CN117994595A - 一种鼻窦炎的分析方法和相关设备 - Google Patents
一种鼻窦炎的分析方法和相关设备 Download PDFInfo
- Publication number
- CN117994595A CN117994595A CN202410405370.7A CN202410405370A CN117994595A CN 117994595 A CN117994595 A CN 117994595A CN 202410405370 A CN202410405370 A CN 202410405370A CN 117994595 A CN117994595 A CN 117994595A
- Authority
- CN
- China
- Prior art keywords
- generate
- pathological
- nasal
- preset
- children
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 155
- 230000001575 pathological effect Effects 0.000 claims abstract description 154
- 238000012545 processing Methods 0.000 claims abstract description 89
- 208000000592 Nasal Polyps Diseases 0.000 claims abstract description 84
- 210000004969 inflammatory cell Anatomy 0.000 claims abstract description 83
- 208000016366 nasal cavity polyp Diseases 0.000 claims abstract description 76
- 238000001514 detection method Methods 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 44
- 206010061218 Inflammation Diseases 0.000 claims abstract description 20
- 230000004054 inflammatory process Effects 0.000 claims abstract description 20
- 230000035790 physiological processes and functions Effects 0.000 claims description 48
- 238000007667 floating Methods 0.000 claims description 36
- 201000009890 sinusitis Diseases 0.000 claims description 26
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 230000005856 abnormality Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000001965 increasing effect Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000002757 inflammatory effect Effects 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 230000007170 pathology Effects 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 abstract description 9
- 208000003606 Congenital Rubella Syndrome Diseases 0.000 description 43
- 206010052015 cytokine release syndrome Diseases 0.000 description 43
- 210000001519 tissue Anatomy 0.000 description 29
- 210000002850 nasal mucosa Anatomy 0.000 description 20
- 210000003979 eosinophil Anatomy 0.000 description 19
- 241000565118 Cordylophora caspia Species 0.000 description 13
- 208000037062 Polyps Diseases 0.000 description 13
- 206010016654 Fibrosis Diseases 0.000 description 10
- 206010030113 Oedema Diseases 0.000 description 10
- 230000004761 fibrosis Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 208000027157 chronic rhinosinusitis Diseases 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 8
- 230000000762 glandular Effects 0.000 description 7
- 210000004698 lymphocyte Anatomy 0.000 description 7
- 210000000440 neutrophil Anatomy 0.000 description 7
- 238000001356 surgical procedure Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 210000004180 plasmocyte Anatomy 0.000 description 6
- 210000004204 blood vessel Anatomy 0.000 description 5
- 230000008076 immune mechanism Effects 0.000 description 5
- 230000008595 infiltration Effects 0.000 description 5
- 238000001764 infiltration Methods 0.000 description 5
- 230000001225 therapeutic effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000002792 vascular Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000011269 treatment regimen Methods 0.000 description 3
- 101800003838 Epidermal growth factor Proteins 0.000 description 2
- 102100033237 Pro-epidermal growth factor Human genes 0.000 description 2
- 102000001708 Protein Isoforms Human genes 0.000 description 2
- 108010029485 Protein Isoforms Proteins 0.000 description 2
- 102000004887 Transforming Growth Factor beta Human genes 0.000 description 2
- 108090001012 Transforming Growth Factor beta Proteins 0.000 description 2
- 108010073929 Vascular Endothelial Growth Factor A Proteins 0.000 description 2
- 102000005789 Vascular Endothelial Growth Factors Human genes 0.000 description 2
