CN111081372B - 疾病诊断装置、终端设备及计算机可读存储介质 - Google Patents
疾病诊断装置、终端设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111081372B CN111081372B CN201911287334.0A CN201911287334A CN111081372B CN 111081372 B CN111081372 B CN 111081372B CN 201911287334 A CN201911287334 A CN 201911287334A CN 111081372 B CN111081372 B CN 111081372B
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- disease diagnosis
- disease
- model
- 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.)
- Active
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 214
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 214
- 238000003745 diagnosis Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000004364 calculation method Methods 0.000 claims description 75
- 238000000354 decomposition reaction Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 75
- 238000004590 computer program Methods 0.000 description 16
- 208000024827 Alzheimer disease Diseases 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000002595 magnetic resonance imaging Methods 0.000 description 12
- 210000004556 brain Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 210000000056 organ Anatomy 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 208000010877 cognitive disease Diseases 0.000 description 2
- 208000027061 mild cognitive impairment Diseases 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本申请适用于图像处理技术领域,提供了一种疾病诊断方法、装置、终端设备及计算机可读存储介质,所述方法包括:获取待检测图像,所述待检测图像为三维图像;将所述待检测图像输入预先训练的疾病诊断模型,确定所述待检测图像对应的疾病,所述疾病诊断模型用于对所述待检测图像进行分解,得到三维核心张量和模态积,并通过对所述三维核心张量和所述模态积的识别,确定所述待检测图像对应的疾病。通过疾病诊断模型对待检测图像分解得到三维核心张量和模态积,保留了待检测图像中的三维空间信息和内在相关性,避免造成待检测图像中的空间结构信息丢失,提高了疾病诊断模型识别疾病的准确度。
Description
技术领域
本申请属于图像处理技术领域,尤其涉及一种疾病诊断方法、装置、终端设备及计算机可读存储介质。
背景技术
随着科学技术的不断发展,可以通过终端设备辅助医护人员对病患的疾病进行诊断,从而提高医护人员问诊的效率。
相关技术中,针对阿尔茨海默症(Alzheimer’s Disease,AD),可以对AD患者、轻度认知障碍(Mild Cognitive Impairment,MCI)患者和正常人的磁共振成像(MagneticResonance Imaging,MRI)进行预处理,并根据预处理后的图像进行训练,得到能够识别AD和MCI的模型。相应的,在应用模型的过程中,可以将MRI输入模型,通过模型对MRI进行降维、特征提取等预处理操作,再根据提取得到的特征信息进行识别,确定该MRI对应的疾病。
