CN116525098A - 一种基于影像特征识别的急性脑出血预测系统及方法 - Google Patents

一种基于影像特征识别的急性脑出血预测系统及方法 Download PDF

Info

Publication number
CN116525098A
CN116525098A CN202310355552.3A CN202310355552A CN116525098A CN 116525098 A CN116525098 A CN 116525098A CN 202310355552 A CN202310355552 A CN 202310355552A CN 116525098 A CN116525098 A CN 116525098A
Authority
CN
China
Prior art keywords
module
data
image
acquiring
cerebral hemorrhage
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.)
Granted
Application number
CN202310355552.3A
Other languages
English (en)
Other versions
CN116525098B (zh
Inventor
高守平
刘耀辉
李涛
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.)
Xiangnan University
Original Assignee
Xiangnan University
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 Xiangnan University filed Critical Xiangnan University
Priority to CN202310355552.3A priority Critical patent/CN116525098B/zh
Publication of CN116525098A publication Critical patent/CN116525098A/zh
Application granted granted Critical
Publication of CN116525098B publication Critical patent/CN116525098B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • 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
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/96—Management of image or video recognition tasks
    • 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
    • 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
    • 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
    • G06T2207/30016—Brain
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Surgery (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Veterinary Medicine (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Neurosurgery (AREA)
  • Neurology (AREA)
  • Pulmonology (AREA)
  • Dentistry (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及影像特征识别领域，且公开了一种基于影像特征识别的急性脑出血预测系统及方法，急性脑出血预测系统包括：控制单元，作为全局功能模块的操控端，进行运行指令的编辑与发送，控制系统的启停；图像获取单元，用于获取病情图像数据，进行特征的提取与识别；图像获取单元包括图像采集模块、特征提取模块和识别模块，其中：图像采集模块，用于采集病情状况明显的图像数据，进行记录；该系统能有效完成对急性脑出血后续病情的蔓延预测，准确识别关键信息，便于对所提取的病状特征作出进一步的分析诊断，通过匹配历史病例数据为当前病例提供参考依据，并提供有价值的预测图像数据，帮助完成对急性脑出血患者的治疗。

