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()
【技术实现步骤摘要】
本专利技术属于静脉血栓分期判别的,具体涉及一种深静脉血栓分期的判别系统及设备。
技术介绍
1、下肢深静脉血栓(deep vein thrombosis,dvt)是一种常见的血管疾病,发病率仅次于脑血管和冠状动脉疾病,是世界第三大血管疾病。此病的发生风险随年龄增长和某些特定情况(如外伤、分娩、手术)而上升。此外,dvt在男女患者中的发病率也有所不同,其中男性患病率大约为14%,而女性则为9%。
2、在dvt的治疗中,准确地对血栓进行分期至关重要,因为不同阶段的血栓对治疗手段的响应各异。早期阶段的dvt通常表现为静脉阻塞导致静脉管腔扩张,管壁发生炎症,需要及时的溶栓治疗以防止血栓脱落引发更严重的并发症。而在dvt的慢性阶段,血液循环受阻,导致肿胀和疼痛,此时过度的溶栓治疗可能不必要且带来风险。因此,基于dvt所处阶段的精准治疗对于提高患者预后质量至关重要。
3、临床上dvt分为(1)急性期,指发病后14天内;(2)亚急性期,指发病15-30天;(3)慢性期,指发病30天以后。但由于半数以上dvt患者缺乏特异的临床症状,单纯按临床发病时间或患者所述的病程分期并不准确。
4、临床诊断分期往往需要影像检查的辅助。数字减影血管造影(digitalsubtraction angiography,dsa)是公认诊断dvt的金标准,但由于其潜在的电离辐射风险、无法判定血栓的新旧程度、需要侵入性操作以及对肾功能的潜在损害,所以在诊断过程中很少使用。随着磁共振(magnetic resonance,mr)影像技术的
技术实现思路
1、本专利技术的主要目的在于克服现有技术的缺点与不足,提供一种深静脉血栓分期的判别系统及设备。
2、为了达到上述目的,本专利技术采用以下技术方案:
3、本专利技术的一个方面,提供了一种深静脉血栓分期的判别系统,包括数据预处理模块、两个线性投影模块、位置编码模块、编码模块和两个分类头;
4、所述数据预处理模块用于对原始输入的图像数据进行数据分段、切片、统一大小以及归一化处理;
5、两个所述线性投影模块分别用于将输入的临床信息及图像数据进行线性投影并叠加得到特征嵌入;
6、所述位置编码模块用于提供位置编码,并将特征嵌入和位置编码进行相加,相加得到的数据输入至编码模块;
7、所述编码模块用于提取临床信息及图像数据的高维特征,并将输出的高维特征送入两个分类头中;
8、所述分类头用于将高维特征映射到不同的类别上,所述类别包括识别血栓的存在、进行血栓分期,并输出相应的预测结果。
9、作为优选的技术方案,所述数据预处理模块具体工作过程包括:
10、数据分段:将原始输入的下肢bti图像数据按解剖学位置将数据分成盆腔、大腿、小腿近端以及小腿远端四部分,并将小腿远端部分剔除;
11、切片:将分段得到的图像数据沿z轴进行切片,得到多层水平面切片图像,对每层图像鉴别有无血栓,并进行分期;
12、统一大小:对切片得到的图数据进行统一大小;
13、归一化:采用最大最小标准化,如下式:
14、
15、其中,x代表当前的像素值,max(x)和min(x)分别是三维数据里的最大像素值和最小像素值。
16、作为优选的技术方案,两个线性投影模块将输入的临床信息及图像数据进行线性投影并叠加得到特征嵌入,具体为:
17、临床信息通过一个线性层进行线性投影,将原始特征进行形式转换;
18、图像数据通过卷积层进行投影,将整个图像划分成多个块并调整通道数,以匹配编码模块的深度。
19、作为优选的技术方案,所述位置编码模块具体为:
20、假设得到的特征嵌入的维度为b×w×c,b代表一次输入的样本数目,w代表token数目,token代表判别系统处理的基本输入单元,c代表特征维度,位置编码模块通过定义一个与token数目和特征维度一致的能够进行学习的张量作为位置编码进行输出,以提供各个token的位置信息;其中,所述能够进行学习的张量会在训练过程中更新优化。