但是,在训练模型和使用模型的过程中,需要对图像进行向量化降维的预处理,造成图像中的空间结构信息大量丢失,导致模型进行识别的精确度较低的问题。
发明内容
本申请实施例提供了一种疾病诊断方法、装置、终端设备及计算机可读存储介质,可以解决模型进行识别的精确度较低的问题。
第一方面,本申请实施例提供了一种疾病诊断方法,包括:
获取待检测图像,所述待检测图像为三维图像;
将所述待检测图像输入预先训练的疾病诊断模型,确定所述待检测图像对应的疾病,所述疾病诊断模型用于对所述待检测图像进行分解,得到三维核心张量和模态积,并通过对所述三维核心张量和所述模态积的识别,确定所述待检测图像对应的疾病。
可选的,在所述将所述待检测图像输入预先训练的疾病诊断模型,确定所述待检测图像对应的疾病之前,所述方法还包括:
根据样本图像,生成参数计算函数,所述参数计算函数用于计算所述疾病诊断模型的模型参数;
对所述参数计算函数进行求解,得到所述疾病诊断模型的模型参数;
根据所述模型参数,建立所述疾病诊断模型。
可选的,所述根据样本图像,生成参数计算函数,包括:
根据所述样本图像进行计算,得到所述参数计算函数的函数参数;
根据所述函数参数,生成所述参数计算函数。
可选的,所述根据所述样本图像进行计算,得到所述参数计算函数的函数参数,包括:
对所述样本图像进行张量分解,得到张量形式的样本数据;
根据所述样本数据进行计算,得到所述函数参数。
可选的,所述根据所述参数计算函数进行计算,得到所述疾病诊断模型的模型参数,包括:
采用最小最优化算法,对所述参数计算函数计算最优解,得到所述疾病诊断模型的模型参数。
可选的,所述根据所述模型参数,建立所述疾病诊断模型,包括:
根据所述模型参数建立初始疾病诊断模型;
对所述初始疾病诊断模型中的模型参数进行张量分解,得到所述疾病诊断模型。
可选的,所述将所述待检测图像输入预先训练的疾病诊断模型,确定所述待检测图像对应的疾病,包括:
将所述待检测图像输入多个所述疾病诊断模型,得到每个所述疾病诊断模型输出的所述待检测图像对应的待确认疾病,每个所述疾病分类模型用于对至少一种疾病进行识别;
将多个所述待确认疾病中,数量最多的待确认疾病作为所述待检测图像对应的疾病。
第二方面,本申请实施例提供了一种疾病诊断装置,包括:
获取模块,用于获取待检测图像,所述待检测图像为三维图像;
确定模块,用于将所述待检测图像输入预先训练的疾病诊断模型,确定所述待检测图像对应的疾病,所述疾病诊断模型用于对所述待检测图像进行分解,得到三维核心张量和模态积,并通过对所述三维核心张量和所述模态积的识别,确定所述待检测图像对应的疾病。
可选的,所述装置还包括:
函数生成模块,用于根据样本图像,生成参数计算函数,所述参数计算函数用于计算所述疾病诊断模型的模型参数;
参数计算模块,用于对所述参数计算函数进行求解,得到所述疾病诊断模型的模型参数;
模型建立模块,用于根据所述模型参数,建立所述疾病诊断模型。
可选的,所述函数生成模块,还用于根据所述样本图像进行计算,得到所述参数计算函数的函数参数;根据所述函数参数,生成所述参数计算函数。
可选的,所述函数生成模块,还用于对所述样本图像进行张量分解,得到张量形式的样本数据;根据所述样本数据进行计算,得到所述函数参数。
可选的,所述参数计算模块,还用于采用最小最优化算法,对所述参数计算函数计算最优解,得到所述疾病诊断模型的模型参数。
可选的,所述模型建立模块,还用于根据所述模型参数建立初始疾病诊断模型;对所述初始疾病诊断模型中的模型参数进行张量分解,得到所述疾病诊断模型。
可选的,所述确定模块,还用于将所述待检测图像输入多个所述疾病诊断模型,得到每个所述疾病诊断模型输出的所述待检测图像对应的待确认疾病,每个所述疾病分类模型用于对至少一种疾病进行识别;将多个所述待确认疾病中,数量最多的待确认疾病作为所述待检测图像对应的疾病。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的疾病诊断方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的疾病诊断方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的疾病诊断方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例通过获取待检测的三维图像,并将待检测图像输入预先训练的疾病诊断模型,通过疾病诊断模型对待检测图像的张量进行张量分解,得到三维核心张量和模态积,并基于三维核心张量和模态积进行识别,确定待检测图像对应的疾病。通过疾病诊断模型对待检测图像分解得到三维核心张量和模态积,保留了待检测图像中的三维空间信息和内在相关性,避免造成待检测图像中的空间结构信息丢失,提高了疾病诊断模型识别疾病的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请实施例提供的疾病诊断方法所涉及的疾病诊断系统的系统结构示意图;
