CN117238483B - 一种儿童脑瘫诊断设备 - Google Patents
一种儿童脑瘫诊断设备 Download PDFInfo
- Publication number
- CN117238483B CN117238483B CN202311495741.7A CN202311495741A CN117238483B CN 117238483 B CN117238483 B CN 117238483B CN 202311495741 A CN202311495741 A CN 202311495741A CN 117238483 B CN117238483 B CN 117238483B
- Authority
- CN
- China
- Prior art keywords
- subsystem
- brain lesion
- evaluation
- data
- magnetic resonance
- 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
- 206010008129 cerebral palsy Diseases 0.000 title claims abstract description 26
- 238000003745 diagnosis Methods 0.000 title claims abstract description 26
- 206010051290 Central nervous system lesion Diseases 0.000 claims abstract description 115
- 238000011156 evaluation Methods 0.000 claims abstract description 86
- 201000010099 disease Diseases 0.000 claims abstract description 62
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 62
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 claims abstract description 14
- 238000005481 NMR spectroscopy Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 19
- 230000003902 lesion Effects 0.000 claims description 13
- 238000002604 ultrasonography Methods 0.000 claims description 13
- 230000002490 cerebral effect Effects 0.000 claims description 10
- 210000004204 blood vessel Anatomy 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000002595 magnetic resonance imaging Methods 0.000 claims 1
- 208000014644 Brain disease Diseases 0.000 abstract description 8
- 210000004556 brain Anatomy 0.000 description 16
- 238000000034 method Methods 0.000 description 13
- 210000003625 skull Anatomy 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000002922 simulated annealing Methods 0.000 description 3
- 230000002792 vascular Effects 0.000 description 3
- 206010033799 Paralysis Diseases 0.000 description 2
- 230000004064 dysfunction Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 208000011580 syndromic disease Diseases 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 208000032041 Hearing impaired Diseases 0.000 description 1
- 201000006347 Intellectual Disability Diseases 0.000 description 1
