CN116705297A - 一种基于多信息处理的颈动脉检测仪 - Google Patents
一种基于多信息处理的颈动脉检测仪 Download PDFInfo
- Publication number
- CN116705297A CN116705297A CN202310672470.1A CN202310672470A CN116705297A CN 116705297 A CN116705297 A CN 116705297A CN 202310672470 A CN202310672470 A CN 202310672470A CN 116705297 A CN116705297 A CN 116705297A
- Authority
- CN
- China
- Prior art keywords
- image
- carotid artery
- carotid
- processing
- layer
- 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
Links
- 210000001715 carotid artery Anatomy 0.000 title claims abstract description 136
- 230000010365 information processing Effects 0.000 title description 3
- 238000012545 processing Methods 0.000 claims abstract description 133
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000007405 data analysis Methods 0.000 claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 16
- 238000002591 computed tomography Methods 0.000 claims description 67
- 230000004927 fusion Effects 0.000 claims description 53
- 238000000605 extraction Methods 0.000 claims description 47
- 239000013598 vector Substances 0.000 claims description 38
- 238000002604 ultrasonography Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 32
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 230000036262 stenosis Effects 0.000 claims description 15
- 208000037804 stenosis Diseases 0.000 claims description 15
- 230000001629 suppression Effects 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 11
- 239000008280 blood Substances 0.000 claims description 9
- 210000004369 blood Anatomy 0.000 claims description 9
- 230000036772 blood pressure Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 208000017667 Chronic Disease Diseases 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 32
- 230000008569 process Effects 0.000 abstract description 12
- 208000014882 Carotid artery disease Diseases 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 29
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 7
- 206010067116 Carotid arteriosclerosis Diseases 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 208000024172 Cardiovascular disease Diseases 0.000 description 4
- 230000017531 blood circulation Effects 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 4
- 208000006170 carotid stenosis Diseases 0.000 description 4
- 208000026106 cerebrovascular disease Diseases 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000002526 effect on cardiovascular system Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000008103 glucose Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 208000005189 Embolism Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 208000002173 dizziness Diseases 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007505 plaque formation Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 206010048964 Carotid artery occlusion Diseases 0.000 description 1