图2示出了本申请实施例提供的一种疾病诊断方法的示意性流程图;
图3示出了本申请实施例提供的另一种疾病诊断方法的示意性流程图;
图4示出了本申请实施例提供的一种疾病诊断装置的结构框图;
图5示出了本申请实施例提供的另一种疾病诊断装置的结构框图;
图6示出了本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本申请实施例提供的疾病诊断方法可以应用于手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、个人数字助理(personal digital assistant,PDA)等终端设备上,本申请实施例对终端设备的具体类型不作任何限制。
例如,所述终端设备可以是WLAN中的站点(STAION,ST),可以是蜂窝电话、无绳电话、会话启动协议(Session InitiationProtocol,SIP)电话、个人数字处理(PersonalDigital Assistant,PDA)设备、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、电脑、膝上型计算机、手持式通信设备、手持式计算设备等。
图1示出了本申请实施例提供的疾病诊断方法所涉及的疾病诊断系统的系统结构示意图,该疾病诊断系统可以包括:图像采集设备110和终端设备120。
其中,图像采集设备110与终端设备120连接,图像采集设备110用于对用户的身体器官进行拍摄,得到用于识别的待检测图像,而终端设备120用于识别待检测图像,确定待检测图像对应的疾病。
而且,终端设备120可以加载有预先训练的疾病诊断模型,用于确定待检测图像对应的疾病。
相应的,图像采集设备110可以对用户的待检测的身体器官进行拍摄,得到待检测图像,并向终端设备120发送该待检测图像,则终端设备120可以接收该待检测图像,并将该待检测图像输入预先训练的疾病诊断模型中,通过疾病诊断模型对待检测图像进行识别分类,确定待检测图像所对应的疾病。
需要说明的是,在实际应用中,图像采集设备110和终端设备120可以分开设置,也可以集成在同一硬件设备中,本申请实施例对图像采集设备110和终端设备120的具体形式不做限定。
图2示出了本申请实施例提供的一种疾病诊断方法的示意性流程图,作为示例而非限定,该方法可以应用于上述终端设备中,如图2所示,该方法可以包括:
S201、获取待检测图像,该待检测图像为三维图像。
在确定用户是否患有疾病的过程中,可以对用户的待检测的器官进行拍摄,得到包括待检测的器官的待检测图像,而且,为了提高准确度,通常拍摄得到的是MRI图像。
例如,若确定用户是否患有AD,可以对用户的脑器官进行拍摄,得到脑器官的MRI图像,也即是获取得到了用户的待检测图像。
需要说明的是,为了提高诊断的准确度,获取的待检测图像均为三维图像,以便在后续步骤中,可以根据疾病诊断模型对三维图像进行处理识别,确定待检测图像对应的疾病。
S202、将待检测图像输入预先训练的疾病诊断模型,确定该待检测图像对应的疾病,该疾病诊断模型用于对待检测图像进行分解,得到三维核心张量和模态积,并通过对三维核心张量和模态积的识别,确定待检测图像对应的疾病。
在得到待检测图像后,终端设备可以将待检测图像输入预先训练的疾病诊断模型,通过该疾病诊断模型对待检测图像进行识别,确定待检测图像对应的疾病。
在一种可能的实现方式中,终端设备可以将待检测图像输入疾病诊断模型,而疾病诊断模型则可以采用支持张量积技术,对待检测图像的张量进行张量分解,得到保留了三维空间信息和内在相关性的三维核心张量、以及与三维核心张量相对应的三个模态积,再通过疾病诊断模型对三维核心张量和三个模态积进行识别,确定待检测图像对应的疾病。
需要说明的是,在疾病诊断模型进行张量分解的过程中,可以采用Tucker分解(一种张量分解方式)的方式对待检测图像进行张量分解,有利于保留、提取待检测图像中的空间关联信息,降低计算复杂度和存储成本的同时提高了疾病诊断模型的诊断精度。
综上所述,本申请提供的疾病诊断方法,通过获取待检测的三维图像,并将待检测图像输入预先训练的疾病诊断模型,通过疾病诊断模型对待检测图像的张量进行张量分解,得到三维核心张量和模态积,并基于三维核心张量和模态积进行识别,确定待检测图像对应的疾病。通过疾病诊断模型对待检测图像分解得到三维核心张量和模态积,保留了待检测图像中的三维空间信息和内在相关性,避免造成待检测图像中的空间结构信息丢失,提高了疾病诊断模型识别疾病的准确度。