- 208000036626 Mental retardation Diseases 0.000 description 1
- 230000004641 brain development Effects 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 208000027765 speech disease Diseases 0.000 description 1
- 208000029257 vision disease Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种儿童脑瘫诊断设备，涉及医疗设备技术领域，包括身份认证子系统、控制子系统、病例判断子系统、核磁共振子系统和评价子系统，身份认证子系统用于根据儿童病患的身份信息得到设备使用权限，并获取所述儿童病患的病例数据；控制子系统用于根据所述身份认证子系统得到的所述设备使用权限控制子系统的通断；病例判断子系统用于得到预测脑部病变数据；核磁共振子系统用于得到核磁共振成像结果；评价子系统用于得到疾病危险等级评价，其中，所述疾病危险等级评价用于表示所述儿童病患的患病情况的危险程度。本发明能够辅助医生对儿童脑部疾病情况进行更准确地判断。
Description
技术领域
本发明涉及医疗设备领域，具体而言，涉及儿童脑瘫诊断设备。
背景技术
儿童脑性瘫痪，简称儿童脑瘫，是指从出生后一个月内脑发育尚未成熟阶段，由于非进行性脑损伤所致的以姿势各运动功能障碍为主的综合征，是小儿时期常见的中枢神经障碍综合征，病变部位在脑，累及四肢，常伴有智力缺陷、癫痫、行为异常、精神障碍及视、听觉、语言障碍等症状。
儿童脑疾病的诊断需要综合考虑多个因素，包括临床症状、神经影像学结果以及详细的医学评估。同时，由于儿童脑部相比成年人更加脆弱，并且儿童脑部的发育过程还在进行中，判断脑部患病部位的可能会更加困难。确诊过程可能较成人脑部治疗更加复杂和挑战性，需要更多的专业知识和经验。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题，为达上述目的，本发明提供一种儿童脑瘫诊断设备，包括身份认证子系统、控制子系统、病例判断子系统、核磁共振子系统和评价子系统，所述身份认证子系统用于根据儿童病患的身份信息得到设备使用权限，并获取所述儿童病患的病例数据，其中，所述病例数据包括所述儿童病患的上一次的头部磁共振图片、脑电图和脑血管彩超；
所述控制子系统用于根据所述身份认证子系统得到的所述设备使用权限控制所述病例判断子系统、所述核磁共振子系统和所述评价子系统的通断；
所述病例判断子系统用于将所述头部磁共振图片输入特征提取神经网络模型提取疾病特征，将所述疾病特征、所述脑电图和所述脑血管彩超输入病变预测神经网络模型得到预测脑部病变数据，其中，所述预测脑部病变数据包括预测脑部病变位置和预测脑部病变特征；
所述核磁共振子系统用于得到核磁共振成像结果；
所述评价子系统用于根据所述核磁共振成像结果得到实际脑部病变数据，并根据所述实际脑部病变数据和所述预测脑部病变数据比较得到疾病危险等级评价，其中，所述疾病危险等级评价用于表示所述儿童病患的患病情况的危险程度。
可选地， 所述将所述头部磁共振图片输入特征提取神经网络模型提取疾病特征，包括：
对所述头部磁共振图片预处理去掉无效区域得到处理后的所述头部磁共振图片；
将处理后的所述头部磁共振图片输入所述特征提取神经网络得到所述疾病特征。
可选地，所述病变预测神经网络模型的构建方法包括：
获取历史病例数据和历史脑部病变数据；
根据所述历史病例数据对初始预测模型进行训练，得到初始预测脑部病变数据；
根据所述初始预测脑部病变数据和所述脑部病变数据进行损失计算，得到损失函数输出；
根据所述损失函数输出调整所述初始预测模型的模型参数，直至损失函数输入满足预设条件，将经参数调整后的所述初始预测模型作为所述病变预测神经网络模型。
可选地，所述实际脑部病变数据包括实际脑部病变位置和实际预测脑部病变特征，所述根据所述实际脑部病变数据和所述预测脑部病变数据比较得到疾病危险等级评价，包括：
根据预设权重和所述预测脑部病变数据得到预测脑部病变评价值；
根据所述实际脑部病变数据和所述预测脑部病变数据比较得到差异率；
利用所述差异率和所述预测脑部病变评价值得到目标脑部病变评价值；
其中，所述目标脑部病变评价值为：
C=AX，
其中，C为目标脑部病变评价值，A为差异率，X为预测脑部病变评价值；
根据所述目标脑部病变评价值得到所述疾病危险等级评价。
可选地，所述疾病危险等级评价包括异常评价和正常评价，所述根据所述目标脑部病变评价值得到所述疾病危险等级评价，包括：
当所述目标脑部病变评价值大于预设评价阈值时得到所述异常评价；
当所述目标脑部病变评价值小于或等于所述预设评价阈值时得到所述正常评价。
可选地，还包括图像显示子系统，所述图像显示子系统用于显示所述疾病特征、所述脑电图、所述脑血管彩超、所述预测脑部病变数据、所述核磁共振成像结果和所述疾病危险等级评价的结果。
