CN117577258A - Petct相似病例检索和预后预测方法 - Google Patents
Petct相似病例检索和预后预测方法 Download PDFInfo
- Publication number
- CN117577258A CN117577258A CN202410058272.0A CN202410058272A CN117577258A CN 117577258 A CN117577258 A CN 117577258A CN 202410058272 A CN202410058272 A CN 202410058272A CN 117577258 A CN117577258 A CN 117577258A
- Authority
- CN
- China
- Prior art keywords
- case
- text
- information
- image
- prognosis
- 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
- 238000004393 prognosis Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012360 testing method Methods 0.000 title description 3
- 230000005540 biological transmission Effects 0.000 title description 2
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000011282 treatment Methods 0.000 claims description 40
- 238000003745 diagnosis Methods 0.000 claims description 27
- 230000004927 fusion Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000002591 computed tomography Methods 0.000 description 45
- 206010028980 Neoplasm Diseases 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011269 treatment regimen Methods 0.000 description 3
- 238000009472 formulation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/86—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using syntactic or structural representations of the image or video pattern, e.g. symbolic string recognition; using graph matching
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开涉及一种PETCT相似病例检索和预后预测方法，方法包括：获取当前病例的PET图像、CT图像，将所述PET图像以及CT图像输入目标图像编码器中，以得到当前病例的图像特征信息；目标图像编码器是预先基于样本病例的PET图像、CT图像及对应的病例文本信息对原始的图像编码器和文本编码器对比学习训练得到的，对比学习的目的是将样本病例的PET图像、CT图像和对应的病例文本信息在特征空间上对齐；从病例库中获取每个病例的病例文本特征信息，计算所述图像特征信息与每个病例的病例文本特征信息之间的相似度；确定相似度最高的至少两个病例作为第一相似病例，基于所述第一相似病例的预后情况预测所述当前病例的预后情况。
Description
技术领域
本公开实施例涉及辅助医疗技术领域，尤其涉及一种PETCT相似病例检索和预后预测方法。
背景技术
PET全称为正电子发射计算机断层显像(Positron Emission Tomography)，是反映病变的基因、分子、代谢及功能状态的显像设备，CT（Computed Tomography）是X线断层显像技术。PETCT是将PET和CT技术有机地结合在一起，使用同一个检查床合用一个图像工作站，PETCT同时具有PET设备，CT设备及将PET图像与CT图像融合等功能。目前PETCT在临床疾病诊断中具有十分重要的作用，主要用于肿瘤分期、活性定位、疗效随访、诊断复发、肿瘤筛查、肿块定性。得益于PETCT检查的高敏感性，对不同类型、不同发展时期和不同大小的肿瘤都能准确地识别出来，为后续肿瘤的治疗提供了准确的参考依据。
但是，临床针对肿瘤的治疗需要结合肿瘤的类型，位置，大小，数量和转移情况等多维度信息来确定对肿瘤的治疗方案，治疗方案的确定对医生的专业性和经验有较高的要求，不同年资和级别的医生可能会给出不同的治疗方案，如放疗、化疗，药物治疗或者切除等，更加准确的治疗方案，对患者来说能够缩短疗程，降低副作用，提高预后情况。因此，如果在分析PETCT检查结果后，结合高年资专家经验和既往相关病例的治疗方案做出更加合适的治疗方案，并预测出预后情况，将极大地帮助到医生和病人。然而目前如何从既往相关病例中准确检索出与当前病例最相似的病例以辅助医生做出更加合适的治疗方案，并准确预测出预后情况还是一个亟需解决的问题。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种PETCT相似病例检索和预后预测方法。
第一方面，本公开实施例提供了一种PETCT相似病例检索和预后预测方法，包括：
获取当前病例的PET图像、CT图像，将所述PET图像以及CT图像输入目标图像编码器中，以得到所述当前病例的图像特征信息；其中，所述目标图像编码器是预先基于样本病例的PET图像、CT图像及对应的病例文本信息对原始的图像编码器和文本编码器对比学习训练得到的，所述对比学习的目的是将样本病例的PET图像、CT图像和对应的病例文本信息在特征空间上对齐；所述病例文本信息包括检查报告文本信息，治疗方案文本信息和预后情况记录文本信息中的一个或多个；
