System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 模型生成方法、预测方法、装置、介质和设备制造方法及图纸_技高网

模型生成方法、预测方法、装置、介质和设备制造方法及图纸

技术编号:41962064 阅读:3 留言:0更新日期:2024-07-10 16:45
本公开涉及一种模型生成方法、预测方法、装置、介质和设备。股骨头塌陷风险的预测模型生成方法包括:确定每一样本图像的样本特征信息,其中,样本特征信息包括影像形态学特征信息、三维重建特征信息、股骨头阈值特征信息和图像感兴趣区域的影像组学特征信息;对样本特征信息进行筛选,确定目标特征;确定与目标特征对应的回归系数组;根据目标特征和回归系数组,生成股骨头塌陷风险的预测模型。如此,通过多种样本特征信息的提取,可提高生成的生成股骨头塌陷风险的预测模型的重复性;通过对样本特征信息进行筛选,能够在保证特征信息中包含的信息量的全面和有效的同时,降低股骨头塌陷风险的预测模型在后续使用过程中的数据处理量。

【技术实现步骤摘要】

本公开涉及生物医学,具体地,涉及一种模型生成方法、预测方法、装置、介质和设备


技术介绍

1、非创伤性股骨头坏死多发于中青年患者,其治疗是世界性的难题,如不进行干预大约有80%的患者会出现股骨头塌陷,一旦塌陷则会出现头臼关系紊乱,从而继发髋关节骨性关节炎。最终只能接受昂贵的髋关节置换术,且置换的假体具有使用年限的限制,届时此类患者将不得不接收髋关节翻修手术,从而对此类患者带来巨大的创伤和经济压力。

2、在疾病早期进行保髋治疗,对于防止防治股骨头塌陷、改善患者临床预后具有重要意义,是股骨头坏死领域的热点和难点,精准的预测股骨头的塌陷对提高保髋治疗的疗效具有重要意义。因此,如何更好地对股骨头塌陷风险进行精准预测已成为业界亟待解决的问题。


技术实现思路

1、本公开的目的是提供一种模型生成方法、预测方法、装置、介质和设备,以实现对股骨头塌陷可能性的准确预测。

2、为了实现上述目的,本公开第一方面提供一种股骨头塌陷风险的预测模型生成方法,包括:

3、获取多个样本图像;

4、确定每一所述样本图像的样本特征信息,其中,所述样本特征信息包括影像形态学特征信息、三维重建特征信息、股骨头阈值特征信息和图像感兴趣区域的影像组学特征信息,所述影像形态学特征信息为人眼观察下的影像形态学特征信息,包括囊变位置和硬化带位置;所述三维重建特征信息包括股骨头内部的软组织体积、硬化骨体积和股骨头体积;所述股骨头阈值特征信息包括股骨头区域最大、最小和平均灰度值;

<p>5、对所述样本特征信息进行筛选,确定目标特征;

6、确定与所述目标特征对应的回归系数组;

7、根据所述目标特征和所述回归系数组,生成股骨头塌陷风险的预测模型。

8、本公开第二方面提供一种股骨头塌陷风险的预测方法,包括:

9、获取与待处理图像对应的被选特征信息,其中,所述被选特征信息包括目标特征下的特征信息;

10、将所述被选特征信息输入至股骨头塌陷风险的预测模型,得到所述股骨头塌陷风险的预测模型输出的目标特征下的特征信息的评分、股骨头塌陷预测评分和塌陷概率,其中,所述股骨头塌陷风险的预测模型是根据如本公开第一方面所述的股骨头塌陷风险的预测模型生成方法生成的。

11、本公开第三方面提供一种股骨头塌陷风险的预测模型生成装置,包括:

12、第一获取模块,用于获取多个样本图像;

13、第一确定模块,用于确定每一所述样本图像的样本特征信息,其中,所述样本特征信息包括影像形态学特征信息、三维重建特征信息、股骨头阈值特征信息和图像感兴趣区域的影像组学特征信息,所述影像形态学特征信息为人眼观察下的影像形态学特征信息,包括囊变位置和硬化带位置;所述三维重建特征信息包括股骨头内部的软组织体积、硬化骨体积和股骨头体积;所述股骨头阈值特征信息包括股骨头区域最大、最小和平均灰度值;

14、筛选模块,用于对所述样本特征信息进行筛选,确定目标特征;

15、第二确定模块,用于确定与所述目标特征对应的回归系数组;