可选地，所述身份认证子系统包括身份识别单元和儿童病患信息管理单元，所述身份识别单元用于根据所述儿童病患的所述身份信息得到所述设备使用权限，所述儿童病患信息管理单元用于存储所述儿童病患的所述病例数据。
可选地，还包括实时监测子系统，所述实时监测子系统用于通过多个传感器实时监测每个子系统的状态参数。
可选地，还包括故障预警子系统，所述故障预警子系统用于当所述状态参数大于预设预警值时通过预警灯和蜂鸣器预警。
可选地，还包括语音子系统，所述语音子系统用于在接收到语音后，与预设语音操作表中的具体操作进行匹配向所述控制子系统发送控制指令。
本发明所述的儿童脑瘫诊断设备，通过身份认证子系统对儿童病患的身份进行认证，在确认儿童病患身份的同时调取该儿童病患的病例信息。利用控制子系统用于根据所述身份认证子系统得到的所述设备使用权限控制各个系统的通断，防止误操作。再根据病例判断子系统的特征提取神经网络模型提取儿童病患头部磁共振图片的疾病特征，再将疾病特征、儿童病患的脑电图和脑血管彩超输入病变预测神经网络模型得到预测脑部病变数据，通过两个神经网络模型完成对疾病特征的提取以及对病变情况的预测，由于模型基于大量的历史数据进行训练和验证，能够更好得到病变情况。根据所述核磁共振成像结果得到实际脑部病变数据，并根据所述实际脑部病变数据对所述预测脑部病变数据进行修正，从而得到疾病危险等级评价，能够辅助医生对儿童脑部疾病情况进行更准确地判断。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
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的介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1所示为本发明实施例中儿童脑瘫诊断设备的系统示意图；
图2所示为本发明实施例中头部磁共振图片预处理方法的流程示意图。
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的一部分实施例，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的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。
结合图1所示，本实施例提供一种儿童脑瘫诊断设备，包括身份认证子系统、控制子系统、病例判断子系统、核磁共振子系统和评价子系统，所述身份认证子系统用于根据儿童病患的身份信息得到设备使用权限，并获取所述儿童病患的病例数据，其中，所述病例数据包括所述儿童病患的上一次的头部磁共振图片、脑电图和脑血管彩超；
所述控制子系统用于根据所述身份认证子系统得到的所述设备使用权限控制所述病例判断子系统、所述核磁共振子系统和所述评价子系统的通断；
所述病例判断子系统用于将所述头部磁共振图片输入特征提取神经网络模型提取疾病特征，将所述疾病特征、所述脑电图和所述脑血管彩超输入病变预测神经网络模型得到预测脑部病变数据，其中，所述预测脑部病变数据包括预测脑部病变位置和预测脑部病变特征；
所述核磁共振子系统用于得到核磁共振成像结果；
所述评价子系统用于根据所述核磁共振成像结果得到实际脑部病变数据，并根据所述实际脑部病变数据和所述预测脑部病变数据比较得到疾病危险等级评价，其中，所述疾病危险等级评价用于表示所述儿童病患的患病情况的危险程度。
其中，首先通过身份认证子系统确定儿童病患的身份，并调取儿童病患的病例数据，控制子系统在确定儿童病患身份后控制各个子系统的通断，再利用图片特征提取技术，利用特征提取神经网络模型提取头部磁共振图片的疾病特征。根据疾病特征、脑电图和脑血管彩超输入预训练的变预测神经网络模型得到预测脑部病变数据，再对该儿童病患进行核磁共振，得到核磁共振成像结果，根据所述核磁共振成像结果得到实际脑部病变数据，并根据所述实际脑部病变数据和所述预测脑部病变数据比较得到疾病危险等级评价。
本发明所述的儿童脑瘫诊断设备，通过身份认证子系统对儿童病患的身份进行认证，在确认儿童病患身份的同时调取该儿童病患的病例信息。利用控制子系统用于根据所述身份认证子系统得到的所述设备使用权限控制各个系统的通断，防止误操作。再根据病例判断子系统的特征提取神经网络模型提取儿童病患头部磁共振图片的疾病特征，再将疾病特征、儿童病患的脑电图和脑血管彩超输入病变预测神经网络模型得到预测脑部病变数据，通过两个神经网络模型完成对疾病特征的提取以及对病变情况的预测，由于模型基于大量的历史数据进行训练和验证，能够更好得到病变情况。根据所述核磁共振成像结果得到实际脑部病变数据，并根据所述实际脑部病变数据和所述预测脑部病变数据比较得到疾病危险等级评价。对儿童脑部疾病情况的判断更加准确。
本发明实施例中，所述将所述头部磁共振图片输入特征提取神经网络模型提取疾病特征，包括：
对所述头部磁共振图片预处理去掉无效区域得到处理后的所述头部磁共振图片；
将处理后的所述头部磁共振图片输入所述特征提取神经网络得到所述疾病特征。
在一些实施例中，结合图2所示，包括：