从病例库中获取每个病例的病例文本特征信息，计算所述图像特征信息与每个病例的病例文本特征信息之间的相似度；
确定相似度最高的至少两个病例作为第一相似病例，基于所述第一相似病例的预后情况预测所述当前病例的预后情况。
在一个实施例中，对原始的图像编码器和文本编码器对比学习训练的过程包括：
获取多个样本病例的PET图像、CT图像和对应的病例文本信息，将样本病例的PET图像和CT图像经过原始的图像编码器提取到图像特征，并将对应的病例文本信息输入原始的文本编码器提取文本特征，基于所述图像特征和文本特征通过对比学习方式来更新图像编码器和文本编码器，以对齐图像和文本之间的特征信息。
在一个实施例中，该方法还包括：
将所述PET图像以及CT图像输入辅助诊断模型，以得到病灶位置信息、病灶掩码信息和病灶属性信息；
将所述病灶位置信息、病灶掩码信息和病灶属性信息分别输入各自对应的目标特征编码器，以分别得到病灶位置特征信息、病灶掩码特征信息和病灶属性特征信息；
将所述病灶位置特征信息、病灶掩码特征信息和病灶属性特征信息与所述图像特征信息融合得到融合特征信息；
计算所述融合特征信息与每个病例的病例文本特征信息之间的相似度；
确定相似度最高的至少两个病例作为第二相似病例，基于所述第二相似病例的预后情况预测所述当前病例的预后情况。
在一个实施例中，所述对原始的图像编码器和文本编码器对比学习训练的过程还包括：
将样本病例的PET图像和CT图像输入原始的辅助诊断模型以输出病灶诊断结果，病灶诊断结果包括病灶的位置坐标、病灶掩码和病灶对应的属性信息，将所述病灶的位置坐标、病灶掩码和病灶对应的属性信息分别输入各自对应的原始的特征编码器后与所述原始的图像编码器输出的所述图像特征进行融合从而得到病灶的融合特征，基于所述融合特征和文本特征通过对比学习方式来更新所述图像编码器、文本编码器和各所述特征编码器。
在一个实施例中，该方法还包括：
获取所述当前病例的病例文本信息；
将所述当前病例的病例文本信息输入目标文本编码器，以得到文本特征信息；其中所述目标文本编码器是上述对比学习训练结束后得到的文本编码器；
计算所述文本特征信息与每个病例的病例文本特征信息之间的相似度，确定相似度最高的至少两个病例作为第三相似病例；
基于所述第三相似病例的预后情况预测所述当前病例的预后情况。
在一个实施例中，所述病例库中的每个病例的病例文本特征信息预先由以下方式建立：
获取多个病例的文本信息数据，文本信息数据包括检查报告文本，治疗方案文本和预后情况记录文本；
将所述多个病例的文本信息数据输入到上述对比学习训练得到的文本编码器中，以得到对应每个病例的文本特征向量；
将所述每个病例的文本特征向量作为病例库中每个病例的病例文本特征信息。
在一个实施例中，所述基于所述第一相似病例的预后情况预测所述当前病例的预后情况，或者基于所述第二相似病例的预后情况预测所述当前病例的预后情况，或者基于所述第三相似病例的预后情况预测所述当前病例的预后情况，包括以下步骤：将所述相似度最高的至少两个病例的预后情况融合得到当前病例的预后情况预测结果。
第二方面，本公开实施例提供一种PETCT相似病例检索和预后预测系统，包括：
特征提取模块，用于获取当前病例的PET图像、CT图像，将所述PET图像以及CT图像输入目标图像编码器中，以得到所述当前病例的图像特征信息；其中，所述目标图像编码器是预先基于样本病例的PET图像、CT图像及对应的病例文本信息对原始的图像编码器和文本编码器对比学习训练得到的，所述对比学习的目的是将样本病例的PET图像、CT图像和对应的病例文本信息在特征空间上对齐；所述病例文本信息包括检查报告文本信息，治疗方案文本信息和预后情况记录文本信息中的一个或多个；
相似度计算模块，用于从病例库中获取每个病例的病例文本特征信息，计算所述图像特征信息与每个病例的病例文本特征信息之间的相似度；
预后预测模块，用于确定相似度最高的至少两个病例作为第一相似病例，基于所述第一相似病例的预后情况预测所述当前病例的预后情况。
第三方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一实施例所述PETCT相似病例检索和预后预测方法。
第四方面，本公开实施例提供一种电子设备，包括：
处理器；以及
存储器，用于存储计算机程序；
其中，所述处理器配置为经由执行所述计算机程序来执行上述任一实施例所述PETCT相似病例检索和预后预测方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点：
本公开实施例提供的PETCT相似病例检索和预后预测方法，获取当前病例的PET图像、CT图像，将所述PET图像以及CT图像输入目标图像编码器中，以得到所述当前病例的图像特征信息；其中，所述目标图像编码器是预先基于样本病例的PET图像、CT图像及对应的病例文本信息对原始的图像编码器和文本编码器对比学习训练得到的，所述对比学习的目的是将样本病例的PET图像、CT图像和对应的病例文本信息在特征空间上对齐；所述病例文本信息包括检查报告文本信息，治疗方案文本信息和预后情况记录文本信息中的一个或多个；从病例库中获取每个病例的病例文本特征信息，计算所述图像特征信息与每个病例的病例文本特征信息之间的相似度；确定相似度最高的至少两个病例作为第一相似病例，基于所述第一相似病例的预后情况预测所述当前病例的预后情况。这样，本实施例中基于预先对比学习训练对齐病灶的图像及检查治疗等相关文本的特征信息的目标图像编码器获取当前病例的PET图像、CT图像的图像特征，基于该图像特征与病例库中每个病例的病例文本特征的相似度来确定相似度最高的至少两个病例作为相似病例，如此可以从既往相关病例中准确检索出与当前病例最相似的病例以辅助医生做出更加合适的治疗方案，并基于最相似的病例可以准确预测出当前病例的预后情况。
另外，通过预先机器学习训练对齐文本和图像特征信息，从而能够同时处理图像或者文本等不同模态类型的信息，分别进行相似病例检索，或者图像和文本结合进行相似病例的检索，提供更加通用的PETCT相似病例检索方案，也即能够兼容文本和图像多模态的相似病例检索，应用范围更广。