- 206010007687 Carotid artery stenosis Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 208000034189 Sclerosis Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 206010047513 Vision blurred Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000011256 aggressive treatment Methods 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000003143 atherosclerotic effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000007211 cardiovascular event Effects 0.000 description 1
- 230000003727 cerebral blood flow Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000011281 clinical therapy Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 231100000676 disease causative agent Toxicity 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000011477 surgical intervention Methods 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
Abstract
本发明公开了一种基于多信息处理的颈动脉检测仪。该检测仪具有多模态图像识别模块和颈动脉数据分析模块。多模态图像识别模块识别输入的颈动脉图像的类别,而颈动脉数据分析模块对识别的各类颈动脉图像,运用与其图像类别特性相适应的神经网络进行处理,获得处理结果。通过将各类颈动脉图像的处理结果融合,以产生颈动脉诊断信息。此检测仪采用了先进的人工智能技术,从而提高了颈动脉疾病的检测准确性和效率。
Description
技术领域
本申请涉及医疗检测领域,尤其涉及一种基于多信息处理的颈动脉检测仪。
背景技术
颈动脉疾病是全球范围内普遍存在的健康问题,包括颈动脉硬化、狭窄、斑块等。由此导致的脑卒中、心脏病等严重的心脑血管疾病,对公共健康构成了重大威胁。
颈动脉检测是诊断和评估颈动脉疾病风险的重要方法。现有的颈动脉检测技术主要包括超声、计算机断层扫描(CT)和磁共振(MRI)。超声技术是一种常用的无创检查方法,可以实时显示血管的血流情况,但对斑块的组织成分和稳定性的评价有限。CT扫描可以清晰地显示血管的结构,对斑块的钙化有较好的显示,但不能评价斑块的软组织成分和血流情况。MRI可以提供多参数的信息,能较全面地评价斑块的组织成分和稳定性,但操作复杂,成本较高。
然而,现有的颈动脉检测技术在实际使用中,往往只能单独使用,无法综合考虑各种成像方式的优点,对多模态的数据进行融合和分析。此外,现有技术对成像数据的解析和诊断大多依赖医生的经验,不能充分利用大数据和人工智能技术,存在一定的局限性。
因此,研发一种全新的颈动脉检测仪,结合多模态成像技术和人工智能技术,对多种成像数据进行融合分析,提高颈动脉疾病的检测准确性和效率,对临床医疗诊断提供辅助,是目前颈动脉检测技术发展的重要方向。
发明内容
本申请提供一种基于多信息处理的颈动脉检测仪,以提高颈动脉疾病的检测准确性和效率。
该检测仪包括多模态图像识别模块以及颈动脉数据分析模块;
其中,所述多模态图像识别模块用于识别输入的颈动脉图像的类别;
所述颈动脉数据分析模块用于对识别的各类颈动脉图像,运用与其图像类别特性相适应的神经网络进行处理,获得处理结果,并将各类颈动脉图像的处理结果融合,以产生颈动脉诊断信息。
所述运用与其图像类别特性相适应的神经网络进行处理,获得处理结果,包括至少两种如下处理方式:
对于颈动脉超声图像,使用带有噪声抑制层和/或自适应特征提取层的神经网络进行处理,获得颈动脉超声图像的特征向量,其中,所述噪声抑制层,用于减少噪声对于图像特征提取的影响,所述自适应特征提取层,用于根据图像的质量自动调整特征提取的策略;
对于颈动脉计算机断层扫描图像,使用带有伪影处理层和/或对比度增强层的神经网络进行处理,获得颈动脉计算机断层扫描图像的特征向量,其中,所述伪影处理层,用于减少颈动脉计算机断层扫描图像中伪影的影响,所述对比度增强层,用于增强颈动脉计算机断层扫描图像的对比度;
对于颈动脉磁共振图像,使用带有运动伪影处理层和/或分辨率下采样层的神经网络进行处理,获得颈动脉磁共振图像的特征向量,其中,所述运动伪影处理层,用于减小运动伪影对磁共振图像特征提取的影响,所述分辨率下采样层,用于减少磁共振图像的计算成本。
所述将各类颈动脉图像的处理结果融合,以产生颈动脉诊断信息,包括:
对颈动脉超声图像的特征向量,颈动脉计算机断层扫描图像的特征向量以及颈动脉磁共振图像的特征向量中的至少两种特征向量进行拼接,获得融合特征向量;
根据所述融合特征向量,获得颈动脉的硬化概率,颈动脉的狭窄程度以及颈动脉的斑块可能性。
该颈动脉检测仪还包括历史数据处理模块,所述历史数据处理模块用于:
获取患者的历史医疗数据,所述历史医疗数据包括以往的颈动脉检测结果、已知的慢性病情况、家族病史信息、生活习惯数据;
根据所述历史医疗数据以及颈动脉诊断信息,获得第一颈动脉诊断信息。
该颈动脉检测仪还包括医疗数据模块,所述医疗数据模块用于:
采集患者的医疗数据,所述医疗数据包括心电图、血压、血糖;
根据所述医疗数据以及颈动脉诊断信息,获得第二颈动脉诊断信息。
本申请提供一种基于多信息处理的颈动脉检测仪,该检测仪包括多模态图像识别模块以及颈动脉数据分析模块;
其中,所述多模态图像识别模块用于识别输入颈动脉图像的类别,确定所述颈动脉图像是否为超声类型图像、计算机断层扫描类型图像,或者磁共振类型图像;
所述颈动脉数据分析模块,用于将识别的超声类型图像、CT类型图像,以及磁共振类型图像,运用颈动脉数据融合模型进行处理,获得颈动脉诊断信息;所述颈动脉数据融合模型是运用神经网络算法,预先使用颈动脉超声图像、颈动脉计算机断层扫描图像以及颈动脉磁共振图像的训练数据进行训练得到的。
所述颈动脉数据融合模型包括超声图像处理子网络,CT图像处理子网络,MRI图像处理子网络以及融入层;
所述超声图像处理子网络,用于对超声类型图像进行处理,得到超声类型图像的处理结果;
所述CT图像处理子网络,用于对计算机断层扫描类型图像进行处理,得到确定的计算机断层扫描类型图像的处理结果;
所述MRI图像处理子网络,用于对磁共振类型图像进行处理,得到磁共振类型图像的处理结果;