通过头部磁共振图片确定轮廓信息；
具体地，人脑 CT 图像自身的特点是除头部颅骨以内为目标区域以外，其余部分均为无用区域，所以先利用算法将脑部轮廓确定。确定人体脑部轮廓的方法是对图像进行逐行扫描，对每一行像素进行判断，从而找出每一行像素的左侧边界像素点和右侧边界像素点。
标定头部磁共振图片中颅骨轮廊以内区域的灰度矩阵，去掉无效区域得到处理后的所述头部磁共振图片。
具体地，该灰度矩阵的横纵坐标即为图像中每个像素的横纵坐标，矩阵元素为图像中每个像素的灰度值。标定颅骨内侧区域的灰度矩阵，对图像进行逐行扫描并确定每行的边界像素点后，记录每一行边界像素点的坐标位置，存储到二维数组中，该数组的行数等于图像的高度，列数为两列，再去除掉颅骨及其以外区域的像素得到处理后的所述头部磁共振图片。
在一些实施例中，所述特征提取神经网络采用基于模拟退火粒子群的 PCNN 分割算法，将处理后的所述头部磁共振图片输入基于模拟退火粒子群的 PCNN 分割算法，得到第二次点火和第三次点火的二值图，由于第二次点火得到的中间灰度值最小的区域，再将第三次点火减去去除第一次点火的区域，得到另一个灰度阶区域，则将该区域作为疾病特征。
本实施例的儿童脑瘫诊断设备首先利用算法确定脑部轮廓，标定头部磁共振图片中颅骨轮廊，从而去除掉图片中颅骨及其以外的区域，减少无用功。再利用基于模拟退火粒子群的 PCNN 分割算法，选取合理有效的参数，使最终得到的疾病特征更加精准。
本发明实施例中，所述病变预测神经网络模型的构建方法包括：
获取历史病例数据和历史脑部病变数据；
根据所述历史病例数据对初始预测模型进行训练，得到初始预测脑部病变数据；
根据所述初始预测脑部病变数据和所述脑部病变数据进行损失计算，得到损失函数输出；
根据所述损失函数输出调整所述初始预测模型的模型参数，直至损失函数输入满足预设条件，将经参数调整后的所述初始预测模型作为所述病变预测神经网络模型。
具体地，收集历史病例数据和历史脑部病变数据，通过获取这些数据，可以建立一个包含多个样本的数据集。使用所收集到的历史病例数据对初始预测模型进行训练，训练过程中，将历史病例数据输入到初始预测模型中，模型会进行学习并生成对应的脑部病变预测结果。根据初始预测脑部病变数据和真实脑部病变数据进行损失计算。将初始预测结果与真实数据进行对比，计算它们之间的差异或误差。这个差异可以使用不同的损失函数进行度量，比如均方误差或交叉熵等。通过损失函数的输出来调整初始预测模型的模型参数，利用梯度下降算法或其他优化算法，根据损失函数的输出来更新网络参数，使得模型的预测结果逐渐优化，与真实数据更加匹配。逐渐调整模型参数，使得模型的性能不断提升，经过参数调整后的初始预测模型就可以作为病变预测神经网络模型使用。
本实施例的儿童脑瘫诊断设备通过构建病变预测神经网络模型，通过不断积累更多的病例数据并进行训练，可以根据患者的病例信息来进行脑部病变的预测。神经网络模型可以提高预测准确性，并为医生提供更好的辅助诊断工具。
本发明实施例中，所述实际脑部病变数据包括实际脑部病变位置和实际预测脑部病变特征，所述根据所述实际脑部病变数据和所述预测脑部病变数据比较得到疾病危险等级评价，包括：
根据预设权重和所述预测脑部病变数据得到预测脑部病变评价值；
根据所述实际脑部病变数据和所述预测脑部病变数据比较得到差异率；
利用所述差异率和所述预测脑部病变评价值得到目标脑部病变评价值；
其中，所述目标脑部病变评价值为：
C=AX，
其中，C为目标脑部病变评价值，A为差异率，X为预测脑部病变评价值；
根据所述目标脑部病变评价值得到所述疾病危险等级评价。
具体地，其中预测脑部病变数据包括脑部各个部分的病变评分，通过对脑部各部分重要程度划分从而预设权重，将各部分预设的权重分别和脑部对应的各个部分的病变评分相乘从而得到预测脑部病变评价值。在通过比较实际脑部病变数据和预测脑部病变数据得到差异率，用预测得到的脑部病变数据去修正通过本次拍摄的脑部核磁图像得到的实际脑部病变数据，从而使得到的结果更加精准。
本发明实施例中，所述疾病危险等级评价包括异常评价和正常评价，所述根据所述目标脑部病变评价值得到所述疾病危险等级评价，包括：
当所述目标脑部病变评价值大于预设评价阈值时得到所述异常评价；
当所述目标脑部病变评价值小于或等于所述预设评价阈值时得到所述正常评价。
具体地，通过比较所述实际脑部病变数据和所述预测脑部病变数据的差异程度，从而对患者的情况进行评价，从而更好的掌握患者病情情况。
本发明实施例中，还包括图像显示子系统，所述图像显示子系统用于显示所述疾病特征、所述脑电图、所述脑血管彩超、所述预测脑部病变数据、所述核磁共振成像结果和所述疾病危险等级评价的结果。
本实施例的儿童脑瘫诊断设备通过设置图像显示子系统使得各个子系统得到的相关图像和结论能够更直观的展示。
本发明实施例中，所述身份认证子系统包括身份识别单元和儿童病患信息管理单元，所述身份识别单元用于根据所述儿童病患的所述身份信息得到所述设备使用权限，所述儿童病患信息管理单元用于存储所述儿童病患的所述病例数据。