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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开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，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为本公开实施例PETCT相似病例检索和预后预测方法方法流程图；
图2为本公开实施例的模型训练过程示意图；
图3为本公开实施例的模型应用过程示意图；
图4为本公开实施例PETCT相似病例检索和预后预测系统示意图；
图5为本公开实施例的电子设备示意图。
实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
应当理解，在下文中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
图1为本公开实施例的一种PETCT相似病例检索和预后预测方法流程图，该方法可以由计算设备如计算机执行，具体可以包括以下步骤：
步骤S101：获取当前病例的PET图像、CT图像，将所述PET图像以及CT图像输入目标图像编码器中，以得到所述当前病例的图像特征信息；其中，所述目标图像编码器是预先基于样本病例的PET图像、CT图像及对应的病例文本信息对原始的图像编码器和文本编码器对比学习训练得到的。所述对比学习的目的是将样本病例的PET图像、CT图像和对应的病例文本信息在特征空间上对齐；所述病例文本信息包括检查报告文本信息，治疗方案文本信息和预后情况记录文本信息中的一个或多个。
示例性的，在一个实施例中，对原始的图像编码器和文本编码器对比学习训练的过程可以包括：获取多个样本病例的PET图像、CT图像和对应的病例文本信息，将样本病例的PET图像和CT图像经过原始的图像编码器提取到图像特征，并将对应的病例文本信息输入原始的文本编码器提取文本特征，基于所述图像特征和文本特征通过对比学习方式来更新图像编码器和文本编码器，以对齐图像和文本之间的特征信息。
作为一个具体示例，参考图2所示，收集一批PET图像、CT图像和检查报告文本信息如诊断结论、治疗方案和预后情况的文本信息对作为样本数据，文本信息经文本编码器提取文本特征，PETCT的PET图像和CT图像对经过图像编码器提取到图像特征，基于文本特征和图像特征通过对比学习方式来对齐图像和文本之间的特征信息。具体例如可以分别计算图像和文本正负样本对之间的损失函数值loss，并最小化正样本对间的loss，最大化负样本对间的loss，从而让图像和对应的文本信息在特征空间上对齐，当然并不限于此。关于对比学习的具体过程可以参考现有技术理解，此处不再详述。
训练结束后得到目标图像编码器和目标文本编码器。然后应用时将当前病例的PET图像、CT图像输入目标图像编码器中，以得到所述当前病例的图像特征信息即病灶相关的图像特征。
步骤S102：从病例库中获取每个病例的病例文本特征信息，计算所述图像特征信息与每个病例的病例文本特征信息之间的相似度。
示例性的，病例库中获取每个病例的病例文本特征信息可以预先建立，例如收集大量足够丰富的优秀病例的病例文本信息，包括检查报告，治疗方案和预后情况随访记录等文本信息，将病例文本信息输入到上述方式训练结束得到的文本编码器中，以获取到对应每个病例的文本特征向量，该文本特征向量即是病例文本信息经过融合和压缩提取到的关键信息的表示。之后即可从病例库中获取每个病例的病例文本特征向量，计算所述图像特征信息与每个病例的病例文本特征向量之间的相似度。
步骤S103：确定相似度最高的至少两个病例作为第一相似病例，基于所述第一相似病例的预后情况预测所述当前病例的预后情况。
示例性的，例如提取出相似度最高的五个病例作为当前病例的相似病例，以为当前病例的疾病诊断和治疗方案制定提供指导。
本实施例中基于预先对比学习训练对齐病灶的图像及检查治疗等相关文本的特征信息的目标图像编码器获取当前病例的PET图像、CT图像的图像特征，基于该图像特征与病例库中每个病例的病例文本特征的相似度来确定相似度最高的至少两个病例作为相似病例，如此可以从既往相关病例中准确检索出与当前病例最相似的病例以辅助医生做出更加合适的治疗方案，并基于最相似的至少两个病例而不是单一病例作为参考可以准确预测出当前病例的预后情况。另外，通过预先机器学习训练对齐文本和图像特征信息，从而能够同时处理图像或者文本等不同模态类型的信息，分别进行相似病例检索，或者图像和文本结合进行相似病例的检索，提供更加通用的PETCT相似病例检索方案，也即能够兼容文本和图像多模态的相似病例检索，应用范围更广。
在一个实施例中，结合参考图3中所示，该方法还包括：将所述PET图像以及CT图像输入辅助诊断模型，以得到病灶位置信息、病灶掩码信息和病灶属性信息；将所述病灶位置信息、病灶掩码信息和病灶属性信息分别输入各自对应的目标特征编码器，以分别得到病灶位置特征信息、病灶掩码特征信息和病灶属性特征信息；将所述病灶位置特征信息、病灶掩码特征信息和病灶属性特征信息与所述图像特征信息融合得到融合特征信息；计算所述融合特征信息与每个病例的病例文本特征信息之间的相似度；确定相似度最高的至少两个病例作为第二相似病例，基于所述第二相似病例的预后情况预测所述当前病例的预后情况。
示例性的，病灶位置信息如位置坐标即bounding box坐标点、病灶掩码（mask）信息和病灶属性信息。将当前病例的PET和CT图像对输入到目标图像编码器中，得到当前病例的图像特征信息，并将辅助诊断模型得到的病灶box坐标信息、掩码信息和相应的病灶属性信息分别经由对应的目标特征编码器得到对应的特征信息，再与图像特征信息进行融合，从而使融合后的特征能够更加关注相应的病灶信息，这样在相似病例的检索中，能够更有针对性。同时将融合后的特征与病例库中的每个病例特征计算相似度，并提取出相似度最高的至少两个如五个病例作为当前病例的相似病例。如此通过原始图像特征和辅助诊断模型给出的病灶信息融合进行相似病例的检索，可以避免不同医生对图像报告的差异导致的推荐误差，通过对齐文本和图像信息并融合辅助诊断结果，从而可以更加精准地进行相似病例检索，使得从既往相关病例中可以更加准确地检索出与当前病例最相似的病例以辅助医生做出更加合适的治疗方案。
