CN109259784A - 脑梗塞的ai预测方法、装置、设备及存储介质 - Google Patents
脑梗塞的ai预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109259784A CN109259784A CN201810983952.8A CN201810983952A CN109259784A CN 109259784 A CN109259784 A CN 109259784A CN 201810983952 A CN201810983952 A CN 201810983952A CN 109259784 A CN109259784 A CN 109259784A
- Authority
- CN
- China
- Prior art keywords
- cerebral infarction
- image
- training
- convolutional neural
- prediction
- 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
- 206010008118 cerebral infarction Diseases 0.000 title claims abstract description 126
- 208000026106 cerebrovascular disease Diseases 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims description 30
- 238000012549 training Methods 0.000 claims abstract description 116
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 93
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000004590 computer program Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 10
- 230000008439 repair process Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims 1
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000004913 activation Effects 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 8
- 238000013507 mapping Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 206010061216 Infarction Diseases 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007574 infarction Effects 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000002490 cerebral effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000002583 angiography Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000302 ischemic effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 206010008088 Cerebral artery embolism Diseases 0.000 description 1
- 206010008092 Cerebral artery thrombosis Diseases 0.000 description 1
- 206010008132 Cerebral thrombosis Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 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 1
- 201000001429 Intracranial Thrombosis Diseases 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 208000004552 Lacunar Stroke Diseases 0.000 description 1
- 206010051078 Lacunar infarction Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010028851 Necrosis Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 201000010849 intracranial embolism Diseases 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 230000003908 liver function Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种脑梗塞的AI预测方法，首先获取训练样本；其中，所述训练样本包括原始CT图像及对应的脑梗塞标签；然后获取训练完成的基于编码加解码架构的卷积神经网络；其中，所述训练完成的基于编码加解码架构的卷积神经网络通过对所述训练样本和初始卷积神经网络进行卷积神经网络训练，训练时使用dice系数对预测结果进行评估，根据所述评估结果对所述初始卷积网络进行反向传播；对待预测的CT图像进行预处理，得到测试样本；根据所述训练完成的基于编码加解码架构的卷积神经网络，对所述待预测的CT图像进行脑梗塞预测，得到预测结果。通过所述基于编码加解码架构的卷积神经网络的图像识别，可以预测出是否有脑梗塞，以及脑梗塞的区域。
Description
技术领域
本发明涉及信息处理技术领域，尤其涉及一种脑梗塞的AI预测方法、装置、设备及存储介质。
背景技术
脑梗死旧称脑梗塞，又称缺血性脑卒中(cerebral ischemic stroke)，是指因脑部血液供应障碍，缺血、缺氧所导致的局限性脑组织的缺血性坏死或软化。脑梗死的临床常见类型有脑血栓形成、腔隙性梗死和脑栓塞等，脑梗死占全部脑卒中的80％，脑梗死不仅给人类健康和生命造成极大威胁，而且给患者、家庭及社会带来极大的痛苦和沉重的负担。