Description

一种基于影像特征识别的急性脑出血预测系统及方法
技术领域
本发明涉及影像特征识别技术领域，具体为一种基于影像特征识别的急性脑出血预测系统及方法。
背景技术
急性脑出血就是突发脑出血，是脑血管突然破裂导致的，大多数与高血压有关，也有一些是因为脑动脉瘤破裂和脑血管畸形引起，主要表现为突发剧烈头痛、恶心呕吐、肢体偏瘫等，严重的会出现突发昏迷、瞳孔散大，危及生命，通过颅脑CT检查能够看到脑实质内有高密度团块样影，医生通过急性脑出血的影像作出诊断；
而现有技术对急性脑出血当前病情的预测系统与方法，还存在许多不足，例如：
1、缺乏对急性脑出血后续病情的蔓延预测，缺乏对关键信息的识别分析，对所提取的病状特征难以作出进一步的分析诊断，对当前治疗缺乏辅助帮助，无法通过匹配历史病例数据为当前病例提供参考依据，难以提供有价值的预测图像数据；
2、难以将当前病例的基础病数据与历史病例的基础病数据进行关联分析，无法对后续可能出现的并发症的进行判断，对后续患者的治疗和护理缺乏指导建议，容易出现关键信息的遗失，造成治疗延缓。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点，本发明提供了一种基于影像特征识别的急性脑出血预测系统及方法，能够有效地解决现有技术的急性脑出血预测系统及方法缺乏对急性脑出血后续病情的蔓延预测，缺乏对关键信息的识别分析，对所提取的病状特征难以作出进一步的分析诊断，对当前治疗缺乏辅助帮助，无法通过匹配历史病例数据为当前病例提供参考依据，难以提供有价值的预测图像数据，难以将当前病例的基础病数据与历史病例的基础病数据进行关联分析，无法对后续可能出现的并发症的进行判断，对后续患者的治疗和护理缺乏指导建议，容易出现关键信息的遗失，造成治疗延缓的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于影像特征识别的急性脑出血预测系统，包括：
控制单元，作为全局功能模块的操控端，进行运行指令的编辑与发送，控制系统的启停；
图像获取单元，用于获取病情图像数据，进行特征的提取与识别；
所述图像获取单元包括图像采集模块、特征提取模块和识别模块，其中：
图像采集模块，用于采集病情状况明显的图像数据，进行记录；
特征提取模块，用于提取图像数据特征，获取出血形状与面积特征、获取图像体素强度分布情况、病灶纹理特征和小波特征；
识别模块，用于对获取的特征数据进行识别与分析，转化为适配格式的识别参数；
存储模块，作为系统的存储端，记录所有采集、分析与导入数据，并周期性上传数据至云端数据库；
决策单元，用于判断历史病例基础病与当前病例基础病的一致性，提供并发症的预测数据；
匹配模块，用于获取识别参数，在存储模块内进行关联病例数据的匹配，获取参数命中篇幅符合提取资格的若干组图像数据；
比对模块，用于将采集图像分别与每组获取图像进行逐一比对分析；
标记模块，用于对每组获取图像与采集图像的差异值与命中值进行分别标记，获取若干组数据集；
预估模块，用于搭建并运行预估模型，获取差异值与命中值因素，对急性出血的蔓延趋势进行预估；
所述预估模块包括评定模块、图像输出模块和参数设定模块，其中：
评定模块，用于获取识别参数，搭建并运行预估模型，对若干组数据集内的差异值与命中值进行逐一单组提取，在单一组内，依据所标记命中值初步分析脑出血蔓延趋势，独立分析差异值，并输入预估模型，进行差异处预估，获取差异处的预估参数参与脑出血蔓延趋势的综合评定，计算初步预估值，经过若干组数据集的训练与验证，获取最终预估值；
图像输出模块，用于获取预估值数据，并转化为二维与三维预测图像数据；
参数设定模块，用于人工介入数据参数的编辑调整。
更进一步地，所述特征提取模块获取的出血形状与面积特征，用以描述出血三维空间信息，其包括：最大径、表面积、体积、体积比和紧密度。
更进一步地，所述特征提取模块获取的病灶纹理特征从灰度共生矩阵特征和灰度游程长度矩阵特征进行纹理描述。
更进一步地，所述特征提取模块获取的小波特征通过分解原始图像的纹理信息得到高频或低频的采样图像。
更进一步地，所述存储模块的数据上传周期由人工自定义设定，设定属性包括时段与数据接收频次。
更进一步地，所述决策单元包括索引模块、导入模块和判断模块，其中：
索引模块，用于获取数据库的历史病例数据，提取基础病及相关并发症数据；
导入模块，用于导入当前病例的基础病数据，支持远程导入与在线编辑；
判断模块，用于结合分析导入数据与历史病例数据的关联性，将基础病作为变量，判断当前病例可能引起的并发症；
其中，所述判断模块的判断数据跟随图像输出模块的图像输出结果同步递交，所述索引模块、导入模块和判断模块通过无线网络交互连接。