- 108010019530 Vascular Endothelial Growth Factors Proteins 0.000 description 2
- 210000002469 basement membrane Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002327 eosinophilic effect Effects 0.000 description 2
- 229940116977 epidermal growth factor Drugs 0.000 description 2
- 210000004907 gland Anatomy 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 210000004086 maxillary sinus Anatomy 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 210000004877 mucosa Anatomy 0.000 description 2
- ZRKFYGHZFMAOKI-QMGMOQQFSA-N tgfbeta Chemical compound C([C@H](NC(=O)[C@H](C(C)C)NC(=O)CNC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CC(C)C)NC(=O)CNC(=O)[C@H](C)NC(=O)[C@H](CO)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](C)NC(=O)[C@H](C)NC(=O)[C@@H](NC(=O)[C@H](CC(C)C)NC(=O)[C@@H](N)CCSC)C(C)C)[C@@H](C)CC)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](C)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](C)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C)C(=O)N[C@@H](CC(C)C)C(=O)N1[C@@H](CCC1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CO)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(C)C)C(O)=O)C1=CC=C(O)C=C1 ZRKFYGHZFMAOKI-QMGMOQQFSA-N 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- VBEQCZHXXJYVRD-GACYYNSASA-N uroanthelone Chemical compound C([C@@H](C(=O)N[C@H](C(=O)N[C@@H](CS)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CS)C(=O)N[C@H](C(=O)N[C@@H]([C@@H](C)CC)C(=O)NCC(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(=O)N[C@@H](CO)C(=O)NCC(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CS)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCCNC(N)=N)C(O)=O)C(C)C)[C@@H](C)O)NC(=O)[C@H](CO)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CO)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@@H](NC(=O)[C@H](CC=1NC=NC=1)NC(=O)[C@H](CCSC)NC(=O)[C@H](CS)NC(=O)[C@@H](NC(=O)CNC(=O)CNC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CS)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)CNC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CO)NC(=O)[C@H](CO)NC(=O)[C@H]1N(CCC1)C(=O)[C@H](CS)NC(=O)CNC(=O)[C@H]1N(CCC1)C(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CO)NC(=O)[C@@H](N)CC(N)=O)C(C)C)[C@@H](C)CC)C1=CC=C(O)C=C1 VBEQCZHXXJYVRD-GACYYNSASA-N 0.000 description 2
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 description 1
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 description 1
- 102000015081 Blood Coagulation Factors Human genes 0.000 description 1
- 108010039209 Blood Coagulation Factors Proteins 0.000 description 1
- 206010009137 Chronic sinusitis Diseases 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 108090000695 Cytokines Proteins 0.000 description 1
- 102000004127 Cytokines Human genes 0.000 description 1
- 238000002965 ELISA Methods 0.000 description 1
- 206010016059 Facial pain Diseases 0.000 description 1
- 108090000174 Interleukin-10 Proteins 0.000 description 1
- 108090000176 Interleukin-13 Proteins 0.000 description 1
- 108050003558 Interleukin-17 Proteins 0.000 description 1
- 108090000978 Interleukin-4 Proteins 0.000 description 1
- 108010002616 Interleukin-5 Proteins 0.000 description 1
- 108090001005 Interleukin-6 Proteins 0.000 description 1
- 108090001007 Interleukin-8 Proteins 0.000 description 1
- 208000003456 Juvenile Arthritis Diseases 0.000 description 1
- 206010059176 Juvenile idiopathic arthritis Diseases 0.000 description 1
- 206010028735 Nasal congestion Diseases 0.000 description 1
- 206010028748 Nasal obstruction Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010039101 Rhinorrhoea Diseases 0.000 description 1
- 102000003978 Tissue Plasminogen Activator Human genes 0.000 description 1