所述融合层,用于对所述超声类型图像的处理结果、计算机断层扫描类型图像的处理结果以及磁共振类型图像的处理结果进行融合和分析,获得颈动脉诊断信息。
所述超声图像处理子网络,包括噪声抑制层和/或自适应特征提取层,其中,所述噪声抑制层,用于减少噪声对于图像特征提取的影响,所述自适应特征提取层,用于根据图像的质量自动调整特征提取的策略。
所述CT图像处理子网络,包括伪影处理层和/或对比度增强层,其中,所述伪影处理层,用于减少颈动脉计算机断层扫描图像中伪影的影响,所述对比度增强层,用于增强颈动脉计算机断层扫描图像的对比度。
所述MRI图像处理子网络,包括运动伪影处理层和/或分辨率下采样层,其中,所述运动伪影处理层,用于减小运动伪影对磁共振图像特征提取的影响,所述分辨率下采样层,用于减少磁共振图像的计算成本。
本申请提供的颈动脉测试仪,首次采用神经网络处理进行颈动脉图像的分析。这是一个重要的创新点,因为传统的检测方法通常依赖医生的经验,神经网络处理则可以从大量的数据中自动学习并调整处理参数,从而实现更准确的颈动脉疾病诊断。
此外,有别于传统的单一类型图像分析,本申请提出的颈动脉测试仪,首次提出融合分析的概念,将各个类型的颈动脉图像的处理结果进行融合,可以克服各个类型图像个体的局限性,减小误差累积效应,提高诊断的准确性和稳定性。
最后,本申请将上述的多模态图像识别和神经网络处理结合起来,形成了一种全新的颈动脉检测方式。将最新的图像识别技术和神经网络处理技术结合在一起,从而实现了高效和准确的颈动脉疾病诊断。
本申请带来的有益技术效果包括:提供了一种全新的颈动脉检测仪,提高颈动脉疾病的检测准确性和效率。
附图说明
图1是本申请第一实施例的示意图。
图2是本申请第二实施例的示意图。
图3是本申请第三实施例的示意图。
图4是本申请第四实施例的示意图。
图5是本申请第五实施例的示意图。
图6是本申请第六实施例的示意图。
图7是本申请第七实施例的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
本申请第一实施例提供一种基于多信息处理的颈动脉检测仪。请参看图1,该图为本申请第一实施例的示意图。以下结合图1对本申请第一实施例提供一种基于多信息处理的颈动脉检测仪进行详细说明。
颈动脉检测仪100包括多模态图像识别102,颈动脉数据分析模块104。
本实施例中提供的颈动脉检测仪,实现了完全自动化处理。医护人员只需要输入一组患者的多模态颈动脉图像,就能够自动诊断出患者的颈动脉健康状况。这里,多模态颈动脉图像是指一组采用不同的技术方式采集的图像,例如超声扫描图像、CT扫描图像和MRI图像等。单模态颈动脉图像是指一组采用相同的技术方式采集的图像。
所述多模态图像识别100用于识别输入的待检测图像,并将识别出的待检测图像按照图像的种类通过不同的数据通道传送到颈动脉数据分析模块104。待检测图像可以是CT扫描图像、超声图像和MRI图像等。
为了实现多模态图像识别,可以使用深度学习的方法,特别是卷积神经网络(Convolutional Neural Networks,CNN)模型,它在图像识别任务中表现出了极高的准确率和效率。以下是详细的实施步骤:
步骤S202,数据预处理:
首先,需要收集并标记超声、CT扫描、MRI这三种类型的颈动脉图像数据。对于每一张图像,需要明确它的类别标签。然后,需要对这些图像进行预处理,包括大小标准化(如将所有图像都调整到224x224像素)、灰度化(如果原图像是彩色的)和归一化(如将像素值缩放到0-1范围)等。
每种图像类型都有其独特的视觉特性。例如,超声图像通常有较强的噪声,CT图像往往包含一些伪影,MRI图像可能存在不同的对比度和亮度。这些特性需要在预处理阶段进行考虑:
噪声减少:可以对超声图像应用噪声减少技术,如高斯滤波或中值滤波,以减小噪声对模型的影响。
伪影处理:对于CT图像,可以考虑使用一些技术处理伪影,如使用去除伪影的算法或提取有效的特征区域。
对比度增强:MRI图像可能存在对比度低的问题,可以通过对比度增强或直方图均衡化等方法提高图像的可见性。
步骤S204,构建用于图片识别的CNN模型:
可以选择一种现有的高效的CNN架构,如VGG16作为基础模型。这个模型需要根据任务进行修改:将最后的全连接层改为3个节点的全连接层,用于预测图像属于超声、CT扫描、MRI中的哪一种类型。可以使用softmax激活函数,让模型的输出可以解释为三种类别的概率。
步骤S206,训练和验证模型:
使用分类交叉熵损失(Categorical Cross-Entropy Loss)作为损失函数,用梯度下降优化算法(如Adam)进行训练。可以将数据集分为训练集和验证集,用训练集数据进行训练,用验证集数据进行验证,监控模型的性能。
步骤S208,测试和部署模型:
训练完成后,需要在独立的测试集上评估模型的性能,包括准确率、混淆矩阵等评价指标。然后,可以将训练好的模型部署到颈动脉检测仪的多模态图像识别中。
在CNN模型识别出图片的类型后,将不同类型的图片通过不同的通道传输到颈动脉数据分析模块104。
颈动脉数据分析模块104的输入是患者的颈动脉超声图像、颈动脉CT扫描图像以及颈动脉MRI图像。颈动脉数据分析模块104使用训练好的颈动脉数据融合模型对于患者的颈动脉超声图像、颈动脉CT扫描图像以及颈动脉MRI图像进行分析处理。颈动脉数据分析模块104的输出是患者的检测结果。患者的检测结果包括患者的颈动脉存在硬化的概率,患者的颈动脉狭窄程度以及患者的颈动脉存在斑块可能性的概率。
颈动脉硬化是动脉粥样硬化病变的一种表现,是心脑血管疾病的重要病因。硬化表现为颈动脉壁增厚、弹性减低,常伴有脂质沉积,形成斑块。临床上,颈动脉硬化可导致血管腔狭窄,影响血液流动,甚至可能出现斑块脱落导致的栓塞,从而增加心脑血管事件的风险。
颈动脉狭窄是血管硬化、斑块形成等因素导致的血管腔变窄。颈动脉狭窄程度是评估心脑血管疾病风险的重要指标,一般通过对比狭窄处和正常血管直径的比例来测量。轻度狭窄可能无明显症状,但随着狭窄程度的加重,可能出现血液流动受阻,影响颈动脉向大脑输送的氧气和营养,导致症状如眩晕、头痛、视觉模糊等。严重狭窄或斑块脱落可引起栓塞,进而引发脑卒中等严重事件。
颈动脉斑块是颈动脉硬化的一种表现形式。颈动脉斑块可能导致颈动脉狭窄或阻塞,从而降低大脑血流量。这可能导致一系列症状,如头晕、眩晕、甚至可能导致中风。颈动脉斑块的稳定性也是非常重要的。不稳定的斑块可能破裂,导致血栓形成和进一步的颈动脉阻塞。不稳定的斑块通常被认为具有更高的风险,需要更加积极的治疗。
因此,硬化、狭窄程度以及斑块的检测和评估对于诊断颈动脉疾病,预测心脑血管疾病的风险,以及指导临床治疗(如药物治疗、手术干预等)具有重要意义。
本申请第二实施例提供一种颈动脉数据融合模型。请参看图2,该图为本申请第二实施例的示意图。以下结合图2对本申请第二实施例提供一种颈动脉数据融合模型进行详细说明。