目前，对脑梗塞的识别方法，一般都是去医院进行CT检查、MRI检查、常规检查或特殊检查；在进行CT检查时，CT显示梗死灶为低密度，可以明确病变的部位、形状及大小，较大的梗死灶可使脑室受压，变形及中线结构移位，但脑梗死起病4～6小时内，只有部分病例可见边界不清的稍低密度灶，而大部分的病例在24小时后才能显示边界较清的低密度灶，且小于5mm的梗死灶。MRI检查就是核磁共振成像检查。常规检查就是血、尿、大便常规及肝功能、肾功能、凝血功能、血糖、血脂、心电图等作为常规检查，特殊检查如经颅多普勒超声(TCD)、颈动脉彩色B超、磁共振、血管造影(MRA)，数字减影全脑血管造影(DSA)、颈动脉造影，可明确有无颅内外动脉狭窄或闭塞。
发明人在实施本发明实施例时，发现现有技术中没一种可以进行脑梗塞AI预测的技术，因脑梗塞发病较急，多无前驱症状，局灶性神经体征在数分钟至数小时达到高峰，并且多表现完全性卒中，如无一种可以脑梗塞预测的技术，则无法对患者及时提供救助。
发明内容
有鉴于此，本发明实施例提供一种脑梗塞的AI预测方法、装置、设备及存储介质，通过卷积神经网络的图像识别技术，可以预测出是否有脑梗塞，以便患者得到及时救助。
第一方面，本发明实施例提供了一种脑梗塞的AI预测方法，包括如下步骤：
获取训练样本；其中，所述训练样本包括原始CT图像及对应的脑梗塞标签；
获取训练完成的基于编码加解码架构的卷积神经网络；其中，所述训练完成的基于编码加解码架构的卷积神经网络通过对所述训练样本和初始卷积神经网络进行卷积神经网络训练，训练时使用dice系数对预测结果进行评估，根据所述评估结果对所述初始卷积网络进行反向传播。
对待预测的CT图像进行预处理，得到测试样本；
根据所述训练完成的基于编码加解码架构的卷积神经网络，对所述待预测的CT图像进行脑梗塞预测，得到预测结果。
在第一方面的第一种可能实现方式中，所述获取训练完成的基于编码加解码架构的卷积神经网络；其中，所述训练完成的基于编码加解码架构的卷积神经网络通过对所述训练样本和初始卷积神经网络进行卷积神经网络训练，训练时使用dice系数对预测结果进行评估，根据所述评估结果对所述初始卷积网络进行反向传播，包括：
获取初始卷积神经网络；
基于所述初始卷积神经网络对所述原始CT图像进行编码，通过卷积操作提取所述原始CT图像各层对应的特征图；
基于所述初始卷积神经网络对所述特征图进行解码，处理所述提取后的特征图，并对脑梗塞病灶区预测；
预测结果评估，将预测结果集合与对应的所述脑梗塞标签集合的交叉熵作为预测的损失值，并通过dice系数进行求解，以实现反向传播。
结合第一方面以及第一方面的第一种可能方式，在第一方面的第二种可能实现方式中，所述基于所述初始卷积神经网络对所述原始CT图像进行编码，通过卷积操作提取所述原始CT图像各层对应的特征图包括：
基于Mobilenet架构以及多孔空间金字塔池化模块，提取所述原始CT图像各层对应的特征图。
结合第一方面的第一种可能实现方式，在第一方面的第三种可能实现方式中，所述基于所述初始卷积神经网络对所述特征图进行解码，处理所述提取后的特征图，并对脑梗塞病灶区预测包括：
在处理所述提取后的特征图时，加入经过编码得到的初始的前N层对应的特征图，以修复分割区域边界信息的丢失；其中，N大于1。
在第一方面的第四种可能实现方式中，所述将对待预测的CT图像进行预处理，得到测试样本包括：
将所述待预测的CT图像的像素值归一化到预设的区间，得到测试样本。
在第一方面的第五种可能实现方式中，所述获取训练样本；其中，所述训练样本包括原始CT图像及对应的脑梗塞标签包括：
获取收集的原始CT图像；
获取对各个所述原始CT图像进行脑梗塞判断的标签。
在第一方面的第六种可能实现方式中，所述获取医生对各个所述原始CT图像进行脑梗塞判断的标签包括：
对各个所述原始CT图像，在判断所述原始CT图像为有脑梗塞时，获取有脑梗塞标签及对应的脑梗塞区域；
对各个所述原始CT图像，在判断所述原始CT图像为没有脑梗塞时，获取无脑梗塞标签。
第二方面，本发明实施例还提供了一种脑梗塞的AI预测装置，包括：
训练样本获取模块，用于获取训练样本；其中，所述训练样本包括原始CT图像及对应的脑梗塞标签；
网络获取模块，用于获取训练完成的基于编码加解码架构的卷积神经网络；其中，所述训练完成的基于编码加解码架构的卷积神经网络通过对所述训练样本和初始卷积神经网络进行卷积神经网络训练，训练时使用dice系数对预测结果进行评估，根据所述评估结果对所述初始卷积网络进行反向传播。
测试样本获取模块，用于对待预测的CT图像进行预处理，得到测试样本；
预测模块，用于根据所述训练完成的基于编码加解码架构的卷积神经网络，对所述待预测的CT图像进行脑梗塞预测，得到预测结果。
第三方面，本发明实施例还提供了一种脑梗塞的AI预测设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的脑梗塞的AI预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的脑梗塞的AI预测方法。
实施本发明实施例具有如下有益效果：
首先获取训练样本；其中，所述训练样本包括原始CT图像及对应的脑梗塞标签；然后获取训练完成的基于编码加解码架构的卷积神经网络；其中，所述训练完成的基于编码加解码架构的卷积神经网络通过对所述训练样本和初始卷积神经网络进行卷积神经网络训练，训练时使用dice系数对预测结果进行评估，根据所述评估结果对所述初始卷积网络进行反向传播。在训练过程中，使用所述原始CT图像及对应的脑梗塞标签对初始卷积神经网络训练，并通过dice系数对预设结果及相应的脑梗塞标签进行评估，进行反向传播来达到最优的卷积神经网络参数；对待预测的CT图像进行预处理，得到测试样本；根据所述训练完成的基于编码加解码架构的卷积神经网络，对所述待预测的CT图像进行脑梗塞预测，得到预测结果。通过所述基于编码加解码架构的卷积神经网络的图像识别，可以预测出是否有脑梗塞，以及脑梗塞的区域。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1是本发明实施例一提供的脑梗塞的AI预测设备的示意图；
图2是本发明实施例二提供的一种脑梗塞的AI预测方法的流程示意图；
图3是本发明实施例二提供的脑梗塞的AI预测的示意图；
图4是本发明第三实施例提供的脑梗塞的AI预测装置的结构示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
所属技术领域的技术人员知道，本发明可以实现为设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。