具体地，所述身份识别单元根据所述儿童病患的所述身份信息，如是否挂号、到科室就诊，是否已经缴纳使用医疗设备所需的费用等，再根据医院的管理规则判断待使用者是否符合使用医疗设备的条件，根据判断结果控制医疗设备的通断，从而规范化的控制医疗设备的使用。
本实施例的儿童脑瘫诊断设备通过身份认证子系统验证设备使用权限，同时获取病例数据，规范化的控制医疗设备的使用。
本发明实施例中，还包括实时监测子系统，所述实时监测子系统用于通过多个传感器实时监测每个子系统的状态参数。
具体地，对多个传感器监测到的状态参数进行滤波处理，消除噪声的干扰，再分别进行特征提取，并对提取的特征进行筛选。
本实施例的儿童脑瘫诊断设备通过实时监测子系统实时地检测和监控系统、设备或事件的状态和变化，从而可以及时采取相应的行动。
本发明实施例中，还包括故障预警子系统，所述故障预警子系统用于当所述状态参数大于预设预警值时通过预警灯和蜂鸣器预警。
本实施例的儿童脑瘫诊断设备可以提前预警，可以采取相应的措施来避免事故的发生，减少安全风险，提高设备和系统的可靠性。
本发明实施例中，还包括语音子系统，所述语音子系统用于在接收到语音后，与预设语音操作表中的具体操作进行匹配向所述控制子系统发送控制指令。
具体地，所述语音子系统包括语音输入装置和数据匹配模块，所述语音输入装置用于接收语音，并发送给所述数据匹配模块，所述数据匹配模块用于将接收到的语音与预设语音操作表中的具体操作进行匹配，向所述控制子系统发送所述控制指令。所述语音操作表可以包括开启设备、显示结果、查看图片，同时每个语音对应相应的控制指令。
本实施例的儿童脑瘫诊断设备通过语音子系统实现了人机交互的一种自然方式，用户只需使用简单语音指令来控制设备或系统，方便操作。
本发明所述的儿童脑瘫诊断设备，通过身份认证子系统对儿童病患的身份进行认证，在确认儿童病患身份的同时调取该儿童病患的病例信息。利用控制子系统用于根据所述身份认证子系统得到的所述设备使用权限控制各个系统的通断，防止误操作。再根据病例判断子系统的特征提取神经网络模型提取儿童病患头部磁共振图片的疾病特征，再将疾病特征、儿童病患的脑电图和脑血管彩超输入病变预测神经网络模型得到预测脑部病变数据，通过两个神经网络模型完成对疾病特征的提取以及对病变情况的预测，由于模型基于大量的历史数据进行训练和验证，能够更好得到病变情况。根据所述核磁共振成像结果得到实际脑部病变数据，并根据所述实际脑部病变数据对所述预测脑部病变数据进行修正，从而得到疾病危险等级评价，能够辅助医生对儿童脑部疾病情况进行更准确地判断。
需要说明的是，在本发明中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本发明的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种儿童脑瘫诊断设备，其特征在于，包括身份认证子系统、控制子系统、病例判断子系统、核磁共振子系统和评价子系统，所述身份认证子系统用于根据儿童病患的身份信息得到设备使用权限，并获取所述儿童病患的病例数据，其中，所述病例数据包括所述儿童病患的上一次的头部磁共振图片、脑电图和脑血管彩超；
所述控制子系统用于根据所述身份认证子系统得到的所述设备使用权限控制所述病例判断子系统、所述核磁共振子系统和所述评价子系统的通断；
所述病例判断子系统用于将所述头部磁共振图片输入特征提取神经网络模型提取疾病特征，将所述疾病特征、所述脑电图和所述脑血管彩超输入病变预测神经网络模型得到预测脑部病变数据，其中，所述预测脑部病变数据包括预测脑部病变位置和预测脑部病变特征；
所述核磁共振子系统用于得到核磁共振成像结果；
所述评价子系统用于根据所述核磁共振成像结果得到实际脑部病变数据，并根据所述实际脑部病变数据和所述预测脑部病变数据比较得到疾病危险等级评价，其中，所述疾病危险等级评价用于表示所述儿童病患的患病情况的危险程度，所述实际脑部病变数据包括实际脑部病变位置和实际预测脑部病变特征，包括：
根据预设权重和所述预测脑部病变数据得到预测脑部病变评价值；
根据所述实际脑部病变数据和所述预测脑部病变数据比较得到差异率；
利用所述差异率和所述预测脑部病变评价值得到目标脑部病变评价值；
其中，所述目标脑部病变评价值为：
C=AX，
其中，C为目标脑部病变评价值，A为差异率，X为预测脑部病变评价值；
根据所述目标脑部病变评价值得到所述疾病危险等级评价。
2.根据权利要求1所述的儿童脑瘫诊断设备，其特征在于，所述将所述头部磁共振图片输入特征提取神经网络模型提取疾病特征，包括：
对所述头部磁共振图片预处理去掉无效区域得到处理后的所述头部磁共振图片；
将处理后的所述头部磁共振图片输入所述特征提取神经网络得到所述疾病特征。
3.根据权利要求1所述的儿童脑瘫诊断设备，其特征在于，所述病变预测神经网络模型的构建方法包括：
获取历史病例数据和历史脑部病变数据；
根据所述历史病例数据对初始预测模型进行训练，得到初始预测脑部病变数据；
根据所述初始预测脑部病变数据和所述脑部病变数据进行损失计算，得到损失函数输出；