本实施例中提供的颈动脉数据分析模块104,用于将识别的超声类型图像、计算机断层扫描类型图像,以及磁共振类型图像,运用颈动脉数据融合模型进行处理,获得颈动脉诊断信息;所述颈动脉数据融合模型是运用神经网络算法,预先使用颈动脉超声图像、颈动脉计算机断层扫描图像以及颈动脉磁共振图像的训练数据进行训练得到的。
为处理多模态动脉图像,本实施例提出一个基于深度学习网络的模型的颈动脉数据融合模型200。该模型将分别处理超声、CT和MRI的输入,并在最后的阶段融合所有模态的信息,以预测颈动脉的硬化概率、狭窄程度以及斑块可能性。以下是详细的模型架构和每层的说明:
输入层202的输入是三种成像模态的图像数据:超声、CT、MRI。每种模态都单独输入到它自己的子网络中。
图像处理网络204由超声图像处理子网络210,CT图像处理子网络212,以及MRI图像处理子网络214构成。超声图像处理子网络210用于处理患者的颈动脉超声图像,CT图像处理子网络212用于处理患者的颈动脉CT图像,MR I图像处理子网络214用于处理患者的颈动脉MRI图像。图像处理网络204最后得到三个由不同的图像处理子网络获得的特征向量,每个向量代表一种成像模态的信息。这些特征向量可以是512或1024维的特征向量。
特征融合层206:图像处理网络204获得三个512或1024维的特征向量,每个向量代表一种成像模态的信息通过特征融合层206可以将这些特征进行融合。
在处理多模态成像数据的深度学习模型中,融合层(或称之为融合策略)是一个核心组成部分,它的作用是将不同模态的特征表示整合起来,形成一个统一的特征表示。
下是一个常见的融合策略——级联融合的详细说明:
在级联融合中,直接将来自不同模态的特征向量进行拼接,形成一个长的特征向量。假设有m个模态,每个模态的特征表示为f_i(i从1到m),那么融合后的特征表示f可以通过以下公式计算:
f=[f_1,f_2,...,f_m]
其中,[.,.]表示拼接操作。级联融合是一种简单且有效的融合策略,它能够保留来自不同模态的所有信息。
需要注意的是,虽然级联融合是一种常见的融合策略,但还有其他的融合策略,如乘法融合、加法融合、注意力融合等,可以根据具体的任务和数据来选择适合的融合策略。
输出层208:使用一个全连接层实现,节点数量为3,每个节点分别代表颈动脉硬化的概率、狭窄程度和存在斑块可能性。为预测硬化的概率和存在斑块的可能性,可以使用sigmoid函数作为激活函数,因为它们是二分类问题;而为预测狭窄程度,可以使用线性激活函数,因为它是一个回归问题。
在进行颈动脉数据融合模型200的训练时,需要先确定一个训练策略,其中包括数据准备、损失函数的选择、优化器的选择、以及训练过程中的一些策略如学习率调度、早停等。下面是一个详细的实施方案:
1.数据准备:
需要收集包含超声、CT和MRI图像的颈动脉数据,以及与之对应的标签,即颈动脉的硬化概率、狭窄程度和斑块可能性。这些数据将被分成训练集、验证集和测试集。
2.损失函数:
由于这里的任务是回归(预测颈动脉的狭窄程度)和分类(预测颈动脉的硬化概率和斑块可能性),所以可以选择均方误差作为回归任务的损失函数,二分类交叉熵损失作为分类任务的损失函数。在多任务学习中,可以直接将这些损失相加,或者为不同的任务分配不同的权重。
3.优化器:
这里可以选择Adam优化器,它是一种自适应的学习率优化方法,适合处理大规模和高维度的数据。
4.训练策略:
在预训练阶段,首先在三种不同类型的图像数据(超声、CT和MRI)上单独训练各自的子网络。这个阶段的目标是让每个子网络能够学习并适应它自己的输入数据类型,并提取出对应的关键特征。为了实现这一目标,可以先“冻结”(即停止更新)融合层的参数,这样每个子网络可以在没有受到其他输入数据影响的情况下专注于自己的任务。
预训练完成后,会进入联合训练阶段。在这个阶段,可以解冻融合层的参数,让所有的层(包括子网络和融合层)一起训练。联合训练的目标是让模型能够学习并适应跨模态的数据特征,这是通过调整所有层(包括融合层)的参数来实现的。在这个阶段,模型不仅需要保持在单一数据类型上的性能,还需要学习如何在接收到多种类型数据输入时做出准确的预测。
联合训练完成后,得到的模型就能够处理超声、CT和MRI三种类型的输入数据,并在这三种数据类型上都达到优秀的性能。这个模型也能够根据输入数据的类型自动调整其内部的计算和参数,以适应不同的任务需求。
在训练过程中,需要监控在验证集上的性能。如果验证性能在一定的epoch后没有提升,可以采用早停策略以避免过拟合。此外,还可以使用学习率调度策略,如在验证性能不再提升时降低学习率。
5.模型评估:
在训练完成后,需要在测试集上评估模型的性能。这可以通过计算预测结果和真实标签之间的差异来实现,例如,可以使用均方误差来评估预测颈动脉狭窄程度的性能,使用准确率、AUC等指标来评估预测颈动脉硬化和斑块可能性的性能。
这里需要指出,针对颈动脉数据融合模型200,本领域技术人员可以基于本实施例对其进行修改。例如,颈动脉数据融合模型200可以支持两种类型的颈动脉图像,也可以支持三种类型以上的颈动脉图像。本实施例仅是实例性说明,并不限制颈动脉数据融合模型的处理能力。
所述颈动脉数据分析模块104用于对识别的各类颈动脉图像,运用与其图像类别特性相适应的神经网络进行处理,获得处理结果,并将各类颈动脉图像的处理结果融合,以产生颈动脉诊断信息。
不同于传统的神经网络设计方案,本实例中,根据超声、CT和MRI三种成像模式的特性,设计不同的神经网络。下面对于这些不同的神经网络进行详细说明,这些神经网络包括超声图像处理子网络210,CT图像处理子网络212,以及MR I图像处理子网络214。
1.超声图像处理子网络210:
超声图像通常含有大量的噪声,而且图像质量可能会受到操作技术、设备和病人特性等多方面因素的影响。因此,可以设计一些特殊的层来处理这些问题。
对于颈动脉超声图像,使用带有噪声抑制层和/或自适应特征提取层的神经网络进行处理,获得颈动脉超声图像的特征向量,其中,所述噪声抑制层,用于减少噪声对于图像特征提取的影响,所述自适应特征提取层,用于根据图像的质量自动调整特征提取的策略。
噪声抑制层:该层设计为深度卷积神经网络中的一个组件,目标是减小噪声对超声图像特征提取的影响。它可以采用自编码器结构,利用卷积神经网络进行前馈和反馈,通过对原始超声图像进行编码和解码的过程,达到去噪声的目的。自编码器能够学习原始图像的重要特征,并在解码阶段恢复这些特征,从而生成去噪声后的图像。这个过程中,自编码器会尝试保留原始图像中的重要信息,同时降低噪声。
自适应特征提取层:针对超声图像质量的变化,可以设计一个自适应的特征提取层。该层的工作原理是对输入图像的质量进行评估,例如通过计算图像的某些统计量(比如信噪比、对比度等)或者利用预训练的图像质量评估模型。然后根据评估结果,自动调整特征提取的策略。这种策略的调整可以是选择不同的卷积核,也可以是动态调整网络的权重。例如,如果输入图像的质量较高,特征提取层可能会选择捕捉更细节的特征;如果输入图像的质量较低,特征提取层可能会选择更强大的噪声抑制和特征增强的策略。