在上述实施例的基础上，于一个实施例中，所述对原始的图像编码器和文本编码器对比学习训练的过程还包括：将样本病例的PET图像和CT图像输入原始的辅助诊断模型以输出病灶诊断结果，病灶诊断结果包括病灶的位置坐标、病灶掩码和病灶对应的属性信息，将所述病灶的位置坐标、病灶掩码和病灶对应的属性信息分别输入各自对应的原始的特征编码器后与所述原始的图像编码器输出的所述图像特征进行融合从而得到病灶的融合特征，基于所述融合特征和文本特征通过对比学习方式来更新所述图像编码器、文本编码器和各所述特征编码器。
具体的，作为示例，如上文所述，继续参考图2所示，收集一批PETCT图像和诊断结论、治疗方案和预后情况的文本信息对，首先文本信息经文本编码器提取文本特征，PETCT的PET图像和CT图像对经过图像编码器提取到图像特征信息，同时将辅助诊断模型给出的病灶诊断结果，如病灶的位置坐标如box坐标点、病灶的掩码和每个病灶对应的属性信息经过对应的特征编码器后与图像特征进行融合从而提供更加精确的病灶信息，提升病灶图像特征的精准性。然后通过对比学习方式来对齐图像和文本之间的特征信息。训练结束后即得到目标特征编码器、目标文本编码器和目标图像编码器。
这样经过特征融合训练，具体应用时可将局部病灶信息作为相似病例检索的依据，提供更加精准的病灶信息，使得可以从既往相关病例中进一步准确检索出与当前病例最相似的病例以辅助医生做出更加合适的治疗方案。
在一个实施例中，该方法还包括：获取所述当前病例的病例文本信息；将所述当前病例的病例文本信息输入目标文本编码器，以得到文本特征信息；其中所述目标文本编码器是上述对比学习训练结束后得到的文本编码器；从所述病例库中获取每个病例的病例文本特征信息，计算所述文本特征信息与每个病例的病例文本特征信息之间的相似度，确定相似度最高的至少两个病例作为第三相似病例；基于所述第三相似病例的预后情况预测所述当前病例的预后情况。
作为示例，例如将当前病例的病例文本信息经过目标文本编码器提取到文本特征向量，并与病例库中的每个病例特征向量计算相似度，并提取出相似度最高的例如五个病例作为当前病例的相似病例，以为当前病人的疾病诊断和治疗方案制定提供指导，如此可以从既往相关病例中进一步准确检索出与当前病例最相似的病例以辅助医生做出更加合适的治疗方案。
在一个实施例中，所述病例库中的每个病例的病例文本特征信息预先由以下方式建立：获取多个病例的文本信息数据，文本信息数据包括检查报告文本，治疗方案文本和预后情况记录文本；将所述多个病例的文本信息数据输入到上述对比学习训练得到的文本编码器中，以得到对应每个病例的文本特征向量；将所述每个病例的文本特征向量作为病例库中每个病例的病例文本特征信息。
示例性的，收集大量足够丰富的优秀病例的病例文本信息，包括检查报告，治疗方案和预后情况随访记录等文本信息，将病例文本信息输入到上述方式训练结束得到的文本编码器即目标文本编码器中，以获取到对应每个病例的文本特征向量，该文本特征向量即是病例文本信息经过融合和压缩提取到的关键信息的表示。之后即可将每个病例的文本特征向量作为病例库中每个病例的病例文本特征信息。
在一个实施例中，所述基于所述第一相似病例的预后情况预测所述当前病例的预后情况，或者基于所述第二相似病例的预后情况预测所述当前病例的预后情况，或者基于所述第三相似病例的预后情况预测所述当前病例的预后情况，具体可以包括以下步骤：将所述相似度最高的至少两个病例的预后情况融合得到当前病例的预后情况预测结果。
示例性的，考虑到当前病例与相似病例间依然存在的差异，为了提升当前病例预后预测的准确性，首先可以将预后情况指标进行量化，通过在病例库中检索出最接近的五个病例，并将当前病例的特征与最接近的五个相似病例的特征分别做相互注意力融合，最后将得到的融合后的五个特征进一步融合后，得到当前病例相对于每个相似病例在预后上的相似度，从而根据预后上的相似度将五个病例的量化后的预后情况融合得到当前病例的预后预测结果。
本实施例中的方案根据相似病例的预后信息进行融合预测，可以更精准预测当前病例的预后情况，提升了当前病例预后预测的准确性。结合相似病例的预后情况和当前病例的多维特征，精准预测当前病例的预后情况，为疾病治疗提供可靠参考建议。
本公开实施例的方案在收集到专家和既往优秀治疗案例影像、报告和预后记录等文本信息后，通过深度学习方法，建立影像与报告预后等文字资料间的特征关系，将影像和文本信息压缩向量化处理后，构建标准病例参考库，从而在新病人检查后通过向量化后的图像或者报告信息，从标准病例库中找到最相似的病例，为当前病人的治疗提供指导，并预测预后效果，并能根据治疗的不同阶段，更新治疗方案和预后预测，支持通过PETCT检出影像或者文本报告多模态信息来匹配最佳病例，为医生治疗方案的确定和病人的治疗都具有十分重要的意义。
需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。另外，也易于理解的是，这些步骤可以是例如在多个模块/进程/线程中同步或异步执行。
如图4所示，本公开实施例提供一种PETCT相似病例检索和预后预测系统，包括：
特征提取模块401，用于获取当前病例的PET图像、CT图像，将所述PET图像以及CT图像输入目标图像编码器中，以得到所述当前病例的图像特征信息；其中，所述目标图像编码器是预先基于样本病例的PET图像、CT图像及对应的病例文本信息对原始的图像编码器和文本编码器对比学习训练得到的，所述对比学习的目的是将样本病例的PET图像、CT图像和对应的病例文本信息在特征空间上对齐；所述病例文本信息包括检查报告文本信息，治疗方案文本信息和预后情况记录文本信息中的一个或多个；
相似度计算模块402，用于从病例库中获取每个病例的病例文本特征信息，计算所述图像特征信息与每个病例的病例文本特征信息之间的相似度；
预后预测模块403，用于确定相似度最高的至少两个病例作为第一相似病例，基于所述第一相似病例的预后情况预测所述当前病例的预后情况。
在一个实施例中，对原始的图像编码器和文本编码器对比学习训练的过程包括：获取多个样本病例的PET图像、CT图像和对应的病例文本信息，将样本病例的PET图像和CT图像经过原始的图像编码器提取到图像特征，并将对应的病例文本信息输入原始的文本编码器提取文本特征，基于所述图像特征和文本特征通过对比学习方式来更新图像编码器和文本编码器，以对齐图像和文本之间的特征信息。