- 108090000373 Tissue Plasminogen Activator Proteins 0.000 description 1
- 206010070488 Upper-airway cough syndrome Diseases 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 208000015802 attention deficit-hyperactivity disease Diseases 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 239000003114 blood coagulation factor Substances 0.000 description 1
- 229940019700 blood coagulation factors Drugs 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 208000019069 chronic childhood arthritis Diseases 0.000 description 1
- 208000037976 chronic inflammation Diseases 0.000 description 1
- 230000006020 chronic inflammation Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000002538 fungal effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 201000002215 juvenile rheumatoid arthritis Diseases 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000004005 microsphere Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 208000010753 nasal discharge Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000012188 paraffin wax Substances 0.000 description 1
- 210000003695 paranasal sinus Anatomy 0.000 description 1
- 230000007119 pathological manifestation Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000007838 tissue remodeling Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供了一种鼻窦炎的分析方法和相关设备,应用于数据处理技术领域。本申请获取训练样本集和儿童鼻息病理切片图像,对训练样本集进行预处理,生成标注后的训练样本,将标注后的训练样本对初始检测模型进行训练,生成目标检测模型,基于目标检测模型对儿童鼻息病理切片图像进行处理,生成炎症细胞占比值。获取病理特征占比值,基于预设训练分类器对病理特征占比值和炎症细胞占比值进行处理,生成儿童鼻息肉炎症类别,将儿童鼻息病理切片图像加入训练样本集,以供目标检测模型进行更新。对儿童鼻息病理切片图像进行学习,准确识别切片图像中的炎性细胞并对其计数,同时识别切片图像中的病理特征,实现对多种细胞和病理特点的识别。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种鼻窦炎的分析方法和相关设备。
背景技术
慢性鼻-鼻窦炎(Chronic Rhinosinusitis,CRS)是发生在鼻黏膜的慢性炎症,是影响患者生活质量的最常见的疾病之一。研究表明,CRS 对儿童生活质量的影响甚至比哮喘、注意缺陷多动障碍、青少年类风湿关节炎和癫痫等疾病的影响更大,因而越来越受家长和社会的重视。CRS 病因复杂,是遗传学和环境等多因素相互作用的结果。根据表型分组,CRS 可分为慢性鼻窦炎伴或不伴鼻息肉(Chronic Rhinosinusitis with or withoutNasal Polyps, CRSwNP or CRSsNP)。根据其组织学特点,CRS 又分为嗜酸粒细胞性鼻窦炎(eosinphilic Chronic Rhinosinusitis, eCRS ) 和 非 嗜 酸 粒 细 胞 性 鼻 窦 炎(non-eosinphilic Chronic Rhinosinusitis, non-eCRS)。
然而近年来,儿童 CRSwNP 逐渐呈现低龄化趋势。儿童鼻息肉可表现为累及单侧上颌窦的息肉(ACP),但是,仍有部分患儿呈现为累及双侧的弥漫型 CRSwNP,其息肉的形态学特点与成人无异。这部分患儿在手术治疗后,仍要面临长时间的药物治疗。然而,部分儿童仍可在术后短期内复发而再次手术。因此,根据儿童 CRS 鼻黏膜和鼻息肉组织的炎性细胞浸润情况,判断其内在型及免疫机制,并针对中国 CRS 儿童这一特殊群体制定适合的诊疗策略至关重要。
不仅如此,由于样本阅片工作需病理科医师进行,因病理医师的资质以及经验而出现的诊断误差将无法避免。此外,在临床工作中,病理医师仅常规选取样本部分切片中的数个高倍视野进行阅片,可能出现因选择的视野不同而导致的标本炎症细胞数量不能反映样本整体的炎症特征。也就是说,对于样本取材的局限性以及病理阅片巨大的工作量,对于明确 CRS 炎症分型是一个巨大的挑战。因此,如何快速、准确的根据适合儿童 CRS 的病理特征去判断其疾病的内在型并了解其免疫机制,已经成为发展儿童 CRS 精准医疗策略的关键问题,亟待解决!
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请的目的在于提供一种鼻窦炎的分析方法和相关设备,至少在一定程度上克服现有技术存在的问题,通过对儿童鼻息病理切片图像进行深度学习,快速且准确识别儿童鼻息病理切片图像中的炎性细胞并对其计数,同时识别切片图像中的病理特征,实现对多种细胞和病理特点的识别,从而准确地诊断儿童鼻息肉炎症的类别。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本申请的一个方面,提供一种鼻窦炎的分析方法,包括:获取训练样本集和儿童鼻息病理切片图像;对所述训练样本集进行预处理,生成标注后的训练样本;将所述标注后的训练样本对初始检测模型进行训练,生成目标检测模型;基于所述目标检测模型对所述儿童鼻息病理切片图像进行处理,生成炎症细胞占比值;获取病理特征占比值,其中,所述病理特征占比值为医生预先针对各炎症细胞占比值所设置的;基于预设训练分类器对所述病理特征占比值和所述炎症细胞占比值进行处理,生成儿童鼻息肉炎症类别;将所述儿童鼻息病理切片图像加入所述训练样本集,以供所述目标检测模型进行更新。
在本申请的一个实施例中,所述对所述训练样本进行预处理,生成标注后的训练样本,包括:对所述训练样本进行数据增强处理,生成增强后的训练样本;基于预设划分规则对所述增强后的训练样本进行处理,生成病灶区域。
在本申请的一个实施例中,所述对所述训练样本进行预处理,生成标注后的训练样本,还包括:对所述训练样本进行归一化预处理,生成目标亮度的训练样本;获取预设分类规则,其中,所述预设分类规则包括若干不同病灶类型的分割数据;基于所述预设分类规则对所述目标亮度的训练样本进行处理,生成分类后的训练样本。
在本申请的一个实施例中,所述基于所述目标检测模型对所述儿童鼻息病理切片图像进行处理,生成炎症细胞占比值,包括:基于所述目标检测模型对所述儿童鼻息病理切片进行处理,生成若干儿童鼻息肉病理切片图像;对所述若干儿童鼻息病理切片图像进行分类处理,生成不同类别的目标切片图像;基于预设分类阈值对所述目标切片图像进行处理,生成处于异常状态的炎症细胞;基于预设规则对所述处于异常状态的炎症细胞进行处理,生成炎症细胞占比值。
在本申请的一个实施例中,所述获取病理特征占比值,包括:获取患者的生活环境数据;基于所述生活环境数据和所述患者的历史生理状态因素对所述患者的生理状态因素设置预设权重值;获取所述生理状态因素的实时参数浮动概率;若所述浮动概率大于预设浮动阈值,则基于所述历史生理状态因素判断所述浮动概率对应的生理状态因素是否一致;若是,则提高所述生理状态因素的风险值;若否,则在预设时间内获取所述生理状态因素浮动概率大于预设浮动阈值的次数,若所述次数大于预设次数,则提高所述生理状态因素的风险值;基于所述风险值调整所述病理特征的占比值。