计算机可读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、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
下面将参照本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或框图描述本发明。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种虚拟机，这些计算机程序指令通过计算机或其它可编程数据处理装置执行，产生了实现流程图和/或框图中的方框中规定的功能/操作的装置。
也可以把这些计算机程序指令存储在能使得计算机或其它可编程数据处理装置以特定方式工作的计算机可读介质中，这样，存储在计算机可读介质中的指令就产生出一个包括实现流程图和/或框图中的方框中规定的功能/操作的指令装置(instructionmeans)的制造品(manufacture)。
也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其它可编程装置上执行的指令能够提供实现流程图和/或框图中的方框中规定的功能/操作的过程。
实施例一
请参见图1，图1是本发明实施例一提供的脑梗塞的AI预测设备的示意图，用于执行本发明实施例提供的脑梗塞的AI预测方法，如图1所示，该脑梗塞的AI预测设备包括：至少一个处理器11，例如CPU，至少一个网络接口14或者其他用户接口13，存储器15，至少一个通信总线12，通信总线12用于实现这些组件之间的连接通信。其中，用户接口13可选的可以包括USB接口以及其他标准接口、有线接口。网络接口14可选的可以包括Wi-Fi接口以及其他无线接口。存储器15可能包含高速RAM存储器，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器15可选的可以包含至少一个位于远离前述处理器11的存储装置。
在一些实施方式中，存储器15存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集:
操作系统151，包含各种系统程序，用于实现各种基础业务以及处理基于硬件的任务；
程序152。
具体地，处理器11用于调用存储器15中存储的程序152，执行上述实施例所述的脑梗塞的AI预测方法。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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，所述处理器是所述脑梗塞的AI预测方法的控制中心，利用各种接口和线路连接整个所述脑梗塞的AI预测方法的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现脑梗塞的AI预测的电子装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述脑梗塞的AI预测集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
下面将参照附图来描述本发明实施例的脑梗塞的AI预测的方法。
实施例二
图2是本发明实施例二提供的一种脑梗塞的AI预测方法的流程示意图。
一种脑梗塞的AI预测方法，包括以下步骤：
S11、获取训练样本；其中，所述训练样本包括原始CT图像及对应的脑梗塞标签；
S12、获取训练完成的基于编码加解码架构的卷积神经网络；其中，所述训练完成的基于编码加解码架构的卷积神经网络通过对所述训练样本和初始卷积神经网络进行卷积神经网络训练，训练时使用dice系数对预测结果进行评估，根据所述评估结果对所述初始卷积网络进行反向传播。
S13、对待预测的CT图像进行预处理，得到测试样本；
S14、根据所述训练完成的基于编码加解码架构的卷积神经网络，对所述待预测的CT图像进行脑梗塞预测，得到预测结果。
需要说明的是，在众多图像识别技术中，有很多线性方法，例如线性回归，对数几率回归。但是，在非线性预测场景下，线性回归则无法使用，必须采取非线性回归，例如支持向量机，还有著名的神经网络。神经网络的主要原理是模仿大脑神经元的工作原理，将一个个神经元连接成网，每个神经元将输入的信号进行一些处理，再将处理后的信号传出去作为目标神经元的输入。处理可能是累加，可能是过滤或者任何方式。通过单个神经元简单规则的大规模重复，形成一个复杂系统，最终达到非线性预测的目的。网络事先对待识别模式的大量样本进行学习训练，并通过神经元之间的互连权值来存储结果，网络训练完毕，标志着它对某一类或几类模式已具有正确分类的能力，这样，一旦有新的待识别模式样本出现，网络便能根据记忆马上对它做出“反映”，及识别。卷积神经网络的基本结构包括两层，其一为卷积操作，每个神经元的输入与前一层的局部接受域相连，通过卷积操作提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是激活函数，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面。特征映射结构采用relu函数作为卷积网络的激活函数。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。在一般的卷积神经网络中的每一个卷积层都紧跟着一个池化操作，通过池化得到压缩后的特征图并减小了特征分辨率。
优选地，所述获取训练完成的基于编码加解码架构的卷积神经网络；其中，所述训练完成的基于编码加解码架构的卷积神经网络通过对所述训练样本和初始卷积神经网络进行卷积神经网络训练，训练时使用dice系数对预测结果进行评估，根据所述评估结果对所述初始卷积网络进行反向传播，包括：
获取初始卷积神经网络；
基于所述初始卷积神经网络对所述原始CT图像进行编码，通过卷积操作提取所述原始CT图像各层对应的特征图；
基于所述初始卷积神经网络对所述特征图进行解码，处理所述提取后的特征图，并对脑梗塞病灶区预测；
预测结果评估，将预测结果集合与对应的所述脑梗塞标签集合的交叉熵作为预测的损失值，并通过dice系数进行求解，以实现反向传播。