在一个实施例中，该系统还可包括特征融合模块。相应的，特征提取模块401还用于：将所述PET图像以及CT图像输入辅助诊断模型，以得到病灶位置信息、病灶掩码信息和病灶属性信息；
特征融合模块，用于将所述病灶位置信息、病灶掩码信息和病灶属性信息分别输入各自对应的目标特征编码器，以分别得到病灶位置特征信息、病灶掩码特征信息和病灶属性特征信息；将所述病灶位置特征信息、病灶掩码特征信息和病灶属性特征信息与所述图像特征信息融合得到融合特征信息；
相似度计算模块402，还用于计算所述融合特征信息与每个病例的病例文本特征信息之间的相似度；
预后预测模块403，还用于确定相似度最高的至少两个病例作为第二相似病例，基于所述第二相似病例的预后情况预测所述当前病例的预后情况。
在一个实施例中，所述对原始的图像编码器和文本编码器对比学习训练的过程还包括：将样本病例的PET图像和CT图像输入原始的辅助诊断模型以输出病灶诊断结果，病灶诊断结果包括病灶的位置坐标、病灶掩码和病灶对应的属性信息，将所述病灶的位置坐标、病灶掩码和病灶对应的属性信息分别输入各自对应的原始的特征编码器后与所述原始的图像编码器输出的所述图像特征进行融合从而得到病灶的融合特征，基于所述融合特征和文本特征通过对比学习方式来更新所述图像编码器、文本编码器和各所述特征编码器。
在一个实施例中，该系统还可包括信息获取模块，用于：获取所述当前病例的病例文本信息；将所述当前病例的病例文本信息输入目标文本编码器，以得到文本特征信息；其中所述目标文本编码器是上述对比学习训练结束后得到的文本编码器；相似度计算模块402，还用于从所述病例库中获取每个病例的病例文本特征信息，计算所述文本特征信息与每个病例的病例文本特征信息之间的相似度；预后预测模块403，还用于确定相似度最高的至少两个病例作为第三相似病例，基于所述第三相似病例的预后情况预测所述当前病例的预后情况。
在一个实施例中，所述病例库中的每个病例的病例文本特征信息预先由以下方式建立：获取多个病例的文本信息数据，文本信息数据包括检查报告文本，治疗方案文本和预后情况记录文本；将所述多个病例的文本信息数据输入到上述对比学习训练得到的文本编码器中，以得到对应每个病例的文本特征向量；将所述每个病例的文本特征向量作为病例库中每个病例的病例文本特征信息。
在一个实施例中，预后预测模块403，基于所述第一相似病例的预后情况预测所述当前病例的预后情况，或者基于所述第二相似病例的预后情况预测所述当前病例的预后情况，或者基于所述第三相似病例的预后情况预测所述当前病例的预后情况，具体可以包括以下方式：将所述相似度最高的至少两个病例的预后情况融合得到当前病例的预后情况预测结果。
关于上述实施例中的系统，其中各个模块执行操作的具体方式以及带来的相应技术效果已经在有关该方法的实施例中进行了对应的详细描述，此处将不做详细阐述说明。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。作为模块或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模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项实施例所述PETCT相似病例检索和预后预测方法。
示例性的，该可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
本公开实施例还提供一种电子设备，包括处理器以及存储器，存储器用于存储计算机程序。其中，所述处理器配置为经由执行所述计算机程序来执行上述任一项实施例中PETCT相似病例检索和预后预测方法。
下面参照图5来描述根据本发明的这种实施方式的电子设备600。图5显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件（包括存储单元620和处理单元610）的总线630、显示单元640等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述方法实施例部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示方法的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元（RAM）6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元（ROM）6203。
所述存储单元620还可以包括具有一组（至少一个）程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700（例如键盘、指向设备、蓝牙设备等）通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、或者网络设备等）执行根据本公开实施方式的上述各实施例的方法步骤。
需要说明的是，在本文中，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。
以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。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公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种PETCT相似病例检索和预后预测方法，其特征在于，包括：
获取当前病例的PET图像、CT图像，将所述PET图像以及CT图像输入目标图像编码器中，以得到所述当前病例的图像特征信息；其中，所述目标图像编码器是预先基于样本病例的PET图像、CT图像及对应的病例文本信息对原始的图像编码器和文本编码器对比学习训练得到的，所述对比学习的目的是将样本病例的PET图像、CT图像和对应的病例文本信息在特征空间上对齐；所述病例文本信息包括检查报告文本信息，治疗方案文本信息和预后情况记录文本信息中的一个或多个；