根据所述损失函数输出调整所述初始预测模型的模型参数，直至损失函数输入满足预设条件，将经参数调整后的所述初始预测模型作为所述病变预测神经网络模型。
4.根据权利要求1所述的儿童脑瘫诊断设备，其特征在于，所述疾病危险等级评价包括异常评价和正常评价，所述根据所述目标脑部病变评价值得到所述疾病危险等级评价，包括：
当所述目标脑部病变评价值大于预设评价阈值时得到所述异常评价；
当所述目标脑部病变评价值小于或等于所述预设评价阈值时得到所述正常评价。
5.根据权利要求1所述的儿童脑瘫诊断设备，其特征在于，还包括图像显示子系统，所述图像显示子系统用于显示所述疾病特征、所述脑电图、所述脑血管彩超、所述预测脑部病变数据、所述核磁共振成像结果和所述疾病危险等级评价的结果。
6.根据权利要求1所述的儿童脑瘫诊断设备，其特征在于，所述身份认证子系统包括身份识别单元和儿童病患信息管理单元，所述身份识别单元用于根据所述儿童病患的所述身份信息得到所述设备使用权限，所述儿童病患信息管理单元用于存储所述儿童病患的所述病例数据。
7.根据权利要求1所述的儿童脑瘫诊断设备，其特征在于，还包括实时监测子系统，所述实时监测子系统用于通过多个传感器实时监测每个子系统的状态参数。
8.根据权利要求7所述的儿童脑瘫诊断设备，其特征在于，还包括故障预警子系统，所述故障预警子系统用于当所述状态参数大于预设预警值时通过预警灯和蜂鸣器预警。
9.根据权利要求1所述的儿童脑瘫诊断设备，其特征在于，还包括语音子系统，所述语音子系统用于在接收到语音后，与预设语音操作表中的具体操作进行匹配向所述控制子系统发送控制指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311495741.7A CN117238483B (zh) | 2023-11-10 | 2023-11-10 | 一种儿童脑瘫诊断设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311495741.7A CN117238483B (zh) | 2023-11-10 | 2023-11-10 | 一种儿童脑瘫诊断设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117238483A CN117238483A (zh) | 2023-12-15 |
| CN117238483B true CN117238483B (zh) | 2024-02-27 |
Family
ID=89093127
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311495741.7A Active CN117238483B (zh) | 2023-11-10 | 2023-11-10 | 一种儿童脑瘫诊断设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117238483B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107680686A (zh) * | 2017-11-01 | 2018-02-09 | 北京颐圣智能科技有限公司 | 疾病预测概率的处理方法、装置、计算机设备以及存储介质 |
| CN109561852A (zh) * | 2017-04-04 | 2019-04-02 | 李昡燮 | 用于个性化定制脑疾病诊断和状态判定的医学图像处理系统及方法 |
| CN109997200A (zh) * | 2016-10-20 | 2019-07-09 | 株式会社Jlk英思陪胜 | 脑中风诊断以及预后预测方法及系统 |
| KR20190105452A (ko) * | 2018-03-05 | 2019-09-17 | 고려대학교 산학협력단 | 딥러닝 기반 뇌 질환 진단 방법 |
| KR20190134586A (ko) * | 2019-11-28 | 2019-12-04 | 연세대학교 산학협력단 | 질환 예측 방법 및 이를 이용한 질환 예측 디바이스 |
| CN110739070A (zh) * | 2019-09-26 | 2020-01-31 | 南京工业大学 | 一种基于3d卷积神经网络的脑疾病诊断方法 |
| KR20220080815A (ko) * | 2020-12-07 | 2022-06-15 | 연세대학교 원주산학협력단 | 생체신호 기반 퇴행성 뇌질환 예측 및 훈련 시스템 |
| CN116092673A (zh) * | 2023-04-10 | 2023-05-09 | 华南理工大学 | 一种便携式多信息融合分析及干预评估系统及其方法 |
| CN116665883A (zh) * | 2023-05-31 | 2023-08-29 | 河北医科大学第一医院 | 一种预测神经退行性疾病风险的方法及其系统 |
| CN116671902A (zh) * | 2023-06-25 | 2023-09-01 | 重庆大学 | 一种辅助诊断脑瘫的婴儿运动姿态分析系统 |
