若接收到所输入的基础信息,判断所述基础信息中的性状结果是否符合预设性状判断条件;
若所述性状结果符合所述性状判断条件,根据特征提取模型对所述基础信息中的图像信息进行特征提取得到对应的图像特征信息;
根据预置的转换规则将所述性状结果转换为性状特征信息;
将所述性状特征信息与所述图像特征信息进行组合,得到对应的组合特征信息;
根据预设评估模型对所述组合特征信息进行风险评估得到基础风险评估值;
根据预置的组合计算公式对所述基础风险评估值及所述基础信息中的个人信息进行组合计算,得到对应的风险评分值;
所述根据特征提取模型对所述基础信息中的图像信息进行特征提取得到对应的图像特征信息,包括:
根据所述特征提取模型中的像素提取规则从所述图像信息中提取得到对应的初始像素信息;
根据所述特征提取模型中的像素分类区间对所述初始像素信息中各连通区域内的像素进行分类,得到各连通区域对应的像素分类信息;
获取各连通区域中各类像素对应像素图像的特征信息作为与所述图像信息对应的图像特征信息;
所述像素分类区间包括用于表示细胞内不同区域的区间1、区间2及区间3;所述各连通区域中各类像素对应像素图像的特征信息,包括:区间1对应的像素图像的面积S1、区间1对应像素图像的圆度系数R1、区间1对应像素图像的区块数量R2、区间2对应的像素图像与区间3对应的像素图像的面积之和S2,S1与S2之间的比值B1、区间2对应的像素图像的像素平均值与区间3对应的像素图像的像素平均值之间的比值B2以及区间2对应的像素图像与区间3对应的像素图像的面积比值B3;
所述根据预置的组合计算公式对所述基础风险评估值及所述基础信息中的个人信息进行组合计算,得到对应的风险评分值,包括:
根据所述计算公式中的第二公式对所述风险系数及所述基础风险评估值进行组合计算,得到对应的风险评分值;所述第二公式为将所述基础风险评估值与所述风险系数相乘。
2.根据权利要求1所述的基于智能检测的风险评估方法,其特征在于,所述根据所述特征提取模型中的像素提取规则从所述图像信息中提取得到对应的初始像素信息,包括:
根据像素提取规则中的比例值及所述图像信息的像素极值确定对应的像素区间;
根据所述像素区间获取所述图像信息中位于所述像素区间内的目标像素;
判断所述目标像素中包含的连通区域是否大于所述像素提取规则中的连通阈值;
从所述目标像素中筛选出连通区域大于所述连通阈值的像素组合为所述初始像素信息。
3.根据权利要求1所述的基于智能检测的风险评估方法,其特征在于,所述获取各连通区域中各类像素对应像素图像的特征信息作为与所述图像信息对应的图像特征信息,包括:
从各所述连通区域的所述像素分类信息中获取各类像素分别形成的像素图像;
获取各所述连通区域对应的像素图像的几何特征值作为对应的特征信息;
统计各连通区域的特征信息得到对应的图像特征信息。
4.根据权利要求1所述的基于智能检测的风险评估方法,其特征在于,所述根据预置的转换规则将所述性状结果转换为性状特征信息,包括:
根据所述转换规则获取与所述性状结果中每一检测结果对应的性状特征值;
将所述性状特征值进行顺序组合得到性状特征信息。
5.根据权利要求1所述的基于智能检测的风险评估方法,其特征在于,所述根据预设评估模型对所述组合特征信息进行风险评估得到基础风险评估值之前,还包括:
根据历史评估数据库中所包含的历史评估数据训练得到与所述历史评估数据库对应的评估模型。
6.一种基于智能检测的风险评估装置,其特征在于,所述装置包括:
性状结果判断单元,用于若接收到所输入的基础信息,判断所述基础信息中的性状结果是否符合预设性状判断条件;
图像特征信息获取单元,用于若所述性状结果符合所述性状判断条件,根据特征提取模型对所述基础信息中的图像信息进行特征提取得到对应的图像特征信息;
性状特征信息获取单元,用于根据预置的转换规则将所述性状结果转换为性状特征信息;
组合特征信息获取单元,用于将所述性状特征信息与所述图像特征信息进行组合,得到对应的组合特征信息;
基础风险评估值获取单元,用于根据预设评估模型对所述组合特征信息进行风险评估得到基础风险评估值;
风险评分值获取单元,用于根据预置的组合计算公式对所述基础风险评估值及所述基础信息中的个人信息进行组合计算,得到对应的风险评分值;
所述根据特征提取模型对所述基础信息中的图像信息进行特征提取得到对应的图像特征信息,包括:
根据所述特征提取模型中的像素提取规则从所述图像信息中提取得到对应的初始像素信息;
根据所述特征提取模型中的像素分类区间对所述初始像素信息中各连通区域内的像素进行分类,得到各连通区域对应的像素分类信息;
获取各连通区域中各类像素对应像素图像的特征信息作为与所述图像信息对应的图像特征信息;
所述像素分类区间包括用于表示细胞内不同区域的区间1、区间2及区间3;所述各连通区域中各类像素对应像素图像的特征信息,包括:区间1对应的像素图像的面积S1、区间1对应像素图像的圆度系数R1、区间1对应像素图像的区块数量R2、区间2对应的像素图像与区间3对应的像素图像的面积之和S2,S1与S2之间的比值B1、区间2对应的像素图像的像素平均值与区间3对应的像素图像的像素平均值之间的比值B2以及区间2对应的像素图像与区间3对应的像素图像的面积比值B3;
所述根据预置的组合计算公式对所述基础风险评估值及所述基础信息中的个人信息进行组合计算,得到对应的风险评分值,包括:
根据所述计算公式中的第二公式对所述风险系数及所述基础风险评估值进行组合计算,得到对应的风险评分值;所述第二公式为将所述基础风险评估值与所述风险系数相乘。
7.一种计算机设备,其特征在于,所述设备包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口、存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-5中任一项所述的基于智能检测的风险评估方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的基于智能检测的风险评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310185882.2A CN115881304B (zh) | 2023-03-01 | 2023-03-01 | 基于智能检测的风险评估方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310185882.2A CN115881304B (zh) | 2023-03-01 | 2023-03-01 | 基于智能检测的风险评估方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115881304A CN115881304A (zh) | 2023-03-31 |