从病例库中获取每个病例的病例文本特征信息，计算所述图像特征信息与每个病例的病例文本特征信息之间的相似度；
确定相似度最高的至少两个病例作为第一相似病例，基于所述第一相似病例的预后情况预测所述当前病例的预后情况。
2.根据权利要求1所述的方法，其特征在于，对原始的图像编码器和文本编码器对比学习训练的过程包括：
获取多个样本病例的PET图像、CT图像和对应的病例文本信息，将样本病例的PET图像和CT图像经过原始的图像编码器提取到图像特征，并将对应的病例文本信息输入原始的文本编码器提取文本特征，基于所述图像特征和文本特征通过对比学习方式来更新图像编码器和文本编码器，以对齐图像和文本之间的特征信息。
3.根据权利要求2所述的方法，其特征在于，该方法还包括：
将所述PET图像以及CT图像输入辅助诊断模型，以得到病灶位置信息、病灶掩码信息和病灶属性信息；
将所述病灶位置信息、病灶掩码信息和病灶属性信息分别输入各自对应的目标特征编码器，以分别得到病灶位置特征信息、病灶掩码特征信息和病灶属性特征信息；
将所述病灶位置特征信息、病灶掩码特征信息和病灶属性特征信息与所述图像特征信息融合得到融合特征信息；
计算所述融合特征信息与每个病例的病例文本特征信息之间的相似度；
确定相似度最高的至少两个病例作为第二相似病例，基于所述第二相似病例的预后情况预测所述当前病例的预后情况。
4.根据权利要求3所述的方法，其特征在于，所述对原始的图像编码器和文本编码器对比学习训练的过程还包括：
将样本病例的PET图像和CT图像输入原始的辅助诊断模型以输出病灶诊断结果，病灶诊断结果包括病灶的位置坐标、病灶掩码和病灶对应的属性信息，将所述病灶的位置坐标、病灶掩码和病灶对应的属性信息分别输入各自对应的原始的特征编码器后与所述原始的图像编码器输出的所述图像特征进行融合从而得到病灶的融合特征，基于所述融合特征和文本特征通过对比学习方式来更新所述图像编码器、文本编码器和各所述特征编码器。
5.根据权利要求3~4任一项所述的方法，其特征在于，该方法还包括：
获取所述当前病例的病例文本信息；
将所述当前病例的病例文本信息输入目标文本编码器，以得到文本特征信息；其中所述目标文本编码器是上述对比学习训练结束后得到的文本编码器；
计算所述文本特征信息与每个病例的病例文本特征信息之间的相似度；
确定相似度最高的至少两个病例作为第三相似病例，基于所述第三相似病例的预后情况预测所述当前病例的预后情况。
6.根据权利要求5所述的方法，其特征在于，所述病例库中的每个病例的病例文本特征信息预先由以下方式建立：
获取多个病例的文本信息数据，文本信息数据包括检查报告文本，治疗方案文本和预后情况记录文本；
将所述多个病例的文本信息数据输入到上述对比学习训练得到的文本编码器中，以得到对应每个病例的文本特征向量；
将所述每个病例的文本特征向量作为病例库中每个病例的病例文本特征信息。
7.根据权利要求5所述的方法，其特征在于，所述基于所述第一相似病例的预后情况预测所述当前病例的预后情况，或者基于所述第二相似病例的预后情况预测所述当前病例的预后情况，或者基于所述第三相似病例的预后情况预测所述当前病例的预后情况，包括以下步骤：将所述相似度最高的至少两个病例的预后情况融合得到当前病例的预后情况预测结果。
8.一种PETCT相似病例检索和预后预测系统，其特征在于，包括：
特征提取模块，用于获取当前病例的PET图像、CT图像，将所述PET图像以及CT图像输入目标图像编码器中，以得到所述当前病例的图像特征信息；其中，所述目标图像编码器是预先基于样本病例的PET图像、CT图像及对应的病例文本信息对原始的图像编码器和文本编码器对比学习训练得到的，所述对比学习的目的是将样本病例的PET图像、CT图像和对应的病例文本信息在特征空间上对齐；所述病例文本信息包括检查报告文本信息，治疗方案文本信息和预后情况记录文本信息中的一个或多个；
相似度计算模块，用于从病例库中获取每个病例的病例文本特征信息，计算所述图像特征信息与每个病例的病例文本特征信息之间的相似度；
预后预测模块，用于确定相似度最高的至少两个病例作为第一相似病例，基于所述第一相似病例的预后情况预测所述当前病例的预后情况。
9.一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权利要求1~7任一项所述PETCT相似病例检索和预后预测方法。
10.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储计算机程序；
其中，所述处理器配置为经由执行所述计算机程序来执行权利要求1~7任一项所述PETCT相似病例检索和预后预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410058272.0A CN117577258B (zh) | 2024-01-16 | 2024-01-16 | Petct相似病例检索和预后预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410058272.0A CN117577258B (zh) | 2024-01-16 | 2024-01-16 | Petct相似病例检索和预后预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117577258A true CN117577258A (zh) | 2024-02-20 |
| CN117577258B CN117577258B (zh) | 2024-04-02 |
Family
ID=89862830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410058272.0A Active CN117577258B (zh) | 2024-01-16 | 2024-01-16 | Petct相似病例检索和预后预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117577258B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140089000A1 (en) * | 2011-06-30 | 2014-03-27 | Panasonic Corporation | Similar case searching apparatus, relevance database generating apparatus, similar case searching method, and relevance database generating method |