更进一步地，所述标记模块中的若干组数据集按获取时间排序，前四分之三作为训练集，后四分之一作为验证集，作为评定模块的评定参照。
更进一步地，所述控制单元与存储模块通过无线网络交互连接，所述图像获取单元、存储模块、标记模块、预估模块和控制单元通过无线网络交互连接，所述存储模块与匹配模块通过电信号通讯连接，所述匹配模块与比对模块通过电信号通讯连接，所述比对模块与标记模块通过电信号通讯连接，所述标记模块与控制单元通过无线网络交互连接，所述存储模块与决策单元通过无线网络交互连接，所述图像采集模块、特征提取模块与识别模块通过电信号通讯连接，所述评定模块、图像输出模块和参数设定模块通过电信号通讯连接。
一种基于影像特征识别的急性脑出血预测方法，包括以下步骤：
Step1：获取出血趋势最明显的图像数据，进行病灶分割，获取出血形状与面积特征，描述出血三维空间信息；
Step2：获取图像体素强度分布情况，获取病灶纹理特征，描述灰度的空间相关特性或体素强度的空间分布，提供图像上不同灰度级的相对位置信息，获取小波特征，分解原始图像的纹理信息得到高频或低频的采样图像；
Step3：获取特征识别参数，遍历数据库，通过识别参数进行库内匹配，获取参数命中篇幅符合提取资格的若干组图像数据，将采集图像分别与每组获取图像进行比对，分别标记每组获取图像与采集图像的差异值与命中值；
Step4：搭建预估模型，调整病情参数，输入参数并运行，依据所标记命中值初步分析脑出血蔓延趋势，独立分析差异值，并输入预估模型，进行差异处预估，获取参数参与脑出血蔓延趋势的综合评定，计算预估值，并输出二、三维预测图像；
Step5：将匹配所得的若干组数据集分为AB两组，A组占比四分之三，将A组作为训练组，B组作为验证组，获取所有预估值与二、三维预测图像，在预估模型内统一分析，获取关联度最高的预估值，并输出最终二、三维预测图像。
更进一步地，所述Step3中提取资格的设定方式为：程序编辑与人工编辑相结合。
(三)有益效果
采用本发明提供的技术方案，与已知的现有技术相比，具有如下有益效果，
1、本发明通过设置有预测急性脑出血病情蔓延趋势的措施，对重要病情图像进行关键信息特征的提取，并进行识别和分析，在数据库内提取关联度较高的历史病例数据，作为参照物，进行逐一的比对分析，针对差异值与命中值进行独立分析，并最终通过多组数据不断训练预估模型，进而得出最终的预估值，对急性脑出血的病情蔓延趋势进行预测，并输出二维与三维图像作为参照依据，进而有效完成对急性脑出血后续病情的蔓延预测，准确识别关键信息，便于对所提取的病状特征作出进一步的分析诊断，通过匹配历史病例数据为当前病例提供参考依据，并提供有价值的预测图像数据，帮助完成对急性脑出血患者的治疗。
2、本发明通过设置有预测当前病例的基础病而可能导致的并发症的措施，通过导入当前病例的基础病数据，进而在历史病例中索引，寻找契合度较高的病例，通过分析历史病例的病情数据，进而验证当前病例可能诱发的并发症，从而将当前病例的基础病数据与历史病例的基础病数据进行关联分析，对后续可能出现的并发症进行判断，为后续患者的治疗和护理提供指导建议，可降低人为诊治时的误差，防止出现关键信息的遗失，避免造成治疗延缓的情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅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为本发明中的基于影像特征识别的急性脑出血预测系统的框架示意图；
图2为本发明中的基于影像特征识别的急性脑出血预测方法的流程示意图；
图中的标号分别代表，100、控制单元；200、图像获取单元；210、图像采集模块；211、特征提取模块；212、识别模块；300、存储模块；400、决策单元；410、索引模块；411、导入模块；412、判断模块；500、匹配模块；600、比对模块；700、标记模块；800、预估模块；810、评定模块；811、图像输出模块；812、参数设定模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
下面结合实施例对本发明作进一步的描述。
实施例1
本实施例的一种基于影像特征识别的急性脑出血预测系统及方法，如图1所示，包括：
控制单元100，作为全局功能模块的操控端，进行运行指令的编辑与发送，控制系统的启停；
图像获取单元200，用于获取病情图像数据，进行特征的提取与识别；
图像获取单元200包括图像采集模块210、特征提取模块211和识别模块212，其中：
图像采集模块210，用于采集病情状况明显的图像数据，进行记录；
特征提取模块211，用于提取图像数据特征，获取出血形状与面积特征、获取图像体素强度分布情况、病灶纹理特征和小波特征；