在本申请的一个实施例中,所述基于预设训练分类器对所述病理特征占比值和所述炎症细胞占比值进行处理,生成儿童鼻息肉炎症类别,包括:基于预设训练分类器对所述病理特征占比值和所述炎症细胞占比值进行处理,生成鼻息肉特征数据和病例信息的风险属性;基于所述风险属性获取所述鼻息肉特征数据和所述病例信息的影响程度;基于风险分类规则对所述鼻息肉特征数据和所述病例信息的影响程度进行处理,生成风险异常指标;基于所述风险异常指标生成儿童鼻息肉炎症类别。
在本申请的一个实施例中,所述基于风险分类规则对所述鼻息肉特征数据和所述病例信息的影响程度进行处理,生成风险异常指标,包括:获取所述鼻息肉特征数据和所述病例信息对应的风险分布数据;基于历史风控数据获取所述鼻息肉特征数据和所述病例信息对应的正常风险范围;基于所述鼻息肉特征数据和所述病例信息对应的正常风险范围对所述鼻息肉特征数据和所述病例信息进行处理,生成风险异常指标。
本申请的另一个方面,一种鼻窦炎的分析装置,其特征在于,包括:获取模块,用于获取训练样本集和儿童鼻息病理切片图像;获取病理特征占比值,其中,所述病理特征占比值为医生预先针对各炎症细胞占比值所设置的;处理模块,用于对所述训练样本集进行预处理,生成标注后的训练样本;将所述标注后的训练样本对初始检测模型进行训练,生成目标检测模型;基于所述目标检测模型对所述儿童鼻息病理切片图像进行处理,生成炎症细胞占比值;基于预设训练分类器对所述病理特征占比值和所述炎症细胞占比值进行处理,生成儿童鼻息肉炎症类别;将所述儿童鼻息病理切片图像加入所述训练样本集,以供所述目标检测模型进行更新。
根据本申请的再一个方面,一种电子设备,其特征在于,包括:第一处理器;以及存储器,用于存储所述第一处理器的可执行指令;其中,所述第一处理器配置为经由执行所述可执行指令来执行实现上述的鼻窦炎的分析方法。
根据本申请的又一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被第二处理器执行时实现上述的鼻窦炎的分析方法。
根据本申请的又一个方面,提供一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被第三处理器执行时实现上述的鼻窦炎的分析方法。
本申请所提供的一种鼻窦炎的分析方法,由服务器获取训练样本集和儿童鼻息病理切片图像;对所述训练样本集进行预处理,生成标注后的训练样本;将所述标注后的训练样本对初始检测模型进行训练,生成目标检测模型;基于所述目标检测模型对所述儿童鼻息病理切片图像进行处理,生成炎症细胞占比值;获取病理特征占比值,其中,所述病理特征占比值为医生预先针对各炎症细胞占比值所设置的;基于预设训练分类器对所述病理特征占比值和所述炎症细胞占比值进行处理,生成儿童鼻息肉炎症类别;将所述儿童鼻息病理切片图像加入所述训练样本集,以供所述目标检测模型进行更新。通过对儿童鼻息病理切片图像进行深度学习,快速且准确识别儿童鼻息病理切片图像中的炎性细胞并对其计数,同时识别切片图像中的病理特征,实现对多种细胞和病理特点的识别,从而准确地诊断儿童鼻息肉炎症的类别。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
图1示出本申请一实施例所提供的一种鼻窦炎的分析方法的流程图;
图2示出了本申请一实施例所提供的一种鼻窦炎的分析装置的结构示意图;
图3示出了本申请一实施例所提供的一种电子设备的结构示意图;
图4示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
下面结合图1来描述根据本申请示例性实施方式的鼻窦炎的分析方法。需要注意的是,下述应用场景仅是为了便于理解本申请的精神和原理而示出,本申请的实施方式在此方面不受任何限制。相反,本申请的实施方式可以应用于适用的任何场景。
一种实施方式中,本申请还提出一种鼻窦炎的分析方法。图1示意性地示出了根据本申请实施方式的一种鼻窦炎的分析方法的流程示意图。如图1所示,该方法应用于服务器,包括:
S101,获取训练样本集和儿童鼻息病理切片图像。
一种实施方式中,训练样本集至少包括(慢性鼻-鼻窦炎ChronicRhinosinusitis)CRS组和对照组,其中,CRS组的纳入标准为症状(包括 2 个或以上):鼻堵/鼻塞/鼻充血,前/后鼻滴漏(必须有一项);面部疼痛/压迫感;咳嗽。体征:中鼻道病理表现(粘稠分泌物、脓涕、水肿、息肉等);鼻内镜下发现鼻息肉和/或 CT 改变;病程:≥12 周,症状无改善或消失。对照组的纳入标准为患有鼻腔鼻窦良性肿瘤的患儿,且无 CRS 临床表现和 CT 改变。
排除标准:患有先天性畸形、恶性肿瘤、真菌性鼻窦炎患儿。
S102,对所述训练样本集进行预处理,生成标注后的训练样本。
一种实施方式中,对训练样本进行数据增强处理,生成增强后的训练样本,基于预设划分规则对增强后的训练样本进行处理,生成病灶区域。数据增强是深度学习训练的一个必不可少的环节,本发明采用了Cutout的数据增强的方式,它在儿童鼻息病理切片图像的分辨率上进行独立重复的均匀分布的采样,再以同等概率选择不同的尺度,最后进行裁剪或者随机变换。从训练样本集中随机选取20例患儿的黏膜或息肉标本,将常规病理检查后的石蜡切片,由病理科医师进行扫描并阅片,标记切片所有视野中的嗜中性粒细胞、嗜酸性粒细胞、淋巴细胞并进行计数,同时标记腺体组织、血管组织、上皮厚度、基质层厚度以及水肿、纤维化的面积。
另一种实施方式中,对儿童鼻息病理切片图像进行降噪处理。此外,对数据集中的每张儿童鼻息病理切片图像分别进行填充和标准化操作,并对训练集进行数据增广。
另一种实施方式中,对训练样本进行归一化预处理,生成目标亮度的训练样本,获取预设分类规则,其中,预设分类规则包括若干不同病灶类型的分割数据,基于预设分类规则对目标亮度的训练样本进行处理,生成分类后的训练样本。
S103,将所述标注后的训练样本对初始检测模型进行训练,生成目标检测模型。
一种实施方式中,将标注后的训练样本输入至初始检测模型中,该初始检测模型对标记的鼻息病理切片图像进行深度学习,识别切片图像中的嗜中性粒细胞、嗜酸性粒细胞、淋巴细胞、浆细胞等炎症性细胞以及腺体组织、血管组织、上皮厚度、基质层厚度以及水肿、纤维化的病理特征。在完成初始检测模型对儿童鼻黏膜病理特征的深度学习后,选取1000 例儿童 CRS 鼻黏膜或息肉病理切片进行全片扫描,并进行切片图像识别和炎性细胞分类计数和病理特征总结分析,并生成基于儿童 CRS 鼻黏膜病理特征的数据库,生成目标检测模型,并对其不断完善。
S104,基于所述目标检测模型对所述儿童鼻息病理切片图像进行处理,生成炎症细胞占比值。
一种实施方式中,基于目标检测模型对儿童鼻息病理切片进行处理,生成若干儿童鼻息病理切片图像,对若干儿童鼻息病理切片图像进行分类处理,生成不同类别的目标切片图像,其中,目标切片图像包括但不限于鼻黏膜、鼻息肉等。基于预设分类阈值对目标切片图像进行处理,生成处于异常状态的炎症细胞,其中,预设分类阈值包括各类目标图像的尺寸平均值,基于预设规则对处于异常状态的炎症细胞进行处理,生成炎症细胞占比值。利用目标检测模型统计目标儿童鼻粘膜的嗜酸性粒细胞、嗜中性粒细胞、淋巴细胞、浆细胞等炎症性细胞的数量,并计算各类细胞的比例,根据目标儿童鼻黏膜中嗜酸性粒细胞的比例,计算儿童非CRS鼻黏膜中嗜酸性粒细胞占比的范围=嗜酸性粒细胞比例的平均值±2×标准差,如CRS患儿组织中嗜酸性粒细胞比例≥对照组鼻粘膜嗜酸性粒细胞比例的平均值+2×标准差为儿童 eCRS,其余为儿童non-eCRS。
S105,获取病理特征占比值。
一种实施方式中,病理特征占比值为医生预先针对各炎症细胞占比值所设置的,其中,病理特征包括纤维化、腺体、水肿、血管、基底膜。此外,服务器还将根据患者的身体状态预先设置各生理特征的占比,具体包括获取患者的生活环境数据,基于生活环境数据和患者的历史生理状态因素对患者的生理状态因素设置预设权重值,获取生理状态因素的实时参数浮动概率,若浮动概率大于预设浮动阈值,则基于历史生理状态因素判断浮动概率对应的生理状态因素是否一致,若是,则提高生理状态因素的风险值,若否,则在预设时间内获取生理状态因素浮动概率大于预设浮动阈值的次数,若次数大于预设次数,则提高生理状态因素的风险值,基于风险值调整病理特征的占比值。根据实际情况来调整患者的纤维化占比、腺体占比、水肿、血管占比和基底膜占比。
S106,基于预设训练分类器对所述病理特征占比值和所述炎症细胞占比值进行处理,生成儿童鼻息肉炎症类别。