2.CT图像处理子网络212:
CT图像提供了良好的解剖结构信息,但它也可能包含一些伪影。此外,CT图像的对比度通常较低。
对于颈动脉计算机断层扫描图像,使用带有伪影处理层和/或对比度增强层的神经网络进行处理,获得颈动脉计算机断层扫描图像的特征向量,其中,所述伪影处理层,用于减少颈动脉计算机断层扫描图像中伪影的影响,所述对比度增强层,用于增强颈动脉计算机断层扫描图像的对比度。
在医学成像中,伪影是指由于各种因素(包括设备、物理因素、生物体特性等)导致的图像失真或非预期的图像特征。例如,在CT图像中,由于X射线穿过不同密度的物质时衰减程度不同,可能会在图像中产生明暗交替的条纹,这就是一种伪影。
伪影处理层:这个层可以采用残差学习的策略来减小伪影的影响。这种策略的基本思想是,训练一个神经网络来学习原始CT图像和存在伪影的CT图像之间的差异(即残差)。在训练过程中,网络会尝试找到最佳的参数,使得通过网络处理后的图像与原始图像之间的残差最小。这样,当新的CT图像输入时,网络可以预测出伪影部分,并从原始图像中减去预测出的伪影,从而达到消除伪影的目的。
对比度增强层:对于对比度较低的CT图像,可以设计一个对比度增强层来提升图像的对比度。这个层的工作原理可以是应用各种图像增强技术,如直方图均衡化、对比度限制自适应直方图均衡化(CLAHE)等。这些技术能够增加图像的对比度,使得原本难以区分的细微结构变得更加明显,从而帮助神经网络更好地捕捉和识别图像中的特征。
3.MR I图像处理子网络214:
MRI图像提供了丰富的组织对比度信息,但它可能受到运动伪影的影响。此外,MRI图像通常有较高的分辨率,导致计算成本较高。
在医学成像中,运动伪影主要是由于在图像采集过程中,病人或者某些组织(如心脏、血管等)的运动引起的。由于这些运动,可能会在图像上产生模糊、失真或重复的图像特征,这就是所谓的运动伪影。
对于颈动脉磁共振图像,使用带有运动伪影处理层和/或分辨率下采样层的神经网络进行处理,获得颈动脉磁共振图像的特征向量,其中,所述运动伪影处理层,用于减小运动伪影对磁共振图像特征提取的影响,所述分辨率下采样层,用于减少磁共振图像的计算成本。
运动伪影处理层:可以设计一个运动伪影处理层,其主要功能是通过学习图像序列中的运动模式,来实现运动补偿。具体实现时,可以利用图像配准技术,如最优仿射变换或非刚性变换,来纠正图像之间的运动。训练过程中,这一层会尝试学习如何根据输入的MRI图像预测出运动伪影,然后根据这些预测来修正输入的图像,从而减小运动伪影的影响。
分辨率下采样层:针对MRI图像分辨率高导致的计算成本问题,可以设计一个分辨率下采样层。该层的工作原理可以是通过最大池化或卷积的方式来降低图像的分辨率。例如,使用最大池化时,每个池化窗口中只保留最大的值,这样可以在降低图像分辨率的同时保留图像中的重要特征。使用卷积方式时,可以通过设计小的卷积核和合适的步长,对输入图像进行卷积运算,从而降低图像的分辨率。在设计这一层时,需要综合考虑降低分辨率和保留图像特征之间的平衡。
本申请第三实施例提供一种超声图像处理子网络。请参看图3,该图为本申请第三实施例的示意图。以下结合图3对本申请第三实施例提供一种超声图像处理子网络进行详细说明。
图3中,该子网络包括输入层302,噪声抑制层304,自适应特征提取层306以及全连接层308。
1、输入层302:
输入层接收来自超声设备的二维灰度图像。在进行网络处理之前,可以通过缩放或裁剪等操作将所有图像的尺寸统一为256x256。
2、噪声抑制层304:
这一层主要任务是通过自编码器结构进行噪声抑制。自编码器包含一个编码器310和一个解码器312。
编码器310:编码器通过几个卷积层将输入图像编码为一个低维特征向量。例如,可以使用3个3x3的卷积层,每个卷积层后面跟随一个2x2的最大池化层来降低特征图的尺寸。滤波器的数量可以从32开始,并在每个卷积层后翻倍,例如,32,64,128。
解码器312:解码器通过一系列反卷积层将这个低维特征向量解码回原始尺寸的图像。在每个反卷积层之后,可以使用2x2的上采样层来增加特征图的尺寸。滤波器数量的设置可以与编码器相反,例如,128,64,32,最后输出一个256x256的图像。
训练自编码器的目标是最小化重构图像和原始图像之间的差异,使其能够学习忽略噪声,只重构图像中的主要特征。
3、自适应特征提取层306:
这一层通过一种称为“注意力机制”的技术实现特征提取。在每个卷积层之后,可以添加一个注意力模块,该模块生成一个与特征图尺寸相同的注意力图。注意力图的每个元素值都在0和1之间,代表着对应位置特征的重要性。注意力机制使模型能够自动调整其特征提取的焦点,根据输入图像的质量,对于质量差异较大的超声图像,这一机制能够显著提高特征提取的效果。
4、全连接层308:
最后,全连接层将自适应特征提取层提取到的特征进行整合。例如,可以使用一个节点数量为1024的全连接层。全连接层的输出可以看作是一个包含了图像所有重要信息的特征向量,可以用作特征融合层206的输入。
以上是超声图像处理子网络210的详细说明,每个层的输入和输出都是根据上下游的层进行适配的,每个层的具体参数(例如,滤波器数量和大小)都可能需要根据实际的数据进行调整。
本申请第四实施例提供一种CT图像处理子网络。请参看图4,该图为本申请第四实施例的示意图。以下结合图4对本申请第四实施例提供一种CT图像处理子网络进行详细说明。
如图4所示,该子网络包括输入层402,伪影处理层404,对比度增强层406,特征提取层408以及全连接层410。下面结合图4进行详细说明。
1、输入层402:
输入层负责接收来自CT设备的二维灰度图像。在网络处理前,可以将这些图像的尺寸统一为256x256。将图像的尺寸统一有助于后续处理过程的规范化。
2、伪影处理层404:
伪影处理层的设计目的是降低伪影对图像特征提取的影响。采用残差学习结构可以有效地实现这个目标。在这个结构中,先通过一个卷积层将输入图像转换为一个特征图。然后,用另一个卷积层处理这个特征图,并将处理后的特征图和原始特征图相加。通过这种方式,网络实际上是学习伪影和原始图像之间的差异,从而减小伪影的影响。每个卷积层可以使用3x3的滤波器,滤波器的数量可以设置为64。
3、对比度增强层406:
对比度增强层的目标是增强CT图像的对比度,使模型更好地捕捉到微妙的图像特征。可以设计一个特殊的卷积层来实现这一点,该卷积层的滤波器经过训练,目标是提高输出图像的对比度。此层也可以使用3x3的滤波器,滤波器的数量可以设置为64。
4、特征提取层408:
特征提取层通过多个卷积层进行特征提取。例如,可以使用3个3x3的卷积层,每个卷积层后面接一个2x2的最大池化层,以进一步降低特征图的尺寸。卷积层的滤波器数量可以从64开始,之后每层翻倍,即第二个卷积层为128,第三个卷积层为256。这样设计的目的是为了在深入网络的同时,增加特征的复杂性和数量。