| CN116864134A (zh) * | 2023-06-29 | 2023-10-10 | 成都温江暖欣门诊部有限公司 | 一种基于人工智能的病情变化预测系统及方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10776453B2 (en) * | 2008-08-04 | 2020-09-15 | Galenagen, Llc | Systems and methods employing remote data gathering and monitoring for diagnosing, staging, and treatment of Parkinsons disease, movement and neurological disorders, and chronic pain |
| KR101977645B1 (ko) * | 2017-08-25 | 2019-06-12 | 주식회사 메디웨일 | 안구영상 분석방법 |
-
2023
- 2023-11-10 CN CN202311495741.7A patent/CN117238483B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109997200A (zh) * | 2016-10-20 | 2019-07-09 | 株式会社Jlk英思陪胜 | 脑中风诊断以及预后预测方法及系统 |
| CN109561852A (zh) * | 2017-04-04 | 2019-04-02 | 李昡燮 | 用于个性化定制脑疾病诊断和状态判定的医学图像处理系统及方法 |
| CN107680686A (zh) * | 2017-11-01 | 2018-02-09 | 北京颐圣智能科技有限公司 | 疾病预测概率的处理方法、装置、计算机设备以及存储介质 |
| KR20190105452A (ko) * | 2018-03-05 | 2019-09-17 | 고려대학교 산학협력단 | 딥러닝 기반 뇌 질환 진단 방법 |
| CN110739070A (zh) * | 2019-09-26 | 2020-01-31 | 南京工业大学 | 一种基于3d卷积神经网络的脑疾病诊断方法 |
| KR20190134586A (ko) * | 2019-11-28 | 2019-12-04 | 연세대학교 산학협력단 | 질환 예측 방법 및 이를 이용한 질환 예측 디바이스 |
| KR20220080815A (ko) * | 2020-12-07 | 2022-06-15 | 연세대학교 원주산학협력단 | 생체신호 기반 퇴행성 뇌질환 예측 및 훈련 시스템 |
| CN116092673A (zh) * | 2023-04-10 | 2023-05-09 | 华南理工大学 | 一种便携式多信息融合分析及干预评估系统及其方法 |
| CN116665883A (zh) * | 2023-05-31 | 2023-08-29 | 河北医科大学第一医院 | 一种预测神经退行性疾病风险的方法及其系统 |
| CN116671902A (zh) * | 2023-06-25 | 2023-09-01 | 重庆大学 | 一种辅助诊断脑瘫的婴儿运动姿态分析系统 |
| CN116864134A (zh) * | 2023-06-29 | 2023-10-10 | 成都温江暖欣门诊部有限公司 | 一种基于人工智能的病情变化预测系统及方法 |
Non-Patent Citations (4)
| Title |
|---|
| Predicting the brain age of children with cerebral palsy using a two-dimensional convolutional neural networks prediction model without gray and white matter segmentation;Zhang, CY等;《FRONTIERS IN NEUROLOGY》(第13期);1-13 * |
| 基于双支神经网络多任务学习的心脏磁共振心肌病识别算法;肖晶晶;崔春;陈佳;;测试技术学报;34(第05期);390-395 * |
| 早产儿脑损伤相关危险因素的分析及危险评估模型的建立;卢雨欣;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20170215(第2期);E069-55 * |
| 脑性瘫痪患儿脑电图与头颅磁共振对比研究;王立苹等;《中国伤残医学》;第18卷(第03期);26-28 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117238483A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6411111B2 (ja) | 認知症リスク判定システム | |