一种实施方式中,利用预设训练分类器,按照上述诊断标准(组织中嗜酸性粒细胞比例≥对照组鼻粘膜嗜酸性粒细胞比例的平均值+2×标准差为儿童 eCRS),选取年龄、性别相匹配的患者共 50 例:嗜酸性粒细胞浸润为主黏膜和息肉各25例,非嗜酸性粒细胞浸润为主黏膜和息肉25例。利用预设训练分类器对100例鼻黏膜组织的病理特征进行统计(腺体组织、血管组织、上皮厚度、基质层厚度以及水肿、纤维化面积,masson 染色统计纤维化面积)。使用回归分析,儿童CRS内在分型和各病理特征之间的相关性。具体包括使用细胞因子微球检测技术(Cytometric Bead Array,CBA)测定 CRS 内在分型相关蛋白含量(如嗜酸性相关炎症因子 IL-4、IL-5、IL-13;非嗜酸性相关炎症因子 IL-6、IL-8、IL-10、IL-17等),验证儿童 eCRS 和 non-eCRS 的分类标准是否可靠。或者使用 ELISA 测定转化生长因子 β(TGF-β)、凝血因子 (XIIIA)、组织型纤溶酶原激活物 (tPA)、血管内皮生长因子(VEGF)、表皮生长因子(EGFR)、MMP 家族蛋白等与组织重塑相关蛋白含量,验证儿童 CRS内在分型特点与病理特征之间的相关性。
另一种实施方式中,基于预设训练分类器对病理特征占比值和炎症细胞占比值进行处理,生成鼻息肉特征数据和病例信息的风险属性,基于风险属性获取鼻息肉特征数据和病例信息的影响程度,基于风险分类规则对鼻息肉特征数据和病例信息的影响程度进行处理,生成风险异常指标,基于风险异常指标生成儿童鼻息肉炎症类别。其中,风险分类规则是通过对海量基础病例学习,筛选出待评估儿童患者对术前的风险评估与预测预警相关的基础参数和病例报告表的要素,根据筛选出的信息进行信息采集。
S107,将所述儿童鼻息病理切片图像加入所述训练样本集,以供所述目标检测模型进行更新。
一种实施方式中,将真实的儿童鼻息病理的切片图像加入训练样本集,从而不断更新训练样本集,使得目标检测模型可以持续的进行更新,提高了目标检测模型的识别准确性,实现目标检测模型对多种细胞和病理特点的识别,进一步研究儿童 CRS 组织内在分型,探索儿童鼻 CRS 的病理特征,从而快捷、精准地诊断儿童 CRS 内型,最终达到“量体裁衣”式的治疗效果。
本申请中由服务器获取训练样本集和儿童鼻息病理切片图像,对训练样本集进行预处理,生成标注后的训练样本,将标注后的训练样本对初始检测模型进行训练,生成目标检测模型,基于目标检测模型对儿童鼻息病理切片图像进行处理,生成炎症细胞占比值。获取病理特征占比值,其中,病理特征占比值为医生预先针对各炎症细胞占比值所设置的,基于预设训练分类器对病理特征占比值和炎症细胞占比值进行处理,生成儿童鼻息肉炎症类别,将儿童鼻息病理切片图像加入训练样本集,以供目标检测模型进行更新。通过对儿童鼻黏膜及息肉组织病理切片进行深度学习,快速且准确识别儿童 CRS 组织样本病理切片中的中性粒细胞、嗜酸性粒细胞、淋巴细胞、浆细胞等炎性细胞并对其计数,同时识别切片中腺体组织、血管、基底及上皮厚度、水肿和纤维化成分,实现对多种细胞和病理特点的识别,进一步研究儿童 CRS 组织内在分型,探索儿童鼻 CRS 的病理特征,从而快捷、精准地诊断儿童 CRS 内型,最终达到“量体裁衣”式的治疗效果。
可选地,在基于本申请上述方法的另一个实施例中,所述基于风险分类规则对所述鼻息肉特征数据和所述病例信息的影响程度进行处理,生成风险异常指标,包括:
获取所述鼻息肉特征数据和所述病例信息对应的风险分布数据;
基于历史风控数据获取所述鼻息肉特征数据和所述病例信息对应的正常风险范围;
基于所述鼻息肉特征数据和所述病例信息对应的正常风险范围对所述鼻息肉特征数据和所述病例信息进行处理,生成风险异常指标。
一种实施方式中,基于历史风控经验确定各鼻息肉特征数据对应的正常风险范围,若风险值超出正常风险范围的鼻息肉特征数据则列为异常风险因素,通过对异常风险因素进行量化以及对历史经验的优化,从而保证风险识别准确性。根据儿童CRS鼻黏膜和鼻息肉组织的炎性细胞浸润情况,判断其内在型及免疫机制,并针对中国 CRS 儿童这一特殊群体制定适合的诊疗策略。
可选地,在基于本申请上述方法的另一个实施例中,所述基于所述目标检测模型对所述儿童鼻息病理切片图像进行处理,生成炎症细胞占比值,包括:
基于所述目标检测模型中的特征提取网络对所述儿童鼻息病理切片图像进行特征提取处理,生成所述儿童鼻息病理切片图像对应的图像特征,其中,所述图像特征包括领域特征和内容特征;
对所述儿童鼻息病理切片图像对应的图像特征进行比对学习,得到比对学习结果;
基于所述比对学习结果生成处于异常状态的炎症细胞;
基于预设规则对所述处于异常状态的炎症细胞进行处理,生成炎症细胞占比值。
一种实施方式中,比对学习是将训练样本和当前实际儿童病患的儿童鼻息病理切片图像在特征空间对比,从而获取相应的学习特征。在本说明书实施例中,通过将不同年龄段的训练样本与当前实际儿童病患的儿童鼻息病理切片图像进行比对学习,从而强化目标检测模型对儿童鼻息病理切片图像的学习强化,提升目标检测模型的跨域泛化性。相同的临床表型可能具有不同的 CRS 内在型,而了解不同的内型的免疫机制,可为制定精准医疗策略提供更多依据。儿童鼻息肉发病率较低, 多数患儿在学龄期发病。然而近年来,儿童CRSwNP 逐渐呈现低龄化趋势。根据相关资料数据显示:自2020年以来,因CRSwNP行鼻窦开放手术治疗的 92 例患儿中,低于6岁龄患者约占 8.7%。儿童鼻息肉可表现为累及单侧上颌窦的息肉(ACP),但是,仍有部分患儿呈现为累及双侧的弥漫型 CRSwNP,其息肉的形态学特点与成人无异。这部分患儿在手术治疗后,仍要面临长时间的药物治疗。然而,部分儿童仍可在术后短期内复发而再次手术。因此,根据儿童 CRS 鼻黏膜和鼻息肉组织的炎性细胞浸润情况,判断其内在型及免疫机制,并针对中国 CRS 儿童这一特殊群体制定适合的诊疗策略至关重要。
通过应用以上技术方案,服务器获取训练样本集和儿童鼻息病理切片图像,对训练样本集进行预处理,生成标注后的训练样本,对训练样本进行数据增强处理,生成增强后的训练样本,基于预设划分规则对增强后的训练样本进行处理,生成病灶区域,对训练样本进行归一化预处理,生成目标亮度的训练样本。获取预设分类规则,其中,预设分类规则包括若干不同病灶类型的分割数据,基于预设分类规则对目标亮度的训练样本进行处理,生成分类后的训练样本,将标注后的训练样本对初始检测模型进行训练,生成目标检测模型,基于目标检测模型对儿童鼻息病理切片进行处理,生成若干儿童鼻息病理切片图像,对若干儿童鼻息病理切片图像进行分类处理,生成不同类别的目标切片图像,基于预设分类阈值对目标切片图像进行处理,生成处于异常状态的炎症细胞。
此外,服务器还将基于预设规则对处于异常状态的炎症细胞进行处理,生成炎症细胞占比值,基于目标检测模型中的特征提取网络对儿童鼻息病理切片图像进行特征提取处理,生成儿童鼻息病理切片图像对应的图像特征,其中,图像特征包括领域特征和内容特征。对儿童鼻息病理切片图像对应的图像特征进行比对学习,得到比对学习结果,基于比对学习结果生成处于异常状态的炎症细胞,基于预设规则对处于异常状态的炎症细胞进行处理,生成炎症细胞占比值,获取患者的生活环境数据,基于生活环境数据和患者的历史生理状态因素对患者的生理状态因素设置预设权重值,获取生理状态因素的实时参数浮动概率,若浮动概率大于预设浮动阈值,则基于历史生理状态因素判断浮动概率对应的生理状态因素是否一致,若是,则提高生理状态因素的风险值,若否,则在预设时间内获取生理状态因素浮动概率大于预设浮动阈值的次数,若次数大于预设次数,则提高生理状态因素的风险值,基于风险值调整病理特征的占比值,基于预设训练分类器对病理特征占比值和炎症细胞占比值进行处理,生成鼻息肉特征数据和病例信息的风险属性,基于风险属性获取鼻息肉特征数据和病例信息的影响程度。
此外,服务器还将获取鼻息肉特征数据和病例信息对应的风险分布数据,基于历史风控数据获取鼻息肉特征数据和病例信息对应的正常风险范围,基于鼻息肉特征数据和病例信息对应的正常风险范围对鼻息肉特征数据和病例信息进行处理,生成风险异常指标,基于风险异常指标生成儿童鼻息肉炎症类别,将儿童鼻息病理切片图像加入训练样本集,以供目标检测模型进行更新。通过对儿童鼻黏膜及息肉组织病理切片进行深度学习,快速且准确识别儿童 CRS 组织样本病理切片中的中性粒细胞、嗜酸性粒细胞、淋巴细胞、浆细胞等炎性细胞并对其计数,同时识别切片中腺体组织、血管、基底及上皮厚度、水肿和纤维化成分,实现对多种细胞和病理特点的识别,进一步研究儿童 CRS 组织内在分型,探索儿童鼻 CRS 的病理特征,从而快捷、精准地诊断儿童 CRS 内型,最终达到“量体裁衣”式的治疗效果。
一种实施方式中,如图2所示,本申请还提供一种鼻窦炎的分析装置,包括:
获取模块201,用于获取训练样本集和儿童鼻息病理切片图像;获取病理特征占比值,其中,所述病理特征占比值为医生预先针对各炎症细胞占比值所设置的;