在本实施例中，所述卷积神经网络(CNN)由输入层、卷积层、激活函数、池化层、全连接层组成。卷积层用来进行特征提取，即卷积操作，输入图像是32*32*3，3是它的深度(即R、G、B)，其中，RGB色彩模式是工业界的一种颜色标准，是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，RGB即是代表红、绿、蓝三个通道的颜色。卷积层是一个5*5*3的filter(感受野)，需要注意：感受野的深度必须和输入图像的深度相同。通过一个filter与输入图像的卷积可以得到一个28*28*1的特征图。通常会使用多层卷积层来得到更深层次的特征图。卷积的过程如下：输入图像和filter的对应位置元素相乘再求和，最后再加上B，得到特征图，卷积层还有一个特性就是“权值共享”原则，所谓的权值共享就是说，给一张输入图片，用一个filter去扫这张图，filter里面的数就叫权重，这张图每个位置就是被同样的filter扫的，所以权重是一样的，也就是共享。激活函数：如果输入变化很小，导致输出结构发生截然不同的结果，这种情况是我们不希望看到的，为了模拟更细微的变化，输入和输出数值不只是0到1，可以是0和1之间的任何数，激活函数是用来加入非线性因素的，因为线性模型的表达力不够。对于图像，我们主要采用了卷积的方式来处理，也就是对每个像素点赋予一个权值，这个操作显然就是线性的。但是对于我们样本来说，不一定是线性可分的，为了解决这个问题，我们可以进行线性变化，或者我们引入非线性因素，解决线性模型所不能解决的问题。因为神经网络的数学基础是处处可微的，所以选取的激活函数要能保证数据输入与输出也是可微的，运算特征是不断进行循环计算，所以在每代循环过程中，每个神经元的值也是在不断变化的。这就导致了tanh特征相差明显时的效果会很好，在循环过程中会不断扩大特征效果显示出来，但，在特征相差比较复杂或是相差不是特别大时，需要更细微的分类判断的时候，sigmoid效果就好了。在使用sigmoid和tanh作为激活函数的话，一定要注意一定要对input进行归一话，否则激活后的值都会进入平坦区，使隐层的输出全部趋同，但是Relu并不需要输入归一化来防止它们达到饱和。池化层：对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征。池化层往往在卷积层后面，通过池化来降低卷积层输出的特征向量，同时改善结果(不易出现过拟合)。因为图像具有一种“静态性”的属性，这也就意味着在一个图像区域有用的特征极有可能在另一个区域同样适用。因此，为了描述大的图像，一个很自然的想法就是对不同位置的特征进行聚合统计，例如，人们可以计算图像一个区域上的某个特定特征的平均值(或最大值)来代表这个区域的特征。多孔空间金字塔池化可以把任何尺度的图像的卷积特征转化成相同维度，这不仅可以让CNN处理任意尺度的图像，还能避免cropping和warping操作，导致一些信息的丢失，具有非常重要的意义。一般的CNN都需要输入图像的大小是固定的，这是因为全连接层的输入需要固定输入维度，但在卷积操作是没有对图像尺度有限制，在本实施例中，提出了多孔空间金字塔池化，先让图像进行卷积操作，然后转化成维度相同的特征输入到全连接层，这个可以把CNN扩展到任意大小的图像。全连接层，连接所有的特征，将输出值送给分类器(如softmax分类器)。
进一步的，所述基于所述初始卷积神经网络对所述原始CT图像进行编码，通过卷积操作提取所述原始CT图像各层对应的特征图包括：
基于Mobilenet架构以及多孔空间金字塔池化模块，提取所述原始CT图像各层对应的特征图。
进一步的，所述基于所述初始卷积神经网络对所述特征图进行解码，处理所述提取后的特征图，并对脑梗塞病灶区预测包括：
在处理所述提取后的特征图时，加入经过编码得到的初始的前N层对应的特征图，以修复分割区域边界信息的丢失；其中，N大于1。
具体的，在本实施例中，使用所述基于编码加解码架构的卷积神经网络，所述原始CT图像经过编码部分来提取特征，然后用过解码部分来处理提取后的特征并对脑梗塞病灶区进行预测。在编码部分网络采用了Mobilenet架构以及多孔空间金字塔池化模块，所述Mobilenet架构特点是使用深度可分卷积代替一般的卷积操作减少网络参数，所述多孔空间金字塔池化模块的优点是可以参考不同尺度的特征来修复分割区域边界信息的丢失。在解码部分中通过加入编码部分中比较原始的前几层特征映射来修复分割区域边界信息的丢失。在预测之后产生一个预测结果，预测结果集和所述脑梗塞标签的交叉熵作为预测的损失值，最理想的结果交叉熵为0。将各层网络看作是关于输入CT影像数据的一个函数，则交叉熵同样可以看作是网络参数的一个函数，通过求函数的最小值可以使得预测的准确性达到最高。函数取最小值对应的参数则为目标网络的参数。求解过程可以通过梯度下降的方式进行。这个过程称作反向传播，通过反向传播，使得损失值达到最小从而得到最优的网络参数。
在本实施例中，所述Dice系数是一种集合相似度度量函数，取值范围为(0～1)，通常用于计算两个样本的相似度：
在本系统中使用dice系数作为AI病灶分割结果的指标，dice系数为0时表示分割结果与实际病灶区域无重合，dice系数为1时表示分割结果与实际病灶区域完美重合。
在本实施例中，采用的损失函数是交叉熵。交叉熵比较一个分布与另一个分布的吻合情况。交叉熵越接近0，模型的输出与期望输出越接近，反之亦然。
在本实施例中，卷积层是有卷积核组成的，针对一层神经网络的特征集，卷积核用于对图像进行卷积计算特征单元，一般维度和目标维度相同。在本实施例中的卷积核大小为可调参项，本发明对此不作具体限定。每个卷积核对应一个特征图，特征图是该卷积核的特征映射。而卷积网络中卷机核包含的参数即为权重。
在本实施例中，所述MobileNet架构基于深度可分离的卷积。它是一种标准卷积的因式分解卷积形式，将标准卷积分解成深度向卷积和称为点向卷积的1×1卷积。对于MobileNets架构，深度向卷积将单个滤波器应用于每个输入通道。然后，点向卷积应用1×1卷积以将深度向卷积的输出组合成深度卷积。而一个标准卷积同时对输入进行滤波和组合，得到一组新的输出。深度可分离的卷积将其分成两层，一个用于滤波的单独层和用于组合的单独层。这种因式分解具有大大减少计算和模型大小的作用。
在本实施例中，在不断地梯度下降之后，所述基于编码加解码架构的卷积神经网络的精度才能得到提高，梯度指数学意义上的梯度，将各层网络看作一个函数，损失值可看作一个关于网络参数的函数，这里的网络参数包括全连接层的权重，偏置，和卷积层的卷积核，偏置。若函数得到最值，必先取极值，梯度下降的目的是得到各个极值点计算损失值最小时候的网络参数的取值。从而获得一个精度最高的网络结构。
优选地，所述将对待预测的CT图像进行预处理，得到测试样本包括：
将所述待预测的CT图像的像素值归一化到预设的区间，得到测试样本。
具体的，把所述待预测的CT图像的像素值归一到预设的区间之间，例如是(-1，+1)之间，先设置一个阈值假设是100，在像素值大于100时，将该像素值改为100，小于-100的像素值，将该像素值改为-100，最后对所有的像素值都处于100，在本实施例中，也对训练样本进行归一化处理。本发明对此不作具体限定。
优选地，所述获取训练样本；其中，所述训练样本包括原始CT图像及对应的脑梗塞标签包括：
获取收集的原始CT图像；
获取对各个所述原始CT图像进行脑梗塞判断的标签。
进一步的，所述获取医生对各个所述原始CT图像进行脑梗塞判断的标签包括：
对各个所述原始CT图像，在判断所述原始CT图像为有脑梗塞时，获取有脑梗塞标签及对应的脑梗塞区域；