| JP5607640B2 (ja) | 眼の特徴の画像を得る方法と装置 | |
| CN109285605A (zh) | 一种基于人工智能的医疗诊断系统及诊断方法 | |
| KR20180099434A (ko) | 환자를 모니터링하는 방법 및 장치 | |
| US20120022395A1 (en) | Method and system for revealing oculomotor abnormalities | |
| WO2002078536A1 (en) | Methods for diagnosing alzheimer's disease | |
| KR102071774B1 (ko) | 안구영상을 이용한 심뇌혈관 질환 예측방법 | |
| US20180130555A1 (en) | Systems and methods for intelligent admissions | |
| EP3612101A1 (en) | Articulating arm for analyzing anatomical objects using deep learning networks | |
| WO2019172181A1 (ja) | 診断支援装置、プログラム、学習済みモデル、および学習装置 | |
| KR101218618B1 (ko) | 세타 대역 주파수 성분의 다양성을 이용한 치매 진단 장치 | |
| CN107427210A (zh) | 用于颅内压的无创评估的方法和设备 | |
| Kumar et al. | Evolutionary algorithm with memetic search capability for optic disc localization in retinal fundus images | |
| CN111916213A (zh) | 一种基于云计算的医疗服务方法和装置 | |
| CN111540442A (zh) | 基于计算机视觉的医学图像诊断调度管理系统 | |
| CN117238483B (zh) | 一种儿童脑瘫诊断设备 | |
| JP6882136B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
| WO2017086811A1 (en) | The system and method for supporting of neurological state assessment and for supporting neurological rehabilitation, especially within cognitive and/or speech dysfunction | |
| Hara et al. | Automated detection of extradural and subdural hematoma for contrast-enhanced CT images in emergency medical care | |
| CN115295110A (zh) | 一种术后并发症预测系统及方法 | |
| Al-Kalidi et al. | Respiratory rate measurement in children using a thermal camera | |
| CN113779533A (zh) | 用于医用机器人的操作者身份识别方法、装置和系统 | |
| Dorofeev et al. | The method of the estimation of the acceptable degree of the deflection of the spine and of bias of vertebrae in systems of the diagnostic and the rehabilitation | |
| CN118658603B (zh) | 基于计算机视觉及多种传感器的医疗护理监测方法及系统 | |
| WO2024171738A1 (ja) | 神経状態評価システム、神経状態評価方法、および神経状態評価プログラム |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A diagnostic device for pediatric cerebral palsy Granted publication date: 20240227 Pledgee: Harbin Kechuang Financing Guarantee Co.,Ltd. Pledgor: HARBIN HAIHONG JIYE TECHNOLOGY DEVELOPMENT Co.,Ltd. Registration number: Y2024230000027 |