处理模块202,用于对所述训练样本集进行预处理,生成标注后的训练样本;将所述标注后的训练样本对初始检测模型进行训练,生成目标检测模型;基于所述目标检测模型对所述儿童鼻息病理切片图像进行处理,生成炎症细胞占比值;基于预设训练分类器对所述病理特征占比值和所述炎症细胞占比值进行处理,生成儿童鼻息肉炎症类别;将所述儿童鼻息病理切片图像加入所述训练样本集,以供所述目标检测模型进行更新。
本申请中由服务器获取训练样本集和儿童鼻息病理切片图像,对训练样本集进行预处理,生成标注后的训练样本,将标注后的训练样本对初始检测模型进行训练,生成目标检测模型,基于目标检测模型对儿童鼻息病理切片图像进行处理,生成炎症细胞占比值。获取病理特征占比值,其中,病理特征占比值为医生预先针对各炎症细胞占比值所设置的,基于预设训练分类器对病理特征占比值和炎症细胞占比值进行处理,生成儿童鼻息肉炎症类别,将儿童鼻息病理切片图像加入训练样本集,以供目标检测模型进行更新。通过对儿童鼻黏膜及息肉组织病理切片进行深度学习,快速且准确识别儿童 CRS 组织样本病理切片中的中性粒细胞、嗜酸性粒细胞、淋巴细胞、浆细胞等炎性细胞并对其计数,同时识别切片中腺体组织、血管、基底及上皮厚度、水肿和纤维化成分,实现对多种细胞和病理特点的识别,进一步研究儿童 CRS 组织内在分型,探索儿童鼻 CRS 的病理特征,从而快捷、精准地诊断儿童 CRS 内型,最终达到“量体裁衣”式的治疗效果。
在本申请的另外一种实施方式中,所述处理模块202,被配置为所述对所述训练样本进行预处理,生成标注后的训练样本,包括:对所述训练样本进行数据增强处理,生成增强后的训练样本;基于预设划分规则对所述增强后的训练样本进行处理,生成病灶区域。
在本申请的另外一种实施方式中,所述处理模块202,被配置为所述对所述训练样本进行预处理,生成标注后的训练样本,还包括:对所述训练样本进行归一化预处理,生成目标亮度的训练样本;获取预设分类规则,其中,所述预设分类规则包括若干不同病灶类型的分割数据;基于所述预设分类规则对所述目标亮度的训练样本进行处理,生成分类后的训练样本。
在本申请的另外一种实施方式中,所述处理模块202,被配置为所述基于所述目标检测模型对所述儿童鼻息病理切片图像进行处理,生成炎症细胞占比值,包括:基于所述目标检测模型对所述儿童鼻息病理切片进行处理,生成若干儿童鼻息病理切片图像;对所述若干儿童鼻息病理切片图像进行分类处理,生成不同类别的目标切片图像;基于预设分类阈值对所述目标切片图像进行处理,生成处于异常状态的炎症细胞;基于预设规则对所述处于异常状态的炎症细胞进行处理,生成炎症细胞占比值。
在本申请的另外一种实施方式中,所述处理模块202,被配置为所述获取病理特征占比值,包括:获取患者的生活环境数据;基于所述生活环境数据和所述患者的历史生理状态因素对所述患者的生理状态因素设置预设权重值;获取所述生理状态因素的实时参数浮动概率;若所述浮动概率大于预设浮动阈值,则基于所述历史生理状态因素判断所述浮动概率对应的生理状态因素是否一致;若是,则提高所述生理状态因素的风险值;若否,则在预设时间内获取所述生理状态因素浮动概率大于预设浮动阈值的次数,若所述次数大于预设次数,则提高所述生理状态因素的风险值;基于所述风险值调整所述病理特征的占比值。
在本申请的另外一种实施方式中,所述处理模块202,被配置为所述基于预设训练分类器对所述病理特征占比值和所述炎症细胞占比值进行处理,生成儿童鼻息肉炎症类别,包括:基于预设训练分类器对所述病理特征占比值和所述炎症细胞占比值进行处理,生成鼻息肉特征数据和病例信息的风险属性;基于所述风险属性获取所述鼻息肉特征数据和所述病例信息的影响程度;基于风险分类规则对所述鼻息肉特征数据和所述病例信息的影响程度进行处理,生成风险异常指标;基于所述风险异常指标生成儿童鼻息肉炎症类别。
在本申请的另外一种实施方式中,所述处理模块202,被配置为所述基于风险分类规则对所述鼻息肉特征数据和所述病例信息的影响程度进行处理,生成风险异常指标,包括:获取所述鼻息肉特征数据和所述病例信息对应的风险分布数据;基于历史风控数据获取所述鼻息肉特征数据和所述病例信息对应的正常风险范围;基于所述鼻息肉特征数据和所述病例信息对应的正常风险范围对所述鼻息肉特征数据和所述病例信息进行处理,生成风险异常指标。
通过应用以上技术方案,服务器获取训练样本集和儿童鼻息病理切片图像,对训练样本集进行预处理,生成标注后的训练样本,对训练样本进行数据增强处理,生成增强后的训练样本,基于预设划分规则对增强后的训练样本进行处理,生成病灶区域,对训练样本进行归一化预处理,生成目标亮度的训练样本。获取预设分类规则,其中,预设分类规则包括若干不同病灶类型的分割数据,基于预设分类规则对目标亮度的训练样本进行处理,生成分类后的训练样本,将标注后的训练样本对初始检测模型进行训练,生成目标检测模型,基于目标检测模型对儿童鼻息病理切片进行处理,生成若干儿童鼻息病理切片图像,对若干儿童鼻息病理切片图像进行分类处理,生成不同类别的目标切片图像,基于预设分类阈值对目标切片图像进行处理,生成处于异常状态的炎症细胞。
此外,服务器还将基于预设规则对处于异常状态的炎症细胞进行处理,生成炎症细胞占比值,基于目标检测模型中的特征提取网络对儿童鼻息病理切片图像进行特征提取处理,生成儿童鼻息病理切片图像对应的图像特征,其中,图像特征包括领域特征和内容特征。对儿童鼻息病理切片图像对应的图像特征进行比对学习,得到比对学习结果,基于比对学习结果生成处于异常状态的炎症细胞,基于预设规则对处于异常状态的炎症细胞进行处理,生成炎症细胞占比值,获取患者的生活环境数据,基于生活环境数据和患者的历史生理状态因素对患者的生理状态因素设置预设权重值,获取生理状态因素的实时参数浮动概率,若浮动概率大于预设浮动阈值,则基于历史生理状态因素判断浮动概率对应的生理状态因素是否一致,若是,则提高生理状态因素的风险值,若否,则在预设时间内获取生理状态因素浮动概率大于预设浮动阈值的次数,若次数大于预设次数,则提高生理状态因素的风险值,基于风险值调整病理特征的占比值,基于预设训练分类器对病理特征占比值和炎症细胞占比值进行处理,生成鼻息肉特征数据和病例信息的风险属性,基于风险属性获取鼻息肉特征数据和病例信息的影响程度。
此外,服务器还将获取鼻息肉特征数据和病例信息对应的风险分布数据,基于历史风控数据获取鼻息肉特征数据和病例信息对应的正常风险范围,基于鼻息肉特征数据和病例信息对应的正常风险范围对鼻息肉特征数据和病例信息进行处理,生成风险异常指标,基于风险异常指标生成儿童鼻息肉炎症类别,将儿童鼻息病理切片图像加入训练样本集,以供目标检测模型进行更新。通过对儿童鼻黏膜及息肉组织病理切片进行深度学习,快速且准确识别儿童 CRS 组织样本病理切片中的中性粒细胞、嗜酸性粒细胞、淋巴细胞、浆细胞等炎性细胞并对其计数,同时识别切片中腺体组织、血管、基底及上皮厚度、水肿和纤维化成分,实现对多种细胞和病理特点的识别,进一步研究儿童 CRS 组织内在分型,探索儿童鼻 CRS 的病理特征,从而快捷、精准地诊断儿童 CRS 内型,最终达到“量体裁衣”式的治疗效果。
本申请实施例提供了一种电子设备,如图3所示,电子设备3包括第一处理器300,存储器301,总线302和通信接口303,所述第一处理器300、通信接口303和存储器301通过总线302连接;所述存储器301中存储有可在所述第一处理器300上运行的计算机程序,所述第一处理器300运行所述计算机程序时执行本申请前述任一实施方式所提供的所述鼻窦炎的分析方法。
其中,存储器301可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口303(可以是有线或者无线)实现该相关设备网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线302可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中,存储器301用于存储程序,所述第一处理器300在接收到执行指令后,执行所述程序,前述本申请实施例任一实施方式揭示的所述鼻窦炎的分析方法可以应用于第一处理器300中,或者由第一处理器300实现。
第一处理器300可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过第一处理器300中的硬件的集成逻辑电路或者软件形式的指令完成。上述的第一处理器300可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器301,第一处理器300读取存储器301中的信息,结合其硬件完成上述方法的步骤。