| JP2015203920A (ja) * | 2014-04-11 | 2015-11-16 | キヤノン株式会社 | 類似症例検索システム、類似症例検索方法及びプログラム |
| CN115080782A (zh) * | 2022-06-14 | 2022-09-20 | 中山大学 | 相似病灶的检索和匹配方法与系统 |
| CN115359865A (zh) * | 2022-08-22 | 2022-11-18 | 苏州超云生命智能产业研究院有限公司 | 病例数据推送方法、装置、计算机设备和存储介质 |
| WO2023030521A1 (zh) * | 2021-09-06 | 2023-03-09 | 北京字节跳动网络技术有限公司 | 内窥镜图像分类模型的训练方法、图像分类方法和装置 |
| CN116152568A (zh) * | 2023-03-06 | 2023-05-23 | 中国人民解放军总医院第一医学中心 | 基于对比学习的胃癌分类模型的预训练及微调方法 |
| CN116469545A (zh) * | 2023-04-18 | 2023-07-21 | 平安科技（深圳）有限公司 | 使用医学图像进行辅助疾病预测的方法、装置及设备 |
| WO2023142532A1 (zh) * | 2022-01-26 | 2023-08-03 | 华为云计算技术有限公司 | 一种推理模型训练方法及装置 |
| CN116798646A (zh) * | 2023-08-17 | 2023-09-22 | 四川互慧软件有限公司 | 基于聚类算法的蛇伤预后预测方法、装置及电子设备 |
| CN116883737A (zh) * | 2023-07-07 | 2023-10-13 | 上海联影智能医疗科技有限公司 | 分类方法、计算机设备和存储介质 |
| CN116977338A (zh) * | 2023-09-25 | 2023-10-31 | 湖南自兴智慧医疗科技有限公司 | 基于视觉语义联合的染色体病例级异常提示系统 |
| CN117112829A (zh) * | 2023-10-24 | 2023-11-24 | 吉林大学 | 医疗数据跨模态检索方法、装置和相关设备 |
-
2024
- 2024-01-16 CN CN202410058272.0A patent/CN117577258B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140089000A1 (en) * | 2011-06-30 | 2014-03-27 | Panasonic Corporation | Similar case searching apparatus, relevance database generating apparatus, similar case searching method, and relevance database generating method |
| JP2015203920A (ja) * | 2014-04-11 | 2015-11-16 | キヤノン株式会社 | 類似症例検索システム、類似症例検索方法及びプログラム |
| WO2023030521A1 (zh) * | 2021-09-06 | 2023-03-09 | 北京字节跳动网络技术有限公司 | 内窥镜图像分类模型的训练方法、图像分类方法和装置 |
| WO2023142532A1 (zh) * | 2022-01-26 | 2023-08-03 | 华为云计算技术有限公司 | 一种推理模型训练方法及装置 |
| CN115080782A (zh) * | 2022-06-14 | 2022-09-20 | 中山大学 | 相似病灶的检索和匹配方法与系统 |
| CN115359865A (zh) * | 2022-08-22 | 2022-11-18 | 苏州超云生命智能产业研究院有限公司 | 病例数据推送方法、装置、计算机设备和存储介质 |
| CN116152568A (zh) * | 2023-03-06 | 2023-05-23 | 中国人民解放军总医院第一医学中心 | 基于对比学习的胃癌分类模型的预训练及微调方法 |
| CN116469545A (zh) * | 2023-04-18 | 2023-07-21 | 平安科技（深圳）有限公司 | 使用医学图像进行辅助疾病预测的方法、装置及设备 |
| CN116883737A (zh) * | 2023-07-07 | 2023-10-13 | 上海联影智能医疗科技有限公司 | 分类方法、计算机设备和存储介质 |
| CN116798646A (zh) * | 2023-08-17 | 2023-09-22 | 四川互慧软件有限公司 | 基于聚类算法的蛇伤预后预测方法、装置及电子设备 |
| CN116977338A (zh) * | 2023-09-25 | 2023-10-31 | 湖南自兴智慧医疗科技有限公司 | 基于视觉语义联合的染色体病例级异常提示系统 |
| CN117112829A (zh) * | 2023-10-24 | 2023-11-24 | 吉林大学 | 医疗数据跨模态检索方法、装置和相关设备 |
Non-Patent Citations (1)
| Title |
|---|
| 张娅楠;赵涓涓;赵鑫;张小龙;王三虎;: "多模态融合下长时程肺部病灶良恶性预测方法", 计算机工程与应用, no. 10, 3 September 2018 (2018-09-03) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117577258B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tromp et al. | Automated interpretation of systolic and diastolic function on the echocardiogram: a multicohort study | |