对各个所述原始CT图像，在判断所述原始CT图像为没有脑梗塞时，获取无脑梗塞标签。
具体的，首先收集原始的CT图像，将收集到的所有的CT图像中百分之七十的CT图像作为训练集，将百分之十五的CT图像作为验证集，将最后剩下的百分之十五的CT图像作为测试集，在训练阶段，所述初始卷积神经网络对所述训练集和测试集遍历，以得到原始的CT图像及由医生进行标注的对应的原始CT图像的脑梗塞区域，在完成遍历之后，再使用验证集对所述初始卷积神经网络进行训练，保存权重文件。
具体的，参见图3，在预测时，将原始的脑部CT图像输入，经过编码，首先是Mobilenet架构，使用深度可分卷积代替一般的卷积操作减少网络参数，然后是多孔空间金字塔池化模块，参考不同尺度的特征来修复分割区域边界信息的丢失，最后将经过Mobilenet架构提取出来的原始的前N层特征图加入到经过多孔空间金字塔池化模块提取出来的高层特征图中，并输入至解码部分，将1*1Conv转成3*3Conv，所述训练完成后的基于编码加解码架构的卷积神经网络对原始CT图像中的每个像素点进行2分类(梗塞或非梗塞)，每个像素点分类的结果最终拼接成病灶区域分割图。最后得到预测的脑梗塞病灶区域，而通过dice系数用来评估预测分割结果(预测病灶区)和真实结果(真是病灶区)的重合度。
实施本实施例具有如下有益效果：
首先获取训练样本；其中，所述训练样本包括原始CT图像及对应的脑梗塞标签；然后获取训练完成的基于编码加解码架构的卷积神经网络；其中，所述训练完成的基于编码加解码架构的卷积神经网络通过对所述训练样本和初始卷积神经网络进行卷积神经网络训练，训练时使用dice系数对预测结果进行评估，根据所述评估结果对所述初始卷积网络进行反向传播。在训练过程中，使用所述原始CT图像及对应的脑梗塞标签对初始卷积神经网络训练，并通过dice系数对预设结果及相应的脑梗塞标签进行评估，进行反向传播来达到最优的卷积神经网络参数；对待预测的CT图像进行预处理，得到测试样本；根据所述训练完成的基于编码加解码架构的卷积神经网络，对所述待预测的CT图像进行脑梗塞预测，得到预测结果。通过所述基于编码加解码架构的卷积神经网络的图像识别，可以预测出是否有脑梗塞，以及脑梗塞的区域。
实施例三
参见图4，本发明第三实施例提供的脑梗塞的AI预测装置的结构示意图；
一种脑梗塞的AI预测装置，包括：
训练样本获取模块31，用于获取训练样本；其中，所述训练样本包括原始CT图像及对应的脑梗塞标签；
网络获取模块32，用于获取训练完成的基于编码加解码架构的卷积神经网络；其中，所述训练完成的基于编码加解码架构的卷积神经网络通过对所述训练样本和初始卷积神经网络进行卷积神经网络训练，训练时使用dice系数对预测结果进行评估，根据所述评估结果对所述初始卷积网络进行反向传播。
测试样本获取模块33，用于对待预测的CT图像进行预处理，得到测试样本；
预测模块，用于根据所述训练完成的基于编码加解码架构的卷积神经网络，对所述待预测的CT图像进行脑梗塞预测，得到预测结果。
优选地，所述网络获取模块32包括：
初始网络获取单元，用于获取初始卷积神经网络；
特征图获取单元，用于基于所述初始卷积神经网络对所述原始CT图像进行编码，通过卷积操作提取所述原始CT图像各层对应的特征图；
预测单元，用于基于所述初始卷积神经网络对所述特征图进行解码，处理所述提取后的特征图，并对脑梗塞病灶区预测；
评估单元，用于预测结果评估，将预测结果集合与对应的所述脑梗塞标签集合的交叉熵作为预测的损失值，并通过dice系数进行求解，以实现反向传播。
优选地，所述特征图获取单元包括：
基于Mobilenet架构以及多孔空间金字塔池化模块，提取所述原始CT图像各层对应的特征图。
优选地，所述预测单元包括：
在处理所述提取后的特征图时，加入经过编码得到的初始的前N层对应的特征图，以修复分割区域边界信息的丢失；其中，N大于1。
优选地，所述测试样本获取模块33包括：
将所述待预测的CT图像的像素值归一化到预设的区间，得到测试样本。
优选地，所述训练样本获取模块31包括：
CT图像获取单元，用于获取收集的原始CT图像；
标签获取单元，用于获取对各个所述原始CT图像进行脑梗塞判断的标签。
优选地，所述标签获取单元包括：
对各个所述原始CT图像，在判断所述原始CT图像为有脑梗塞时，获取有脑梗塞标签及对应的脑梗塞区域；
对各个所述原始CT图像，在判断所述原始CT图像为没有脑梗塞时，获取无脑梗塞标签。
实施本实施例具有如下有益效果：
首先获取训练样本；其中，所述训练样本包括原始CT图像及对应的脑梗塞标签；然后获取训练完成的基于编码加解码架构的卷积神经网络；其中，所述训练完成的基于编码加解码架构的卷积神经网络通过对所述训练样本和初始卷积神经网络进行卷积神经网络训练，训练时使用dice系数对预测结果进行评估，根据所述评估结果对所述初始卷积网络进行反向传播。在训练过程中，使用所述原始CT图像及对应的脑梗塞标签对初始卷积神经网络训练，并通过dice系数对预设结果及相应的脑梗塞标签进行评估，进行反向传播来达到最优的卷积神经网络参数；对待预测的CT图像进行预处理，得到测试样本；根据所述训练完成的基于编码加解码架构的卷积神经网络，对所述待预测的CT图像进行脑梗塞预测，得到预测结果。通过所述基于编码加解码架构的卷积神经网络的图像识别，可以预测出是否有脑梗塞，以及脑梗塞的区域。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为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实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。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。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，在某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。其次，本领域技术人员也应知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模拟一定是本发明所必须的。
Claims (10)
1.一种脑梗塞的AI预测方法，其特征在于，包括：
获取训练样本；其中，所述训练样本包括原始CT图像及对应的脑梗塞标签；
获取训练完成的基于编码加解码架构的卷积神经网络；其中，所述训练完成的基于编码加解码架构的卷积神经网络通过对所述训练样本和初始卷积神经网络进行卷积神经网络训练，训练时使用dice系数对预测结果进行评估，根据所述评估结果对所述初始卷积网络进行反向传播。
对待预测的CT图像进行预处理，得到测试样本；