5、全连接层410:
全连接层的主要任务是将特征提取层提取到的特征进行整合。例如,可以使用一个节点数量为1024的全连接层。全连接层的输出可以被视为一个特征向量,它包含了输入图像的丰富信息,可用作特征融合层206的输入。全连接层也可以配合使用一些其他技巧,如Dropout等,以提高模型的泛化能力。
以上是CT图像子网络212的详细说明,每个层的输入和输出都是根据上下游的层进行适配的,每个层的具体参数(例如,滤波器数量和大小)都可能需要根据实际的数据进行调整。
本申请第五实施例提供一种MRI图像处理子网络。请参看图5,该图为本申请第五实施例的示意图。以下结合图5对本申请第五实施例提供一种MRI图像处理子网络进行详细说明。
如图5所示,该子网络214包括输入层502,运动伪影处理层504,分辨率下采样层506,特征提取层508以及全连接层510。
1、输入层502:
输入层接收来自MRI设备的二维灰度图像,这些图像经过预处理,其尺寸被统一为256x256。输入层的主要任务是将这些二维图像整理成适合网络处理的形式。
2、运动伪影处理层504:
为了处理MRI图像中常见的运动伪影,运动伪影处理层可以采用一种特殊的自编码器结构。这种自编码器结构包括一个编码器和一个解码器。编码器通过多个卷积层将输入图像编码为一个低维特征向量。解码器再将这个低维特征向量通过反卷积层解码回原始尺寸的图像。在训练阶段,可以通过最小化重构图像和原始图像之间的损失函数,例如均方误差,来训练这个自编码器,使其学习如何忽略运动伪影,只重构图像中的主要特征。
3、分辨率下采样层506:
分辨率下采样层的主要功能是降低图像的分辨率,以降低模型的计算量。这可以通过使用步长为2的卷积层来实现。例如,可以使用3x3大小,步长为2的卷积层,将图像的尺寸减半。这种操作可以在保持图像主要特征的同时,有效地减少后续层的计算量。
4、特征提取层508:
特征提取层通过多个卷积层进行特征提取。例如,可以使用3个3x3的卷积层,每个卷积层后面都接一个2x2的最大池化层,以进一步降低特征图的尺寸。每个卷积层的滤波器数量可以从64开始,之后每层翻倍,即第二个卷积层为128,第三个卷积层为256。这样设计的目的是为了在深入网络的同时,增加特征的复杂性和数量。
5、全连接层510:
在特征提取后,使用全连接层将提取到的特征进行整合和输出。例如,可以使用一个节点数量为1024的全连接层。全连接层的输出可以被视为一个特征向量,它包含了输入图像的丰富信息,可用作特征融合层206的输入。全连接层也可以配合使用一些其他技巧,如Dropout等,以提高模型的泛化能力。
本申请第六实施例提供一种颈动脉检测仪的检测方法。请参看图6,该图为本申请第六实施例的示意图。以下结合图6对本申请第六实施例提供一种颈动脉检测仪的检测方法进行详细说明。
为了增加颈动脉检测仪的精度,该颈动脉检测仪还包括历史数据处理模块,所述历史数据处理模块用于:
获取患者的历史医疗数据,所述历史医疗数据包括以往的颈动脉检测结果、已知的慢性病情况、家族病史信息、生活习惯数据;
根据所述历史医疗数据以及颈动脉诊断信息,获得第一颈动脉诊断信息。
如图6所示,具体可以通过如下步骤进行:
步骤S602,获取患者历史医疗数据:
需要一个数据库或其他合适的数据存储和管理系统来存储和获取患者的历史医疗数据。该数据库需要能够存储不同类型的数据,包括以往的颈动脉检测结果、已知的慢性病情况、家族病史信息、生活习惯数据等。所有的数据应该通过适当的方法进行整理和编码,以便于后续的机器学习模型处理。例如,类别数据(如家族病史)可以使用one-hot编码,而连续数据(如年龄、体重)则可能需要标准化或归一化。
步骤S604,根据历史医疗数据和颈动脉诊断信息获得第一颈动脉诊断信息:
可以使用一种称为多模态融合的技术来结合历史医疗数据和新的颈动脉诊断信息。这种融合可以在特征级别或者决策级别进行。
如果选择在特征级别进行融合,那么可以先将历史医疗数据和新的颈动脉诊断信息转换为特征向量,然后将这两个特征向量进行拼接。接着,可以将得到的特征向量输入到一个分类器(如神经网络、支持向量机等)进行训练。分类器的输出就是融合了历史医疗数据和新的颈动脉诊断信息的第一颈动脉诊断信息。
如果选择在决策级别进行融合,那么可以分别使用历史医疗数据和新的颈动脉诊断信息训练两个分类器。然后,再将这两个分类器的输出通过某种方式(如平均、投票、学习的权重相加等)进行融合,以得到最终的诊断信息。
无论在哪个级别进行融合,都需要有一个训练集和验证集来训练和评估模型的性能。训练集中的数据用于训练模型,而验证集中的数据用于评估模型在未见过的数据上的性能。
在训练过程中,可以采用如交叉熵损失函数进行优化:
/>
其中,N是样本数量,yi是实际标签,pi是模型预测的概率。
使用如梯度下降的优化方法,不断迭代更新模型参数,最终得到一个能够融合历史医疗数据和新的颈动脉诊断信息的颈动脉诊断模型。
本申请第七实施例提供一种颈动脉检测仪的检测方法。请参看图7,该图为本申请第七实施例的示意图。以下结合图7对本申请第七实施例提供一种颈动脉检测仪的检测方法进行详细说明。
为了增加颈动脉检测仪的精度,该颈动脉检测仪还包括医疗数据模块,所述医疗数据处理模块用于:
采集患者的医疗数据,所述医疗数据包括心电图、血压、血糖;
根据所述医疗数据以及颈动脉诊断信息,获得第二颈动脉诊断信息。
如图7所示,具体可以通过如下步骤进行:
步骤S702,采集患者的医疗数据:
在此步骤中,需要有合适的传感器和设备来采集心电图、血压、血糖等数据。例如,心电图可以通过心电图机采集,血压可以通过血压计测量,而血糖则需要通过血糖仪进行测量。收集到的数据应按一定格式存储,并进行适当的预处理,如清理异常值、标准化数值等。
步骤S704,根据所述医疗数据以及颈动脉诊断信息,获得第二颈动脉诊断信息:
这一步与实施例六中提到的结合历史医疗数据获得诊断信息的方法类似。可以将心电图、血压、血糖等数据与颈动脉诊断信息一起作为模型的输入。这种模型可以是一种机器学习模型,例如支持向量机、决策树、随机森林,或者是一个深度学习模型,例如卷积神经网络或循环神经网络。
假设输入特征向量为x(包括心电图、血压、血糖和颈动脉诊断信息),本实施例的目标是预测颈动脉病变的可能性y。如果使用逻辑回归模型,那么可以通过下面的公式计算y的预测值:
y′=sigmoid(w*x+b)
这里的w是模型的权重,b是偏置项,sigmoid是sigmoid函数,用于将模型的输出压缩到0到1之间。
模型的训练就是要找到最好的权重w和偏置项b,使得预测值y′尽可能接近实际值y。可以通过最小化交叉熵损失函数来实现这个目标:
L=-1/N*∑[y*log(y′)+(1-y)*log(1-y′)]