本申请的上述实施例提供的电子设备与本申请实施例提供的鼻窦炎的分析方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施例提供了一种计算机可读存储介质,如图4所示,所述计算机可读存储介质存储401有计算机程序,所述计算机程序被第二处理器402读取并运行时,实现如前述的鼻窦炎的分析方法。
本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是空调器,制冷装置,个人计算机,服务器,或者网络设备等)或processor(处理器)执行本申请实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的鼻窦炎的分析方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施例提供了一种计算机程序产品,包括计算机程序,所述计算机程序被第三处理器执行实现如前述所述的方法。
本申请的上述实施例提供的计算机程序产品与本申请实施例提供的鼻窦炎的分析方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是,在本申请中,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。
本申请中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于评估鼻窦炎的分析方法、电子装置、电子设备、以及可读存储介质实施例而言,由于其基本相似于上述所述的鼻窦炎的分析方法实施例,所以描述的比较简单,相关之处参见上述所述的鼻窦炎的分析方法实施例的部分说明即可。
虽然本申请披露如上,但本申请并非限定于此。任何本领域技术人员,在不脱离本申请的精神和范围内,均可作各种更动与修改,因此本申请的保护范围应当以权利要求所限定的范围为准。
Claims (10)
1.一种鼻窦炎的分析方法,其特征在于,包括:
获取训练样本集和儿童鼻息病理切片图像;
对所述训练样本集进行预处理,生成标注后的训练样本;
将所述标注后的训练样本对初始检测模型进行训练,生成目标检测模型;
基于所述目标检测模型对所述儿童鼻息病理切片图像进行处理,生成炎症细胞占比值;
获取病理特征占比值,其中,所述病理特征占比值为医生预先针对各炎症细胞占比值所设置的;
基于预设训练分类器对所述病理特征占比值和所述炎症细胞占比值进行处理,生成儿童鼻息肉炎症类别;
将所述儿童鼻息病理切片图像加入所述训练样本集,以供所述目标检测模型进行更新。
2.如权利要求1所述的方法,其特征在于,所述对所述训练样本进行预处理,生成标注后的训练样本,包括:
对所述训练样本进行数据增强处理,生成增强后的训练样本;
基于预设划分规则对所述增强后的训练样本进行处理,生成病灶区域。
3.如权利要求1或2所述的方法,其特征在于,所述对所述训练样本进行预处理,生成标注后的训练样本,还包括:
对所述训练样本进行归一化预处理,生成目标亮度的训练样本;
获取预设分类规则,其中,所述预设分类规则包括若干不同病灶类型的分割数据;
基于所述预设分类规则对所述目标亮度的训练样本进行处理,生成分类后的训练样本。
4.如权利要求1所述的方法,其特征在于,所述基于所述目标检测模型对所述儿童鼻息病理切片图像进行处理,生成炎症细胞占比值,包括:
基于所述目标检测模型对所述儿童鼻息病理切片进行处理,生成若干儿童鼻息病理切片图像;
对所述若干儿童鼻息病理切片图像进行分类处理,生成不同类别的目标切片图像;
基于预设分类阈值对所述目标切片图像进行处理,生成处于异常状态的炎症细胞;
基于预设规则对所述处于异常状态的炎症细胞进行处理,生成炎症细胞占比值。
5.如权利要求1所述的方法,其特征在于,所述获取病理特征占比值,包括:
获取患者的生活环境数据;
基于所述生活环境数据和所述患者的历史生理状态因素对所述患者的生理状态因素设置预设权重值;
获取所述生理状态因素的实时参数浮动概率;
若所述浮动概率大于预设浮动阈值,则基于所述历史生理状态因素判断所述浮动概率对应的生理状态因素是否一致;
若是,则提高所述生理状态因素的风险值;
若否,则在预设时间内获取所述生理状态因素浮动概率大于预设浮动阈值的次数,若所述次数大于预设次数,则提高所述生理状态因素的风险值;
基于所述风险值调整所述病理特征的占比值。
6.如权利要求1所述的方法,其特征在于,所述基于预设训练分类器对所述病理特征占比值和所述炎症细胞占比值进行处理,生成儿童鼻息肉炎症类别,包括:
基于预设训练分类器对所述病理特征占比值和所述炎症细胞占比值进行处理,生成鼻息肉特征数据和病例信息的风险属性;
基于所述风险属性获取所述鼻息肉特征数据和所述病例信息的影响程度;
基于风险分类规则对所述鼻息肉特征数据和所述病例信息的影响程度进行处理,生成风险异常指标;
基于所述风险异常指标生成儿童鼻息肉炎症类别。
7.根据权利要求6所述的方法,其特征在于,所述基于风险分类规则对所述鼻息肉特征数据和所述病例信息的影响程度进行处理,生成风险异常指标,包括:
获取所述鼻息肉特征数据和所述病例信息对应的风险分布数据;
基于历史风控数据获取所述鼻息肉特征数据和所述病例信息对应的正常风险范围;
基于所述鼻息肉特征数据和所述病例信息对应的正常风险范围对所述鼻息肉特征数据和所述病例信息进行处理,生成风险异常指标。
8.一种鼻窦炎的分析装置,其特征在于,所述装置包括:
获取模块,用于获取训练样本集和儿童鼻息病理切片图像;获取病理特征占比值,其中,所述病理特征占比值为医生预先针对各炎症细胞占比值所设置的;
处理模块,用于对所述训练样本集进行预处理,生成标注后的训练样本;将所述标注后的训练样本对初始检测模型进行训练,生成目标检测模型;基于所述目标检测模型对所述儿童鼻息病理切片图像进行处理,生成炎症细胞占比值;基于预设训练分类器对所述病理特征占比值和所述炎症细胞占比值进行处理,生成儿童鼻息肉炎症类别;将所述儿童鼻息病理切片图像加入所述训练样本集,以供所述目标检测模型进行更新。
9.一种电子设备,其特征在于,包括:
第一处理器;以及存储器,用于存储所述第一处理器的可执行指令;
其中,所述第一处理器配置为经由执行所述可执行指令来执行权利要求 1~7中任意一项所述的鼻窦炎的分析方法。
10.一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,所述计算机程序被第二处理器执行时实现权利要求1~7中任意一项所述的鼻窦炎的分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410405370.7A CN117994595A (zh) | 2024-04-07 | 2024-04-07 | 一种鼻窦炎的分析方法和相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410405370.7A CN117994595A (zh) | 2024-04-07 | 2024-04-07 | 一种鼻窦炎的分析方法和相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117994595A true CN117994595A (zh) | 2024-05-07 |
Family
ID=90901262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410405370.7A Pending CN117994595A (zh) | 2024-04-07 | 2024-04-07 | 一种鼻窦炎的分析方法和相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117994595A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728666A (zh) * | 2019-10-08 | 2020-01-24 | 中山大学附属第三医院 | 基于数字病理玻片进行慢性鼻窦炎的分型方法及其系统 |
RU2725045C1 (ru) * | 2019-06-25 | 2020-06-29 | Федеральное бюджетное учреждение науки "Федеральный научный центр медико-профилактических технологий управления рисками здоровью населения" Федеральной службы по надзору в сфере защиты прав потребителей и благополучия человека (ФБУН "ФНЦ медико-профилактических технологий управления рисками здоровью | Способ формирования группы риска по развитию аллергопатологии у детей-дошкольников, проживающих на территории с повышенным содержанием марганца и никеля |