识别模块212，用于对获取的特征数据进行识别与分析，转化为适配格式的识别参数；
存储模块300，作为系统的存储端，记录所有采集、分析与导入数据，并周期性上传数据至云端数据库；
匹配模块500，用于获取识别参数，在存储模块300内进行关联病例数据的匹配，获取参数命中篇幅符合提取资格的若干组图像数据；
比对模块600，用于将采集图像分别与每组获取图像进行逐一比对分析；
标记模块700，用于对每组获取图像与采集图像的差异值与命中值进行分别标记，获取若干组数据集；
预估模块800，用于搭建并运行预估模型，获取差异值与命中值因素，对急性出血的蔓延趋势进行预估；
预估模块800包括评定模块810、图像输出模块811和参数设定模块812，其中：
评定模块810，用于获取识别参数，搭建并运行预估模型，对若干组数据集内的差异值与命中值进行逐一单组提取，在单一组内，依据所标记命中值初步分析脑出血蔓延趋势，独立分析差异值，并输入预估模型，进行差异处预估，获取差异处的预估参数参与脑出血蔓延趋势的综合评定，计算初步预估值，经过若干组数据集的训练与验证，获取最终预估值；
图像输出模块811，用于获取预估值数据，并转化为二维与三维预测图像数据；
参数设定模块812，用于人工介入数据参数的编辑调整。
特征提取模块211获取的出血形状与面积特征，用以描述出血三维空间信息，其包括：最大径、表面积、体积、体积比和紧密度；获取的病灶纹理特征从灰度共生矩阵特征和灰度游程长度矩阵特征进行纹理描述；获取的小波特征通过分解原始图像的纹理信息得到高频或低频的采样图像。
存储模块300的数据上传周期由人工自定义设定，设定属性包括时段与数据接收频次。
标记模块700中的若干组数据集按获取时间排序，前四分之三作为训练集，后四分之一作为验证集，作为评定模块810的评定参照。
如图1所示，控制单元100与存储模块300通过无线网络交互连接，图像获取单元200、存储模块300、标记模块700、预估模块800和控制单元100通过无线网络交互连接，存储模块300与匹配模块500通过电信号通讯连接，匹配模块500与比对模块600通过电信号通讯连接，比对模块600与标记模块700通过电信号通讯连接，标记模块700与控制单元100通过无线网络交互连接，图像采集模块210、特征提取模块211与识别模块212通过电信号通讯连接，评定模块810、图像输出模块811和参数设定模块812通过电信号通讯连接。
本实施例在具体实施时，通过控制单元100总控全局，由存储模块300储存所有采集与计算数据，通过图像获取单元200中的特征提取模块211接收病情数据，由特征提取模块211进行特征信息的提取，再由识别模块212完成识别分析，通过匹配模块500调取存储模块300内的历史病例数据，通过比对模块600比对，由标记模块700标记差异值与命中值，再递交至评定模块810进行模型训练，计算预估值最后通过图像输出模块811输出预测图像，由参数设定模块812进行人工参数干预修改。
实施例2
本实施例还提供一种基于影像特征识别的急性脑出血预测方法，如图2所示，包括以下步骤：
Step1：获取出血趋势最明显的图像数据，进行病灶分割，获取出血形状与面积特征，描述出血三维空间信息；
Step2：获取图像体素强度分布情况，获取病灶纹理特征，描述灰度的空间相关特性或体素强度的空间分布，提供图像上不同灰度级的相对位置信息，获取小波特征，分解原始图像的纹理信息得到高频或低频的采样图像；
Step3：获取特征识别参数，遍历数据库，通过识别参数进行库内匹配，获取参数命中篇幅符合提取资格的若干组图像数据，将采集图像分别与每组获取图像进行比对，分别标记每组获取图像与采集图像的差异值与命中值；
Step4：搭建预估模型，调整病情参数，输入参数并运行，依据所标记命中值初步分析脑出血蔓延趋势，独立分析差异值，并输入预估模型，进行差异处预估，获取参数参与脑出血蔓延趋势的综合评定，计算预估值，并输出二、三维预测图像；
Step5：将匹配所得的若干组数据集分为AB两组，A组占比四分之三，将A组作为训练组，B组作为验证组，获取所有预估值与二、三维预测图像，在预估模型内统一分析，获取关联度最高的预估值，并输出最终二、三维预测图像。
Step3中提取资格的设定方式为：程序编辑与人工编辑相结合。
经由此设置，完成对重要病情图像进行关键信息特征的提取，并进行识别和分析，在数据库内提取关联度较高的历史病例数据，作为参照物，进行逐一的比对分析，针对差异值与命中值进行独立分析，并最终通过多组数据不断训练预估模型，进而得出最终的预估值，对急性脑出血的病情蔓延趋势进行预测，并输出二维与三维图像作为参照依据。
实施例3
本实施例中，提供一种决策单元400，如图1所示，决策单元400，用于判断历史病例基础病与当前病例基础病的一致性，提供并发症的预测数据；