在训练过程中,可以通过随机梯度下降(SGD)等优化算法来不断更新w和b,从而使损失函数L的值越来越小。最后,得到的模型就可以结合心电图、血压、血糖和颈动脉诊断信息,给出更准确的颈动脉诊断结果。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
Claims (10)
1.一种基于多信息处理的颈动脉检测仪,其特征在于,该检测仪包括多模态图像识别模块以及颈动脉数据分析模块;
其中,所述多模态图像识别模块用于识别输入的颈动脉图像的类别;
所述颈动脉数据分析模块用于对识别的各类颈动脉图像,运用与其图像类别特性相适应的神经网络进行处理,获得处理结果,并将各类颈动脉图像的处理结果融合,以产生颈动脉诊断信息。
2.根据权利要求1所述的颈动脉检测仪,其特征在于,所述运用与其图像类别特性相适应的神经网络进行处理,获得处理结果,包括至少两种如下处理方式:
对于颈动脉超声图像,使用带有噪声抑制层和/或自适应特征提取层的神经网络进行处理,获得颈动脉超声图像的特征向量,其中,所述噪声抑制层,用于减少噪声对于图像特征提取的影响,所述自适应特征提取层,用于根据图像的质量自动调整特征提取的策略;
对于颈动脉计算机断层扫描图像,使用带有伪影处理层和/或对比度增强层的神经网络进行处理,获得颈动脉计算机断层扫描图像的特征向量,其中,所述伪影处理层,用于减少颈动脉计算机断层扫描图像中伪影的影响,所述对比度增强层,用于增强颈动脉计算机断层扫描图像的对比度;
对于颈动脉磁共振图像,使用带有运动伪影处理层和/或分辨率下采样层的神经网络进行处理,获得颈动脉磁共振图像的特征向量,其中,所述运动伪影处理层,用于减小运动伪影对磁共振图像特征提取的影响,所述分辨率下采样层,用于减少磁共振图像的计算成本。
3.根据权利要求2所述的颈动脉检测仪,其特征在于,所述将各类颈动脉图像的处理结果融合,以产生颈动脉诊断信息,包括:
对颈动脉超声图像的特征向量,颈动脉计算机断层图像的特征向量以及颈动脉磁共振图像的特征向量中的至少两种特征向量进行拼接,获得融合特征向量;
根据所述融合特征向量,获得颈动脉的硬化概率,颈动脉的狭窄程度以及颈动脉的斑块可能性。
4.根据权利要求1所述的颈动脉检测仪,其特征在于,该颈动脉检测仪还包括历史数据处理模块,所述历史数据处理模块用于:
获取患者的历史医疗数据,所述历史医疗数据包括以往的颈动脉检测结果、已知的慢性病情况、家族病史信息、生活习惯数据;
根据所述历史医疗数据以及颈动脉诊断信息,获得第一颈动脉诊断信息。
5.根据权利要求1所述的颈动脉检测仪,其特征在于,该颈动脉检测仪还包括医疗数据模块,所述医疗数据模块用于:
采集患者的医疗数据,所述医疗数据包括心电图、血压、血糖;
根据所述医疗数据以及颈动脉诊断信息,获得第二颈动脉诊断信息。
6.一种基于多信息处理的颈动脉检测仪,其特征在于,该检测仪包括多模态图像识别模块以及颈动脉数据分析模块;
其中,所述多模态图像识别模块用于识别输入颈动脉图像的类别,确定所述颈动脉图像是否为超声类型图像、计算机断层扫描类型图像,或者磁共振类型图像:
所述颈动脉数据分析模块,用于将识别的超声类型图像、计算机断层扫描类型图像,以及磁共振类型图像,运用颈动脉数据融合模型进行处理,获得颈动脉诊断信息;所述颈动脉数据融合模型是运用神经网络算法,预先使用颈动脉超声图像、颈动脉计算机断层扫描图像以及颈动脉磁共振图像的训练数据进行训练得到的。
7.根据权利要求6所述的颈动脉检测仪,其特征在于,所述颈动脉数据融合模型包括超声图像处理子网络,CT图像处理子网络,MRI图像处理子网络以及融入层;
所述超声图像处理子网络,用于对超声类型图像进行处理,得到超声类型图像的处理结果;
所述CT图像处理子网络,用于对计算机断层扫描类型图像进行处理,得到确定的计算机断层扫描类型图像的处理结果;
所述MRI图像处理子网络,用于对磁共振类型图像进行处理,得到磁共振类型图像的处理结果;
所述融合层,用于对所述超声类型图像的处理结果、计算机断层扫描类型图像的处理结果以及磁共振类型图像的处理结果进行融合和分析,获得颈动脉诊断信息。
8.根据权利要求7所述的颈动脉检测仪,其特征在于,所述超声图像处理子网络,包括噪声抑制层和/或自适应特征提取层,其中,所述噪声抑制层,用于减少噪声对于图像特征提取的影响,所述自适应特征提取层,用于根据图像的质量自动调整特征提取的策略。
9.根据权利要求7所述的颈动脉检测仪,其特征在于,所述CT图像处理子网络,包括伪影处理层和/或对比度增强层,其中,所述伪影处理层,用于减少颈动脉计算机断层扫描图像中伪影的影响,所述对比度增强层,用于增强颈动脉计算机断层扫描图像的对比度。
10.根据权利要求7所述的颈动脉检测仪,其特征在于,所述MRI图像处理子网络,包括运动伪影处理层和/或分辨率下采样层,其中,所述运动伪影处
理层,用于减小运动伪影对磁共振图像特征提取的影响,所述分辨率下采样层,
用于减少磁共振图像的计算成本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310672470.1A CN116705297B (zh) | 2023-06-07 | 2023-06-07 | 一种基于多信息处理的颈动脉检测仪 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310672470.1A CN116705297B (zh) | 2023-06-07 | 2023-06-07 | 一种基于多信息处理的颈动脉检测仪 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116705297A true CN116705297A (zh) | 2023-09-05 |
CN116705297B CN116705297B (zh) | 2024-01-23 |
Family
ID=87840477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310672470.1A Active CN116705297B (zh) | 2023-06-07 | 2023-06-07 | 一种基于多信息处理的颈动脉检测仪 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116705297B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203696A (zh) * | 2017-06-19 | 2017-09-26 | 深圳源广安智能科技有限公司 | 一种基于图像融合的智能医疗系统 |
CN112288041A (zh) * | 2020-12-15 | 2021-01-29 | 之江实验室 | 一种多模态深度神经网络的特征融合方法 |
CN113284572A (zh) * | 2021-04-30 | 2021-08-20 | 上海联影智能医疗科技有限公司 | 多模态异构的医学数据处理方法及相关装置 |