21、作为优选的技术方案,所述编码模块包括四个编码块,每个编码块均包含一个多头自注意力机制层与一个多层感知机模块;多头自注意力机制层与多层感知机模块前面都与归一化层相连,输出都进行了残差处理;
22、所述多头自注意力机制层用于在输入序列的各个位置间动态分配注意力,以捕捉不同区域之间的相互关联;
23、所述多层感知机模块用于对位置表示进行深入转换;
24、所述归一化层和残差连接用于确保训练过程的稳定性并增强学习效果。
25、作为优选的技术方案,所述深静脉血栓分期的判别系统的训练步骤具体为:
26、第一阶段,冻结一个分类头的权重以预测图像中是否存在血栓;
27、第二阶段,根据深静脉血栓分期的判别系统预测的血栓存在概率进行反向传播,以此计算梯度并构建梯度热力图;接着,利用基于热力图的粗定位掩膜生成模块,制作血栓的粗定位掩膜;将粗定位掩膜结合原图像输入深静脉血栓分期的判别系统,用于进一步的血栓分期预测;
28、最后,结合两阶段的预测结果,计算损失函数并进行反向传播,以优化深静脉血栓分期的判别系统。
29、作为优选的技术方案,计算梯度并构建梯度热力图具体为:
30、对预测结果关于编码模块最后一个线性层计算梯度;
31、对每个图像块对应的特征图进行加权求和,权重由梯度决定;
32、加权后的特征图通过恢复成原始图像大小得到对应的热力图。
33、作为优选的技术方案,所述粗定位掩膜生成模块将计算得到的梯度热力图进行二值化处理和连通域分析,过滤掉面积过大的连通域,从而得出最终的粗定位掩膜。
34、作为优选的技术方案,训练过程中基于判别系统输出的预测结果,采用交叉熵损失函数计算判别系统的梯度,采用roc曲线下auc值作为本文档来自技高网...
【技术保护点】
1.一种深静脉血栓分期的判别系统,其特征在于,包括数据预处理模块、两个线性投影模块、位置编码模块、编码模块和两个分类头;
2.根据权利要求1所述的一种深静脉血栓分期的判别系统,其特征在于,所述数据预处理模块具体工作过程包括:
3.根据权利要求1所述的一种深静脉血栓分期的判别系统,其特征在于,两个线性投影模块将输入的临床信息及图像数据进行线性投影并叠加得到特征嵌入,具体为:
4.根据权利要求1所述的一种深静脉血栓分期的判别系统,其特征在于,所述位置编码模块具体为:
5.根据权利要求1所述的一种深静脉血栓分期的判别系统,其特征在于,所述编码模块包括四个编码块,每个编码块均包含一个多头自注意力机制层与一个多层感知机模块;多头自注意力机制层与多层感知机模块前面都与归一化层相连,输出都进行了残差处理;
6.根据权利要求1所述的一种深静脉血栓分期的判别系统,其特征在于,所述深静脉血栓分期的判别系统的训练步骤具体为:
7.根据权利要求6所述的一种深静脉血栓分期的判别系统,其特征在于,计算梯度并构建梯度热力图具体为:
...【技术特征摘要】
1.一种深静脉血栓分期的判别系统,其特征在于,包括数据预处理模块、两个线性投影模块、位置编码模块、编码模块和两个分类头;
2.根据权利要求1所述的一种深静脉血栓分期的判别系统,其特征在于,所述数据预处理模块具体工作过程包括:
3.根据权利要求1所述的一种深静脉血栓分期的判别系统,其特征在于,两个线性投影模块将输入的临床信息及图像数据进行线性投影并叠加得到特征嵌入,具体为:
4.根据权利要求1所述的一种深静脉血栓分期的判别系统,其特征在于,所述位置编码模块具体为:
5.根据权利要求1所述的一种深静脉血栓分期的判别系统,其特征在于,所述编码模块包括四个编码块,每个编码块均包含一个多头自注意力机制层与一个多层感知机模块;多头自注意力机制层与多层感知机模块前面都与归一化层相连,输出都进行了残差处理;
6.根据权利要求1所述的一种深静脉血栓分期的判别系统,其...
【专利技术属性】
技术研发人员:郭广源,谢晓彤,陈秋梅,段丽芬,叶裕丰,黄益,梁奇伟,黄晨,黄炳升,冯启理,
申请(专利权)人:广州医科大学附属番禺中心医院广州市番禺区中心医院,广州市番禺区人民医院,
类型:发明
国别省市:
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。