| Wu et al. | Comparison of chest radiograph interpretations by artificial intelligence algorithm vs radiology residents | |
| Azizi et al. | Robust and data-efficient generalization of self-supervised machine learning for diagnostic imaging | |
| Schwyzer et al. | Artificial intelligence for detecting small FDG-positive lung nodules in digital PET/CT: impact of image reconstructions on diagnostic performance | |
| WO2019033098A2 (en) | QUANTITATIVE MEDICAL IMAGING REPORT | |
| Aminololama-Shakeri et al. | The doctor-patient relationship with artificial intelligence | |
| Zou et al. | Ensemble image explainable AI (XAI) algorithm for severe community-acquired pneumonia and COVID-19 respiratory infections | |
| CN111512322B (zh) | 使用神经网络 | |
| JP2018537177A (ja) | 画像解釈ワークフローにおけるサードパーティアプリケーションの統合のための構造化所見オブジェクト | |
| US20200176112A1 (en) | Automated labeling of images to train machine learning | |
| KR20200077852A (ko) | 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법 | |
| Shaikh et al. | Technical challenges in the clinical application of radiomics | |
| US11996198B2 (en) | Determination of a growth rate of an object in 3D data sets using deep learning | |
| Engle et al. | Performance of Qure. ai automatic classifiers against a large annotated database of patients with diverse forms of tuberculosis | |
| US20210295997A1 (en) | Bioimage diagnosis system, bioimage diagnosis method, and terminal for executing same | |
| Chakraborty et al. | From machine learning to deep learning: An advances of the recent data-driven paradigm shift in medicine and healthcare | |
| CN115831379A (zh) | 知识图谱补全方法、装置、存储介质及电子设备 | |
| Zhang et al. | Comparison of chest radiograph captions based on natural language processing vs completed by radiologists | |
| Logullo et al. | Artificial intelligence in lung cancer diagnostic imaging: a review of the reporting and conduct of research published 2018–2019 | |
| CN117577258B (zh) | Petct相似病例检索和预后预测方法 | |
| WO2023274599A1 (en) | Methods and systems for automated follow-up reading of medical image data | |
| CN109906487A (zh) | 用于针对临床护理连续性进行工作流程敏感的结构化发现对象（sfo）推荐的系统和方法 | |
| EP3913638A1 (en) | Method and data processing system for providing radiomics-related information | |
| Toosi et al. | State-of-the-art object detection algorithms for small lesion detection in PSMA PET: use of rotational maximum intensity projection (MIP) images | |
| CN114121213A (zh) | 麻醉用药信息复核方法、装置、电子设备及存储介质 |
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 |