CN113689958A (zh) * | 2021-08-27 | 2021-11-23 | 苏州立威新谱生物科技有限公司 | 一种基于大数据的慢性病病情预测方法、系统及存储介质 |
CN114240836A (zh) * | 2021-11-12 | 2022-03-25 | 杭州迪英加科技有限公司 | 一种鼻息肉病理切片分析方法、系统和可读存储介质 |
CN115131343A (zh) * | 2022-08-03 | 2022-09-30 | 华中科技大学同济医学院附属同济医院 | 一种慢性鼻窦炎分型方法、装置、设备及可读存储介质 |
KR20220143459A (ko) * | 2021-04-16 | 2022-10-25 | 연세대학교 산학협력단 | 알레르기성 호흡기 질환의 진단용 조성물 |
CN117133461A (zh) * | 2023-10-23 | 2023-11-28 | 北京肿瘤医院(北京大学肿瘤医院) | 一种老年肺癌患者术后短期死亡风险评估的方法及相关设备 |
-
2024
- 2024-04-07 CN CN202410405370.7A patent/CN117994595A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2725045C1 (ru) * | 2019-06-25 | 2020-06-29 | Федеральное бюджетное учреждение науки "Федеральный научный центр медико-профилактических технологий управления рисками здоровью населения" Федеральной службы по надзору в сфере защиты прав потребителей и благополучия человека (ФБУН "ФНЦ медико-профилактических технологий управления рисками здоровью | Способ формирования группы риска по развитию аллергопатологии у детей-дошкольников, проживающих на территории с повышенным содержанием марганца и никеля |
CN110728666A (zh) * | 2019-10-08 | 2020-01-24 | 中山大学附属第三医院 | 基于数字病理玻片进行慢性鼻窦炎的分型方法及其系统 |
KR20220143459A (ko) * | 2021-04-16 | 2022-10-25 | 연세대학교 산학협력단 | 알레르기성 호흡기 질환의 진단용 조성물 |
CN113689958A (zh) * | 2021-08-27 | 2021-11-23 | 苏州立威新谱生物科技有限公司 | 一种基于大数据的慢性病病情预测方法、系统及存储介质 |
CN114240836A (zh) * | 2021-11-12 | 2022-03-25 | 杭州迪英加科技有限公司 | 一种鼻息肉病理切片分析方法、系统和可读存储介质 |
CN115131343A (zh) * | 2022-08-03 | 2022-09-30 | 华中科技大学同济医学院附属同济医院 | 一种慢性鼻窦炎分型方法、装置、设备及可读存储介质 |
CN117133461A (zh) * | 2023-10-23 | 2023-11-28 | 北京肿瘤医院(北京大学肿瘤医院) | 一种老年肺癌患者术后短期死亡风险评估的方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sanchis-Segura et al. | Effects of different intracranial volume correction methods on univariate sex differences in grey matter volume and multivariate sex prediction | |
WO2022007337A1 (zh) | 肿瘤细胞含量评估方法、系统、计算机设备及存储介质 | |
CN110840468B (zh) | 自闭症风险评估方法及装置、终端设备、存储介质 | |
CN111862085A (zh) | 一种周围型nsclc的隐匿性n2淋巴结转移的预测方法及系统 | |
EP2124193A2 (en) | Automated placental measurement | |
CN111933281B (zh) | 一种疾病分型的确定系统、方法、装置及存储介质 | |
Koprowski et al. | Assessment of significance of features acquired from thyroid ultrasonograms in Hashimoto's disease | |
CN111476772B (zh) | 基于医学影像的病灶分析方法和装置 | |
Cui et al. | Predicting shockwave lithotripsy outcome for urolithiasis using clinical and stone computed tomography texture analysis variables | |
Lupean et al. | Differentiation of endometriomas from ovarian hemorrhagic cysts at magnetic resonance: the role of texture analysis | |
CN115938590A (zh) | 结直肠癌术后lars预测模型的构建方法及预测系统 | |
Larey et al. | Harnessing artificial intelligence to infer novel spatial biomarkers for the diagnosis of eosinophilic esophagitis | |
CN115067978A (zh) | 一种骨肉瘤疗效评估方法及系统 | |
Hasan et al. | Convolutional neural networks in ENT radiology: systematic review of the literature | |
CN113066549B (zh) | 基于人工智能的医疗器械的临床有效性评估方法及系统 | |
CN114038507A (zh) | 预测方法、预测模型的训练方法及相关装置 | |
CN111192687A (zh) | 一种进展期阑尾炎列线图预测模型及其用途 | |
CN113361482A (zh) | 核性白内障识别方法、装置、电子设备以及存储介质 | |
CN117994595A (zh) | 一种鼻窦炎的分析方法和相关设备 | |
CN117198532A (zh) | 一种基于机器学习的icu患者脓毒症风险预测方法及系统 | |
CN113678147A (zh) | 搜索方法以及信息处理系统 | |
CN114842960A (zh) | 一种基于ct影像和临床数据评估新冠患者病情进展和预后的方法 | |
CN111275558B (zh) | 用于确定保险数据的方法和装置 | |
Al-Dousary et al. | Paranasal sinus wall erosion and expansion in allergic fungal rhinosinusitis: an image scoring system | |
CN113948180A (zh) | 实现精神疾病影像报告生成处理的方法、装置、处理器及其计算机可读存储介质 |
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 |