CN115881304B true CN115881304B (zh) | 2023-06-02 |
Family
ID=85761761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310185882.2A Active CN115881304B (zh) | 2023-03-01 | 2023-03-01 | 基于智能检测的风险评估方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115881304B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118211823A (zh) * | 2024-02-18 | 2024-06-18 | 北京科百宏业科技有限公司 | 一种农业设备风控预警方法、系统、电子设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013049153A2 (en) * | 2011-09-27 | 2013-04-04 | Board Of Regents, University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8634610B2 (en) * | 2008-06-20 | 2014-01-21 | The Trustees Of The University Of Pennsylvania | System and method for assessing cancer risk |
CN112382392A (zh) * | 2020-11-25 | 2021-02-19 | 珠海圣美生物诊断技术有限公司 | 一种用于肺结节风险性评估的系统 |
KR102690229B1 (ko) * | 2021-08-12 | 2024-08-05 | 서울대학교산학협력단 | 유방암 위험도 평가 시스템 및 방법 |
CN114708971A (zh) * | 2022-04-20 | 2022-07-05 | 推想医疗科技股份有限公司 | 一种风险评估方法及装置、存储介质及电子设备 |
-
2023
- 2023-03-01 CN CN202310185882.2A patent/CN115881304B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013049153A2 (en) * | 2011-09-27 | 2013-04-04 | Board Of Regents, University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
Also Published As
Publication number | Publication date |
---|---|
CN115881304A (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110660066B (zh) | 网络的训练方法、图像处理方法、网络、终端设备及介质 | |
CN110807495B (zh) | 多标签分类方法、装置、电子设备及存储介质 | |
CN113159147B (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
Alqahtani et al. | Breast cancer pathological image classification based on the multiscale CNN squeeze model | |
WO2019200735A1 (zh) | 牲畜特征向量的提取方法、装置、计算机设备和存储介质 | |
CN111291825A (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
CN109146891B (zh) | 一种应用于mri的海马体分割方法、装置及电子设备 | |
CN110879982A (zh) | 一种人群计数系统及方法 | |
CN112163637B (zh) | 基于非平衡数据的图像分类模型训练方法、装置 | |
CN115881304B (zh) | 基于智能检测的风险评估方法、装置、设备及介质 | |
WO2022247573A1 (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
CN109064475A (zh) | 针对宫颈脱落细胞图像的图像分割方法和装置 | |
CN112329586B (zh) | 基于情绪识别的客户回访方法、装置及计算机设备 | |
CN113269752A (zh) | 一种图像检测方法、装置终端设备及存储介质 | |
CN116385373A (zh) | 结合稳定学习与混合增强的病理学图像分类方法及系统 | |
CN111862040A (zh) | 人像图片质量评价方法、装置、设备及存储介质 | |
CN101299242A (zh) | 一种人体肤色检测中阈值的确定方法及装置 | |
CN115761360A (zh) | 一种肿瘤基因突变分类方法、装置、电子设备及存储介质 | |
CN110634119B (zh) | 分割磁敏感加权图像中静脉血管的方法、装置和计算设备 | |
CN113128511B (zh) | 一种焦炭组织识别方法及装置 | |
CN113536845B (zh) | 人脸属性识别方法、装置、存储介质和智能设备 | |
CN112700398A (zh) | 人脸皮肤检测方法及装置 | |
CN113434574B (zh) | 基于小样本的数据可靠性分析方法、装置、设备及介质 | |
US20220319158A1 (en) | Cell nuclei classification with artifact area avoidance |
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 |