CN114359666A (zh) * | 2021-12-28 | 2022-04-15 | 清华珠三角研究院 | 多模态融合的肺癌患者疗效预测方法、系统、装置及介质 |
CN114464326A (zh) * | 2022-01-12 | 2022-05-10 | 山东大学 | 基于多模态颈动脉数据的冠心病预测系统 |
CN114565577A (zh) * | 2022-02-28 | 2022-05-31 | 山东大学 | 一种基于多模态影像组学的颈动脉易损性分级方法及系统 |
-
2023
- 2023-06-07 CN CN202310672470.1A patent/CN116705297B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203696A (zh) * | 2017-06-19 | 2017-09-26 | 深圳源广安智能科技有限公司 | 一种基于图像融合的智能医疗系统 |
CN112288041A (zh) * | 2020-12-15 | 2021-01-29 | 之江实验室 | 一种多模态深度神经网络的特征融合方法 |
CN113284572A (zh) * | 2021-04-30 | 2021-08-20 | 上海联影智能医疗科技有限公司 | 多模态异构的医学数据处理方法及相关装置 |
CN114359666A (zh) * | 2021-12-28 | 2022-04-15 | 清华珠三角研究院 | 多模态融合的肺癌患者疗效预测方法、系统、装置及介质 |
CN114464326A (zh) * | 2022-01-12 | 2022-05-10 | 山东大学 | 基于多模态颈动脉数据的冠心病预测系统 |
CN114565577A (zh) * | 2022-02-28 | 2022-05-31 | 山东大学 | 一种基于多模态影像组学的颈动脉易损性分级方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116705297B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200327663A1 (en) | Method of analyzing iris image for diagnosing dementia in artificial intelligence | |
KR102125127B1 (ko) | 딥러닝 기반 뇌 질환 진단 방법 | |
Gridach | PyDiNet: Pyramid dilated network for medical image segmentation | |
US20230281809A1 (en) | Connected machine-learning models with joint training for lesion detection | |
CN112884788B (zh) | 基于丰富上下文网络的视杯视盘分割方法及成像方法 | |
CN112465905A (zh) | 基于深度学习的磁共振成像数据的特征脑区定位方法 | |
CN115205300A (zh) | 基于空洞卷积和语义融合的眼底血管图像分割方法与系统 | |
CN111583262A (zh) | 一种血管分割方法与系统 | |
CN113160138B (zh) | 一种脑部核磁共振图像分割方法及系统 | |
Wang et al. | Automatic real-time CNN-based neonatal brain ventricles segmentation | |
CN114219755A (zh) | 基于图像和临床数据的肺结核智能检测方法及系统 | |
Anoop et al. | Super-resolution based automatic diagnosis of retinal disease detection for clinical applications | |
CN117218453B (zh) | 一种不完备多模态医学影像学习方法 | |
Sander et al. | Autoencoding low-resolution MRI for semantically smooth interpolation of anisotropic MRI | |
CN113421250A (zh) | 一种基于无病变影像训练的眼底疾病智能诊断方法 | |
CN116705297B (zh) | 一种基于多信息处理的颈动脉检测仪 | |
Sanjeevi et al. | Deep Learning Pipeline for Echocardiogram Noise Reduction | |
Mahapatra | Improved super resolution of MR images using CNNs and vision transformers | |
Beevi et al. | Denoising transthoracic echocardiographic images in regional wall motion abnormality using deep learning techniques | |
CN114581459A (zh) | 一种基于改进性3D U-Net模型的学前儿童肺部影像感兴趣区域分割方法 | |
CN114049334A (zh) | 一种以ct图像为输入的超分辨率mr成像方法 | |
Fu et al. | Agc-unet: a global context feature fusion method based on u-net for retinal vessel segmentation | |
Amiri et al. | Medical images fusion based on equilibrium optimization and discrete wavelet | |
Nguyen et al. | Comparative study on super resolution techniques for upper gastrointestinal endoscopic images | |
Zijian et al. | AFFD-Net: A Dual-Decoder Network Based on Attention-Enhancing and Feature Fusion for Retinal Vessel Segmentation |
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 |