根据所述训练完成的基于编码加解码架构的卷积神经网络，对所述待预测的CT图像进行脑梗塞预测，得到预测结果。
2.根据权利要求1所述的脑梗塞的AI预测方法，其特征在于，所述获取训练完成的基于编码加解码架构的卷积神经网络；其中，所述训练完成的基于编码加解码架构的卷积神经网络通过对所述训练样本和初始卷积神经网络进行卷积神经网络训练，训练时使用dice系数对预测结果进行评估，根据所述评估结果对所述初始卷积网络进行反向传播，包括：
获取初始卷积神经网络；
基于所述初始卷积神经网络对所述原始CT图像进行编码，通过卷积操作提取所述原始CT图像各层对应的特征图；
基于所述初始卷积神经网络对所述特征图进行解码，处理所述提取后的特征图，并对脑梗塞病灶区预测；
预测结果评估，将预测结果集合与对应的所述脑梗塞标签集合的交叉熵作为预测的损失值，并通过dice系数进行求解，以实现反向传播。
3.根据权利要求2所述的脑梗塞的AI预测方法，其特征在于，所述基于所述初始卷积神经网络对所述原始CT图像进行编码，通过卷积操作提取所述原始CT图像各层对应的特征图包括：
基于Mobilenet架构以及多孔空间金字塔池化模块，提取所述原始CT图像各层对应的特征图。
4.根据权利要求2所述的脑梗塞的AI预测方法，其特征在于，所述基于所述初始卷积神经网络对所述特征图进行解码，处理所述提取后的特征图，并对脑梗塞病灶区预测包括：
在处理所述提取后的特征图时，加入经过编码得到的初始的前N层对应的特征图，以修复分割区域边界信息的丢失；其中，N大于1。
5.根据权利要求1所述的脑梗塞的AI预测方法，其特征在于，所述将对待预测的CT图像进行预处理，得到测试样本包括：
将所述待预测的CT图像的像素值归一化到预设的区间，得到测试样本。
6.根据权利要求1所述的脑梗塞的AI预测方法，其特征在于，所述获取训练样本；其中，所述训练样本包括原始CT图像及对应的脑梗塞标签包括：
获取收集的原始CT图像；
获取对各个所述原始CT图像进行脑梗塞判断的标签。
7.根据权利要求6所述的脑梗塞的AI预测方法，其特征在于，所述获取医生对各个所述原始CT图像进行脑梗塞判断的标签包括：
对各个所述原始CT图像，在判断所述原始CT图像为有脑梗塞时，获取有脑梗塞标签及对应的脑梗塞区域；
对各个所述原始CT图像，在判断所述原始CT图像为没有脑梗塞时，获取无脑梗塞标签。
8.一种脑梗塞的AI预测装置，其特征在于，包括：
训练样本获取模块，用于获取训练样本；其中，所述训练样本包括原始CT图像及对应的脑梗塞标签；
网络获取模块，用于获取训练完成的基于编码加解码架构的卷积神经网络；其中，所述训练完成的基于编码加解码架构的卷积神经网络通过对所述训练样本和初始卷积神经网络进行卷积神经网络训练，训练时使用dice系数对预测结果进行评估，根据所述评估结果对所述初始卷积网络进行反向传播。
测试样本获取模块，用于对待预测的CT图像进行预处理，得到测试样本；
预测模块，用于根据所述训练完成的基于编码加解码架构的卷积神经网络，对所述待预测的CT图像进行脑梗塞预测，得到预测结果。
9.一种脑梗塞的AI预测设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的脑梗塞的AI预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的脑梗塞的AI预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810983952.8A CN109259784A (zh) | 2018-08-27 | 2018-08-27 | 脑梗塞的ai预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810983952.8A CN109259784A (zh) | 2018-08-27 | 2018-08-27 | 脑梗塞的ai预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109259784A true CN109259784A (zh) | 2019-01-25 |
Family
ID=65154357
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810983952.8A Pending CN109259784A (zh) | 2018-08-27 | 2018-08-27 | 脑梗塞的ai预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109259784A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110033038A (zh) * | 2019-04-09 | 2019-07-19 | 电子科技大学 | 气动热试验数据的智能选取算法 |
| CN110189299A (zh) * | 2019-04-22 | 2019-08-30 | 华中科技大学 | 一种基于MoileNet的脑血管事件自动识别方法及系统 |
| CN110647810A (zh) * | 2019-08-16 | 2020-01-03 | 西北大学 | 一种无线电信号图像识别模型构建、识别方法及装置 |
| CN110766048A (zh) * | 2019-09-18 | 2020-02-07 | 平安科技（深圳）有限公司 | 图像内容识别方法、装置、计算机设备和存储介质 |
| CN110934606A (zh) * | 2019-10-31 | 2020-03-31 | 上海杏脉信息科技有限公司 | 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质 |
| CN111127366A (zh) * | 2019-12-26 | 2020-05-08 | 山东浪潮人工智能研究院有限公司 | 一种人像图片还原方法、装置以及设备 |
| CN111369528A (zh) * | 2020-03-03 | 2020-07-03 | 重庆理工大学 | 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法 |
| WO2020168697A1 (zh) * | 2019-02-22 | 2020-08-27 | 未艾医疗技术(深圳)有限公司 | 基于VRDS 4D医学影像的栓塞的Ai识别方法及产品 |
| CN111667458A (zh) * | 2020-04-30 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种对平扫ct中的早急性脑梗死检测方法及装置 |
