本发明涉及人工智能领域,尤其涉及一种基于深度学习模型的临床数据处理方法和装置。
背景技术:
1、近年来,随着脊柱手术技术及手术器械的发展,腰椎退变性疾病的手术方式越来越多,包括微创脊柱内镜手术、腰椎前路和后路融合手术等。针对腰椎退变性疾病的患者制定个体化的最佳手术方式是临床治疗的重点。
2、在临床治疗中,对腰椎手术方式的选择常是基于多维度的综合考量,医生需要结合患者临床症状、体征及影像学检查等综合判断,而且需由经验丰富的高年资医师经过讨论后做出最佳手术决策。其中影像学证据在腰椎退变性疾病的诊断和手术方式的选择中均占有举足轻重的作用。然而,目前影像学检查报告均为人工判读,报告不够细化,很难全面提供手术相关影像征象。
3、因此,提供一种基于深度学习模型的临床数据处理方法和装置,以期通过预先训练的深度学习模型对临床数据进行自动处理,从而利用得到的处理结果为腰椎手术方案的选择提供准确的数据支持,是本领域技术人员亟待解决的问题。
技术实现思路
1、本发明提供一种基于深度学习模型的临床数据处理方法和装置,以期通过预先训练的深度学习模型对临床数据进行自动处理,从而利用得到的处理结果为腰椎手术方案的选择提供准确的数据支持。
2、本发明提供一种基于深度学习模型的临床数据处理方法,包括:
3、获取目标人员的影像学图像数据和临床体征数据;
4、将所述影像学图像数据和临床体征数据输入预先训练的数据处理模型,以得到包括至少一个待选择手术策略的数据处理结果;
5、其中,所述数据处理模型是通过影像学图像样本、临床体征样本和手术策略样本训练得到的,所述影像学图像样本上标记有至少一个目标区域的病变标记。
6、在一些实施例中,所述影像学图像数据包括腰椎dr影像、腰椎ct影像和腰椎mr影像中的至少一者。
7、在一些实施例中,通过影像学图像样本、临床体征样本和手术策略样本训练,以得到所述数据处理模型,具体包括:
8、获取多个影像学图像样本、临床体征样本和手术策略样本训练,所述影像学图像样本包括腰椎dr影像、腰椎ct影像和腰椎mr影像中的至少一者;
9、对各所述影像学图像样本进行病变标记,以得到标记后图像样本;
10、利用所述标记后图像样本、临床体征样本和手术策略样本建立数据集;
11、基于所述数据集训练输入深度学习网络,以得到数据处理模型。
12、在一些实施例中,对各所述影像学图像样本进行病变标记,以得到标记后图像样本,之后还包括:
13、对所述标记后图像样本进行图像预处理,得到处理后图像;
14、通过所述处理后图像对所述数据集进行数据集扩充。
15、在一些实施例中,对所述标记后图像样本进行图像预处理,得到处理后图像,具体包括:
16、将同一目标用户的所有影像学图像样本进行图像配准;
17、将进行图像配准后的影像学图像样本进行图像增强,以得到处理后图像。
18、在一些实施例中,将进行图像配准后的影像学图像样本进行图像增强,以得到处理后图像,具体包括:
19、对进行图像配准后的影像学图像样本进行随机的左右翻转、上下翻转、平移或旋转,以进行图像增强。
20、本发明还提供一种基于深度学习模型的临床数据处理装置,包括:
21、数据采集模块,用于获取目标人员的影像学图像数据和临床体征数据;
22、数据处理模块,用于将所述影像学图像数据和临床体征数据输入预先训练的数据处理模型,以得到包括至少一个待选择手术策略的数据处理结果;
23、其中,所述数据处理模型是通过影像学图像样本、临床体征样本和手术策略样本训练得到的,所述影像图像样本上标记有至少一个目标区域的病变标记。
24、本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述的方法。
25、本发明还提供一种非暂态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如上所述的方法。
26、本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上所述的方法。
27、本发明提供的基于深度学习模型的临床数据处理方法,通过获取目标人员的影像学图像数据和临床体征数据;将所述影像学图像数据和临床体征数据输入预先训练的数据处理模型,以得到包括至少一个待选择手术策略的数据处理结果;其中,所述数据处理模型是通过影像学图像样本、临床体征样本和手术策略样本训练得到的,所述影像图像样本上标记有至少一个目标区域的病变标记。
28、在使用过程中,将目标人员的影像学图像数据和临床体征数据作为输入数据,利用预先训练的数据处理模型,得到数据处理结果,该数据处理结果中包含有至少一个可以选择的手术策略,工作人员可在推送的手术策略中进行对比和选择,利用模型代替人工进行数据处理,提高了图像数据和体征数据的处理效率,辅助医生选择最佳的手术策略。这样,通过预先训练的深度学习模型对临床数据进行自动处理,从而利用得到的处理结果为腰椎手术方案的选择提供准确的数据支持,提高了图像数据和体征数据的处理效率和准确性。
1.一种基于深度学习模型的临床数据处理方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习模型的临床数据处理方法,其特征在于,所述影像学图像数据包括腰椎dr影像、腰椎ct影像和腰椎mr影像中的至少一者。
3.根据权利要求1所述的基于深度学习模型的临床数据处理方法,其特征在于,通过影像学图像样本、临床体征样本和手术策略样本训练,以得到所述数据处理模型,具体包括:
4.根据权利要求3所述的基于深度学习模型的临床数据处理方法,其特征在于,对各所述影像学图像样本进行病变标记,以得到标记后图像样本,之后还包括:
5.根据权利要求4所述的基于深度学习模型的临床数据处理方法,其特征在于,对所述标记后图像样本进行图像预处理,得到处理后图像,具体包括:
6.根据权利要求5所述的基于深度学习模型的临床数据处理方法,其特征在于,将进行图像配准后的影像学图像样本进行图像增强,以得到处理后图像,具体包括:
7.一种基于深度学习模型的临床数据处理装置,其特征在于,包括:
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述的方法。
9.一种非暂态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如权利要求1至6任一项所述的方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。