决策单元400包括索引模块410、导入模块411和判断模块412，其中：
索引模块410，用于获取数据库的历史病例数据，提取基础病及相关并发症数据；
导入模块411，用于导入当前病例的基础病数据，支持远程导入与在线编辑；
判断模块412，用于结合分析导入数据与历史病例数据的关联性，将基础病作为变量，判断当前病例可能引起的并发症；
其中，判断模块412的判断数据跟随图像输出模块811的图像输出结果同步递交，索引模块410、导入模块411和判断模块412通过无线网络交互连接，存储模块300与决策单元400通过无线网络交互连接。
本实施例在具体实施时，通过导入模块411导入当前病例的基础病数据，进而通过索引模块410在历史病例中索引，寻找契合度较高的病例，通过判断模块412分析历史病例的病情数据，进而验证判断当前病例可能诱发的并发症，将当前病例的基础病数据与历史病例的基础病数据进行关联分析，对后续可能出现的并发症进行判断，为后续患者的治疗和护理提供指导建议。
综上，本发明通过控制单元100总控全局，由存储模块300储存所有采集与计算数据，通过图像获取单元200中的特征提取模块211接收病情数据，由特征提取模块211进行特征信息的提取，再由识别模块212完成识别分析，通过匹配模块500调取存储模块300内的历史病例数据，通过比对模块600比对，由标记模块700标记差异值与命中值，再递交至评定模块810进行模型训练，计算预估值最后通过图像输出模块811输出预测图像，由参数设定模块812进行人工参数干预修改；
完成对重要病情图像进行关键信息特征的提取，并进行识别和分析，在数据库内提取关联度较高的历史病例数据，作为参照物，进行逐一的比对分析，针对差异值与命中值进行独立分析，并最终通过多组数据不断训练预估模型，进而得出最终的预估值，对急性脑出血的病情蔓延趋势进行预测，并输出二维与三维图像作为参照依据；
通过导入模块411导入当前病例的基础病数据，进而通过索引模块410在历史病例中索引，寻找契合度较高的病例，通过判断模块412分析历史病例的病情数据，进而验证判断当前病例可能诱发的并发症，将当前病例的基础病数据与历史病例的基础病数据进行关联分析，对后续可能出现的并发症进行判断，为后续患者的治疗和护理提供指导建议。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于影像特征识别的急性脑出血预测系统，其特征在于，包括：
控制单元(100)，作为全局功能模块的操控端，进行运行指令的编辑与发送，控制系统的启停；
图像获取单元(200)，用于获取病情图像数据，进行特征的提取与识别；
所述图像获取单元(200)包括图像采集模块(210)、特征提取模块(211)和识别模块(212)，其中：
图像采集模块(210)，用于采集病情状况明显的图像数据，进行记录；
特征提取模块(211)，用于提取图像数据特征，获取出血形状与面积特征、获取图像体素强度分布情况、病灶纹理特征和小波特征；
识别模块(212)，用于对获取的特征数据进行识别与分析，转化为适配格式的识别参数；
存储模块(300)，作为系统的存储端，记录所有采集、分析与导入数据，并周期性上传数据至云端数据库；
决策单元(400)，用于判断历史病例基础病与当前病例基础病的一致性，提供并发症的预测数据；
匹配模块(500)，用于获取识别参数，在存储模块(300)内进行关联病例数据的匹配，获取参数命中篇幅符合提取资格的若干组图像数据；
比对模块(600)，用于将采集图像分别与每组获取图像进行逐一比对分析；
标记模块(700)，用于对每组获取图像与采集图像的差异值与命中值进行分别标记，获取若干组数据集；
预估模块(800)，用于搭建并运行预估模型，获取差异值与命中值因素，对急性出血的蔓延趋势进行预估；
所述预估模块(800)包括评定模块(810)、图像输出模块(811)和参数设定模块(812)，其中：
评定模块(810)，用于获取识别参数，搭建并运行预估模型，对若干组数据集内的差异值与命中值进行逐一单组提取，在单一组内，依据所标记命中值初步分析脑出血蔓延趋势，独立分析差异值，并输入预估模型，进行差异处预估，获取差异处的预估参数参与脑出血蔓延趋势的综合评定，计算初步预估值，经过若干组数据集的训练与验证，获取最终预估值；
图像输出模块(811)，用于获取预估值数据，并转化为二维与三维预测图像数据；
参数设定模块(812)，用于人工介入数据参数的编辑调整。
2.根据权利要求1所述的一种基于影像特征识别的急性脑出血预测系统，其特征在于，所述特征提取模块(211)获取的出血形状与面积特征，用以描述出血三维空间信息，其包括：最大径、表面积、体积、体积比和紧密度。