| CN112463638A (zh) * | 2020-12-11 | 2021-03-09 | 清华大学深圳国际研究生院 | 基于神经网络的模糊测试方法及计算机可读存储介质 |
| CN112767350A (zh) * | 2021-01-19 | 2021-05-07 | 深圳麦科田生物医疗技术股份有限公司 | 血栓弹力图最大区间预测方法、装置、设备和存储介质 |
| CN112991192A (zh) * | 2019-12-18 | 2021-06-18 | 杭州海康威视数字技术股份有限公司 | 图像处理方法、装置、设备及其系统 |
| CN115187512A (zh) * | 2022-06-10 | 2022-10-14 | 珠海市人民医院 | 肝细胞癌大血管侵犯风险预测方法、系统、装置及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110130371A (ko) * | 2010-05-27 | 2011-12-05 | 동국대학교 산학협력단 | 뇌혈전 형광영상기술을 이용한 뇌졸중 동물모델의 뇌경색 영역의 크기 예측 방법 |
| CN106021941A (zh) * | 2016-05-27 | 2016-10-12 | 成都信汇聚源科技有限公司 | 获取猝死风险预测人工神经网络权重值矩阵的方法 |
| CN106250707A (zh) * | 2016-08-12 | 2016-12-21 | 王双坤 | 一种基于深度学习算法处理头部结构像数据的方法 |
| WO2018005820A1 (en) * | 2016-06-29 | 2018-01-04 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for utlizing brain structural characteristics for predicting a diagnosis of a neurobehavioral disorder |
| CN108257674A (zh) * | 2018-01-24 | 2018-07-06 | 龙马智芯（珠海横琴）科技有限公司 | 疾病预测方法和装置、设备、计算机可读存储介质 |
| CN109223002A (zh) * | 2018-08-27 | 2019-01-18 | 上海铱硙医疗科技有限公司 | 自闭症患病预测方法、装置、设备及存储介质 |
-
2018
- 2018-08-27 CN CN201810983952.8A patent/CN109259784A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110130371A (ko) * | 2010-05-27 | 2011-12-05 | 동국대학교 산학협력단 | 뇌혈전 형광영상기술을 이용한 뇌졸중 동물모델의 뇌경색 영역의 크기 예측 방법 |
| CN106021941A (zh) * | 2016-05-27 | 2016-10-12 | 成都信汇聚源科技有限公司 | 获取猝死风险预测人工神经网络权重值矩阵的方法 |
| WO2018005820A1 (en) * | 2016-06-29 | 2018-01-04 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for utlizing brain structural characteristics for predicting a diagnosis of a neurobehavioral disorder |
| CN106250707A (zh) * | 2016-08-12 | 2016-12-21 | 王双坤 | 一种基于深度学习算法处理头部结构像数据的方法 |
| CN108257674A (zh) * | 2018-01-24 | 2018-07-06 | 龙马智芯（珠海横琴）科技有限公司 | 疾病预测方法和装置、设备、计算机可读存储介质 |
| CN109223002A (zh) * | 2018-08-27 | 2019-01-18 | 上海铱硙医疗科技有限公司 | 自闭症患病预测方法、装置、设备及存储介质 |
Non-Patent Citations (7)
| Title |
|---|
| CHEN MIN,ET AL: "Disease Prediction by Machine Learning Over Big Data From Healthcare Communities", 《IEEE ACCESS》 * |
| SINAT_29552923: "金字塔池化过程及其优势", 《HTTPS://BLOG.CSDN.NET/SINAT_29552923/ARTICLE/DETAILS/72638795》 * |
| 亢寒 等: "基于深度学习的医学图像分割技术", 《人工智能》 * |
| 刘兴旺 等: "一种融合AutoEncoder与CNN的混合算法用于图像特征提取", 《计算机应用研究》 * |
| 姜枫 等: "基于内容的图像分割方法综述", 《软件学报》 * |
| 贾文娟 等: "基于影像的病脑检测方法综述", 《计算机工程与应用》 * |
| 郭少军 等: "应用空间金字塔池化LBP特征的舰船检测识别", 《激光与红外》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020168697A1 (zh) * | 2019-02-22 | 2020-08-27 | 未艾医疗技术(深圳)有限公司 | 基于VRDS 4D医学影像的栓塞的Ai识别方法及产品 |
| CN110033038A (zh) * | 2019-04-09 | 2019-07-19 | 电子科技大学 | 气动热试验数据的智能选取算法 |
| CN110189299A (zh) * | 2019-04-22 | 2019-08-30 | 华中科技大学 | 一种基于MoileNet的脑血管事件自动识别方法及系统 |
| CN110189299B (zh) * | 2019-04-22 | 2020-12-08 | 华中科技大学 | 一种基于MobileNet的脑血管事件自动识别方法及系统 |
| CN110647810A (zh) * | 2019-08-16 | 2020-01-03 | 西北大学 | 一种无线电信号图像识别模型构建、识别方法及装置 |
| CN110766048A (zh) * | 2019-09-18 | 2020-02-07 | 平安科技（深圳）有限公司 | 图像内容识别方法、装置、计算机设备和存储介质 |
| CN110766048B (zh) * | 2019-09-18 | 2024-08-02 | 平安科技（深圳）有限公司 | 图像内容识别方法、装置、计算机设备和存储介质 |