16、构建模块,用于根据所述目标特征和所述回归系数组,生成股骨头塌陷风险的预测模型。

17、本公开第四方面提供一种股骨头塌陷风险的预测装置,包括:

18、第二获取模块,用于获取与待处理图像对应的被选特征信息,其中,所述被选特征信息包括目标特征下的特征信息;

19、输入模块,用于将所述被选特征信息输入至股骨头塌陷风险的预测模型,得到所述股骨头塌陷风险的预测模型输出的目标特征下的特征信息的评分、股骨头塌陷预测评分和塌陷概率,其中,所述股骨头塌陷风险的预测模型是根据如本公开第一方面所述的股骨头塌陷风险的预测模型生成方法生成的。

20、本公开第五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指令,该程序指令被处理器执行时实现本公开第一方面所述的股骨头塌陷风险的预测模型生成方法的步骤,或者,实现本公开第二面所述的股骨头塌陷风险的预测方法的步骤。

21、本公开第六方面提供一种电子设备,包括:

22、处理器;

23、用于存储处理器可执行指令的存储器;

24、其中,所述处理器被配置执行所述指令时实现本公开第一方面所述的股骨头塌陷风险的预测模型生成方法的步骤,或者,实现本公开第二面所述的股骨头塌陷风险的预测方法的步骤。

25、在上述技术方案中,确定每一样本图像的样本特征信息,其中,样本特征信息包括影像形态学特征信息、三维重建特征信息、股骨头阈值特征信息和图像感兴趣区域的影像组学特征信息;对样本特征信息进行筛选,确定目标特征;确定与目标特征对应的回归系数组;根据目标特征和回归系数组,生成股骨头塌陷风险的预测模型。如此,通过多种样本特征信息的提取,能够提高生成的生成股骨头塌陷风险的预测模型的重复性;通过对样本特征信息进行筛选,实现特征降维,能够保留独立预测意义的特征,在保证特征信息中包含的信息量的全面和有效的同时,降低股骨头塌陷风险的预测模型在后续使用过程中的数据处理量,提高模型运算效率,确保股骨头塌陷风险的预测模型的重复性。

26、本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

本文档来自技高网
...

【技术保护点】

1.一种股骨头塌陷风险的预测模型生成方法,其特征在于,包括:

2.根据权利要求1所述的股骨头塌陷风险的预测模型生成方法,其特征在于,所述对所述样本特征信息进行筛选,确定目标特征,包括:

3.根据权利要求1所述的股骨头塌陷风险的预测模型生成方法,其特征在于,所述确定与所述目标特征对应的回归系数组,包括:

4.根据权利要求1所述的股骨头塌陷风险的预测模型生成方法,其特征在于,所述回归系数组包括参考系数和每一所述目标特征对应的回归系数;所述根据所述目标特征和所述回归系数组,生成股骨头塌陷风险的预测模型,包括:

5.根据权利要求1所述的股骨头塌陷风险的预测模型生成方法,其特征在于,所述股骨头塌陷风险的预测模型生成方法还包括:

6.一种股骨头塌陷风险的预测方法,其特征在于,包括:

7.一种股骨头塌陷风险的预测模型生成装置,其特征在于,包括:

8.一种股骨头塌陷风险的预测装置,其特征在于,包括:

9.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被处理器执行时实现权利要求1-5中任一项所述的股骨头塌陷风险的预测模型生成方法的步骤,或者,实现权利要求6所述的股骨头塌陷风险的预测方法的步骤。

10.一种电子设备,其特征在于,包括:

...

【技术特征摘要】

1.一种股骨头塌陷风险的预测模型生成方法,其特征在于,包括:

2.根据权利要求1所述的股骨头塌陷风险的预测模型生成方法,其特征在于,所述对所述样本特征信息进行筛选,确定目标特征,包括:

3.根据权利要求1所述的股骨头塌陷风险的预测模型生成方法,其特征在于,所述确定与所述目标特征对应的回归系数组,包括:

4.根据权利要求1所述的股骨头塌陷风险的预测模型生成方法,其特征在于,所述回归系数组包括参考系数和每一所述目标特征对应的回归系数;所述根据所述目标特征和所述回归系数组,生成股骨头塌陷风险的预测模型,包括:

5.根据权利要求1所述的...

【专利技术属性】
技术研发人员:陈卫衡李泰贤唐开强王荣田宓保宏
申请(专利权)人:北京中医药大学第三附属医院
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1