3.根据权利要求1所述的一种基于影像特征识别的急性脑出血预测系统，其特征在于，所述特征提取模块(211)获取的病灶纹理特征从灰度共生矩阵特征和灰度游程长度矩阵特征进行纹理描述。
4.根据权利要求1所述的一种基于影像特征识别的急性脑出血预测系统，其特征在于，所述特征提取模块(211)获取的小波特征通过分解原始图像的纹理信息得到高频或低频的采样图像。
5.根据权利要求1所述的一种基于影像特征识别的急性脑出血预测系统，其特征在于，所述存储模块(300)的数据上传周期由人工自定义设定，设定属性包括时段与数据接收频次。
6.根据权利要求1所述的一种基于影像特征识别的急性脑出血预测系统，其特征在于，所述决策单元(400)包括索引模块(410)、导入模块(411)和判断模块(412)，其中：
索引模块(410)，用于获取数据库的历史病例数据，提取基础病及相关并发症数据；
导入模块(411)，用于导入当前病例的基础病数据，支持远程导入与在线编辑；
判断模块(412)，用于结合分析导入数据与历史病例数据的关联性，将基础病作为变量，判断当前病例可能引起的并发症；
其中，所述判断模块(412)的判断数据跟随图像输出模块(811)的图像输出结果同步递交，所述索引模块(410)、导入模块(411)和判断模块(412)通过无线网络交互连接。
7.根据权利要求6所述的一种基于影像特征识别的急性脑出血预测系统，其特征在于，所述标记模块(700)中的若干组数据集按获取时间排序，前四分之三作为训练集，后四分之一作为验证集，作为评定模块(810)的评定参照。
8.根据权利要求1所述的一种基于影像特征识别的急性脑出血预测系统，其特征在于，所述控制单元(100)与存储模块(300)通过无线网络交互连接，所述图像获取单元(200)、存储模块(300)、标记模块(700)、预估模块(800)和控制单元(100)通过无线网络交互连接，所述存储模块(300)与匹配模块(500)通过电信号通讯连接，所述匹配模块(500)与比对模块(600)通过电信号通讯连接，所述比对模块(600)与标记模块(700)通过电信号通讯连接，所述标记模块(700)与控制单元(100)通过无线网络交互连接，所述存储模块(300)与决策单元(400)通过无线网络交互连接，所述图像采集模块(210)、特征提取模块(211)与识别模块(212)通过电信号通讯连接，所述评定模块(810)、图像输出模块(811)和参数设定模块(812)通过电信号通讯连接。
9.一种基于影像特征识别的急性脑出血预测方法，所述方法是对如权利要求1-8中任意一项所述的一种基于影像特征识别的急性脑出血预测系统的实施方法，其特征在于，包括以下步骤：
Step1：获取出血趋势最明显的图像数据，进行病灶分割，获取出血形状与面积特征，描述出血三维空间信息；
Step2：获取图像体素强度分布情况，获取病灶纹理特征，描述灰度的空间相关特性或体素强度的空间分布，提供图像上不同灰度级的相对位置信息，获取小波特征，分解原始图像的纹理信息得到高频或低频的采样图像；
Step3：获取特征识别参数，遍历数据库，通过识别参数进行库内匹配，获取参数命中篇幅符合提取资格的若干组图像数据，将采集图像分别与每组获取图像进行比对，分别标记每组获取图像与采集图像的差异值与命中值；
Step4：搭建预估模型，调整病情参数，输入参数并运行，依据所标记命中值初步分析脑出血蔓延趋势，独立分析差异值，并输入预估模型，进行差异处预估，获取参数参与脑出血蔓延趋势的综合评定，计算预估值，并输出二、三维预测图像；
Step5：将匹配所得的若干组数据集分为AB两组，A组占比四分之三，将A组作为训练组，B组作为验证组，获取所有预估值与二、三维预测图像，在预估模型内统一分析，获取关联度最高的预估值，并输出最终二、三维预测图像。
10.根据权利要求9所述的一种基于影像特征识别的急性脑出血预测方法，其特征在于，所述Step3中提取资格的设定方式为：程序编辑与人工编辑相结合。
CN202310355552.3A 2023-04-06 2023-04-06 一种基于影像特征识别的急性脑出血预测系统及方法 Active CN116525098B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310355552.3A CN116525098B (zh) 2023-04-06 2023-04-06 一种基于影像特征识别的急性脑出血预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310355552.3A CN116525098B (zh) 2023-04-06 2023-04-06 一种基于影像特征识别的急性脑出血预测系统及方法