| CN110934606A (zh) * | 2019-10-31 | 2020-03-31 | 上海杏脉信息科技有限公司 | 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质 |
| CN112991192A (zh) * | 2019-12-18 | 2021-06-18 | 杭州海康威视数字技术股份有限公司 | 图像处理方法、装置、设备及其系统 |
| CN111127366A (zh) * | 2019-12-26 | 2020-05-08 | 山东浪潮人工智能研究院有限公司 | 一种人像图片还原方法、装置以及设备 |
| CN111369528A (zh) * | 2020-03-03 | 2020-07-03 | 重庆理工大学 | 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法 |
| CN111369528B (zh) * | 2020-03-03 | 2022-09-09 | 重庆理工大学 | 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法 |
| CN111667458A (zh) * | 2020-04-30 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种对平扫ct中的早急性脑梗死检测方法及装置 |
| CN111667458B (zh) * | 2020-04-30 | 2023-09-01 | 杭州深睿博联科技有限公司 | 一种对平扫ct中的早急性脑梗死检测方法及装置 |
| CN112463638A (zh) * | 2020-12-11 | 2021-03-09 | 清华大学深圳国际研究生院 | 基于神经网络的模糊测试方法及计算机可读存储介质 |
| CN112463638B (zh) * | 2020-12-11 | 2022-09-20 | 清华大学深圳国际研究生院 | 基于神经网络的模糊测试方法及计算机可读存储介质 |
| CN112767350B (zh) * | 2021-01-19 | 2024-04-26 | 深圳麦科田生物医疗技术股份有限公司 | 血栓弹力图最大区间预测方法、装置、设备和存储介质 |
| CN112767350A (zh) * | 2021-01-19 | 2021-05-07 | 深圳麦科田生物医疗技术股份有限公司 | 血栓弹力图最大区间预测方法、装置、设备和存储介质 |
| CN115187512A (zh) * | 2022-06-10 | 2022-10-14 | 珠海市人民医院 | 肝细胞癌大血管侵犯风险预测方法、系统、装置及介质 |
| CN115187512B (zh) * | 2022-06-10 | 2024-01-30 | 珠海市人民医院 | 肝细胞癌大血管侵犯风险预测方法、系统、装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109259784A (zh) | 脑梗塞的ai预测方法、装置、设备及存储介质 | |
| CN109410185B (zh) | 一种图像分割方法、装置和存储介质 | |
| CN109785928A (zh) | 诊疗方案推荐方法、装置及存储介质 | |
| CN105011911B (zh) | 一种基于网络的中医健康咨询系统 | |
| Akyeramfo-Sam et al. | A web-based skin disease diagnosis using convolutional neural networks | |
| CN108898175A (zh) | 基于深度学习胃癌病理切片的计算机辅助模型构建方法 | |
| CN116975241B (zh) | 基于大语言模型的肝癌辅助诊断与问答方法、系统及介质 | |
| CN110348515A (zh) | 图像分类方法、图像分类模型训练方法及装置 | |
| CN107145756A (zh) | 一种脑卒中类型预测方法以及装置 | |
| CN109223002A (zh) | 自闭症患病预测方法、装置、设备及存储介质 | |
| CN109346159A (zh) | 病例图像分类方法、装置、计算机设备及存储介质 | |
| Cheng et al. | DDU-Net: A dual dense U-structure network for medical image segmentation | |
| CN108682009A (zh) | 一种阿尔茨海默症预测方法、装置、设备及介质 | |
| CN115018809A (zh) | Ct图像的靶区分割识别方法及系统 | |
| CN114883003B (zh) | 基于卷积神经网络的icu住院时长和死亡风险预测方法 | |
| CN113496494A (zh) | 基于drr模拟数据生成的二维骨骼分割方法及装置 | |
| CN115481695A (zh) | 一种利用多分支特征提取的运动想象分类方法 | |
| Waweru et al. | Deep learning in skin lesion analysis towards cancer detection | |
| CN117649385A (zh) | 一种基于全局和局部注意力机制的肺部ct图像分割方法 | |
| Yu et al. | An unsupervised hybrid model based on CNN and ViT for multimodal medical image fusion | |
| CN112001325A (zh) | 一种配电不安全行为的预测方法、装置和服务器 | |
| Yu et al. | 3D Medical Image Segmentation based on multi-scale MPU-Net | |
| CN110175588A (zh) | 一种基于元学习的少样本面部表情识别方法及系统 | |
| Ji et al. | A dense-gated U-Net for brain lesion segmentation | |
| Zou et al. | Fourier Channel Attention Powered Lightweight Network for Image 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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190125 |