Publications (2)

Publication Number Publication Date
CN116525098A true CN116525098A (zh) 2023-08-01
CN116525098B CN116525098B (zh) 2024-04-05

Family

ID=87400284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310355552.3A Active CN116525098B (zh) 2023-04-06 2023-04-06 一种基于影像特征识别的急性脑出血预测系统及方法

Country Status (1)

Country Link
CN (1) CN116525098B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016021190A (ja) * 2014-07-15 2016-02-04 株式会社 国際疾病管理研究所 情報表示装置及び方法、並びにコンピュータプログラム
CN107506579A (zh) * 2017-08-14 2017-12-22 西南大学 基于集成学习的脑出血预测模型建立方法及系统
CN107833631A (zh) * 2017-11-20 2018-03-23 新乡医学院 一种医学影像计算机辅助分析方法
CN113851218A (zh) * 2021-10-15 2021-12-28 董广锋 一种基于影像信息的结核病治疗方案匹配方法及系统
CN114496233A (zh) * 2022-04-07 2022-05-13 广东工业大学 一种心肌梗死并发症的辅助诊断系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016021190A (ja) * 2014-07-15 2016-02-04 株式会社 国際疾病管理研究所 情報表示装置及び方法、並びにコンピュータプログラム
CN107506579A (zh) * 2017-08-14 2017-12-22 西南大学 基于集成学习的脑出血预测模型建立方法及系统
CN107833631A (zh) * 2017-11-20 2018-03-23 新乡医学院 一种医学影像计算机辅助分析方法
CN113851218A (zh) * 2021-10-15 2021-12-28 董广锋 一种基于影像信息的结核病治疗方案匹配方法及系统
CN114496233A (zh) * 2022-04-07 2022-05-13 广东工业大学 一种心肌梗死并发症的辅助诊断系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘珂;张恩龙;王奇政;陈永晔;张家慧;郎宁;: "影像组学在骨肿瘤中的临床研究进展", 磁共振成像, no. 10, 16 October 2020 (2020-10-16), pages 126 - 129 *

Also Published As

Publication number Publication date
CN116525098B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN106815481B (zh) 一种基于影像组学的生存期预测方法及装置
KR101875468B1 (ko) 질환 모델 기반의 의료 정보 서비스 제공 방법 및 장치
CN111915584B (zh) 一种基于ct影像的病灶随访评估方法及系统
CN110245657A (zh) 病理图像相似性检测方法及检测装置
CN112927187A (zh) —种自动识别定位局灶性皮质发育不良癫痫病灶的方法
Lin et al. Utilizing transfer learning of pre-trained AlexNet and relevance vector machine for regression for predicting healthy older adult’s brain age from structural MRI
CN115496720A (zh) 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备
Moser et al. Automated fetal brain extraction from clinical ultrasound volumes using 3D convolutional neural networks
CN111863247A (zh) 基于结构磁共振影像的大脑年龄级联精炼预测方法及系统
CN114170193A (zh) 一种基于深度学习的鼻咽癌靶区自动勾画方法及系统
CN112508902A (zh) 白质高信号分级方法、电子设备及存储介质
CN106980753B (zh) 一种用于神经疾病的基于体素分析的数据驱动机器学习方法
CN115471512A (zh) 一种基于自监督对比学习的医学影像分割方法
CN115641323A (zh) 医学图像自动标注的方法及装置
CN116525098B (zh) 一种基于影像特征识别的急性脑出血预测系统及方法
CN111383222A (zh) 一种基于深度学习的椎间盘mri图像智能诊断系统
CN115311193A (zh) 一种基于双重注意力机制的异常脑图像分割方法及系统
CN117726614B (zh) 一种质量感知网络与类注意力暹罗网络协同的医学融合图像质量评价方法
CN111128349A (zh) 基于gan的医学影像病灶检测标记数据增强方法及装置
CN113706518A (zh) 一种基于人工智能的股骨头坏死分期分析方法及系统
CN113610746A (zh) 一种图像处理方法、装置、计算机设备及存储介质
CN112200810A (zh) 多模态的自动化脑室分割系统及其使用方法
CN116228731A (zh) 一种多对比学习冠状动脉高危斑块检测方法、系统及终端
US10497119B2 (en) System and methods for post-cardiac MRI images
RU2609737C1 (ru) Автоматизированная система распределенной когнитивной поддержки принятия диагностических решений в медицине

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