图3示出了本申请实施例提供的另一种疾病诊断方法的示意性流程图,作为示例而非限定,该方法可以应用于上述终端设备中,如图3所示,该方法可以包括:
S301、根据样本图像,生成参数计算函数。
其中,参数计算函数用于计算疾病诊断模型的模型参数。
在确定用户是否患有某种疾病的过程中,可以通过疾病诊断模型对用户的待检测的器官的图像进行识别,确定用户是否患病。而疾病诊断模型是根据样本图像训练得到的。即可以先根据样本图像,生成参数计算函数,以便在后续步骤中,可以根据参数计算函数建立疾病诊断模型。
而参数计算函数中可以包括多个函数参数,每个函数参数均可以通过样本图像得到。因此,终端设备可以根据样本图像进行计算,得到参数计算函数的函数参数,再根据该函数参数,生成参数计算函数。
在一种可能的实现方式中,终端设备可以先对样本图像进行特征提取,得到样本图像的特征信息,再根据提取得到的特征信息进行计算,得到函数参数。再将函数参数带入预先设置的初始参数计算函数中,得到确定参数的参数计算函数。
而且,在生成参数计算函数的过程中,可以先根据疾病诊断模型的模型参数,建立初始参数计算函数,再根据样本图像进行计算,确定初始参数计算函数中与样本图像所指示的疾病相对应的函数参数,再将函数参数带入初始参数计算函数,从而得到参数计算函数。
进一步地,在确定函数参数的过程中,可以对样本图像进行张量分解,得到张量形式的样本数据,再根据样本数据进行计算,得到函数参数。
在一种可能的实现方式中,终端设备可以获取样本图像,并对样本图像进行特征提取得到特征信息,再对特征信息进行张量分解,得到张量形式的样本数据,再将样本数据按照列向量的方式进行存储,生成样本数据集。
相对应的,终端设备可以根据样本数据集中,各个样本图像对应的样本数据进行计算,得到参数计算函数中的类内散度矩阵,再根据该类内散度矩阵,生成参数计算函数的对角化矩阵,从而得到参数计算函数。
进一步地,可以生成初始参数计算函数 ,其中,b(n)为第n阶偏差系数,/>为权重向量,/>为与/>同阶的单位向量,/>为类内散度矩阵,/>为松弛变量向量,为平衡因子,且/>,N为维度的总数目,n表示第n维的数据,例如样本图像为三维图像,则N=3,M表示样本图像的总数目,m表示第m个样本图像,且C为预先设置的常数。
令,/>,/>,并对初始参数计算函数进行转换,得到张量形式的参数计算函数/>,且满足/>,其中,/>表示第n阶权重变量,Vm表示样本X的隐空间特征,W*表示权重变量,b为偏差系数,F表示范数,/>,且,/>表示第m个样本数据的样本标签,且C为预先设置的常数,/>表示第m个样本数据。
而且,样本图像对应有标识疾病类型的样本标签,则在存储样本数据的过程中,可以建立样本标签与样本数据之间的对应关系,以便在后续步骤中,可以根据该对应关系,求得参数计算函数的最优解。
S302、对参数计算函数进行求解,得到疾病诊断模型的模型参数。
在得到参数计算函数后,即可对参数计算函数求最优解,并根据该最优解进行计算,得到疾病诊断模型的模型参数。而在求最优解的过程中,可以采用最小最优化算法,对参数计算函数计算最优解,得到疾病诊断模型的模型参数。
S303、根据模型参数,建立疾病诊断模型。
在计算得到模型参数后,即可根据模型参数建立疾病诊断模型。而在建立疾病诊断模型的过程中,可以先根据模型参数建立初始疾病诊断模型,再对初始疾病诊断模型中的模型参数进行张量分解,得到疾病诊断模型。
S304、获取待检测图像,该待检测图像为三维图像。
S305、将待检测图像输入预先训练的疾病诊断模型,确定待检测图像对应的疾病。
其中,疾病诊断模型用于对待检测图像进行分解,得到三维核心张量和模态积,并通过对三维核心张量和模态积的分析识别,确定待检测图像对应的疾病。
为了提高疾病诊断模型分类识别的准确度,可以将待检测图像输入多个疾病诊断模型,并根据多个疾病诊断模型输出的疾病进行判断,确定待检测图像对应的疾病。
可选的,可以将待检测图像输入多个疾病诊断模型,得到每个疾病诊断模型输出的待检测图像对应的待确认疾病,再将多个待确认疾病中,数量最多的待确认疾病作为待检测图像对应的疾病。
其中,每个疾病分类模型用于对至少一种疾病进行识别。
例如,若需要识别用户是否患有AD,则可以根据AD、MCI和正常建立三个疾病诊断模型,分别为AD-MCI疾病诊断模型、AD-正常疾病诊断模型和MCI-正常疾病诊断模型。
相应的,若用户患有AD,则三个疾病诊断模型输出的待确认疾病分别为AD、AD以及MCI或正常,则三个待确认疾病中,AD的数量为2,则可以确定用户患有AD。
综上所述,本申请提供的疾病诊断方法,通过获取待检测的三维图像,并将待检测图像输入预先训练的疾病诊断模型,通过疾病诊断模型对待检测图像的张量进行张量分解,得到三维核心张量和模态积,并基于三维核心张量和模态积进行识别,确定待检测图像对应的疾病。通过疾病诊断模型对待检测图像分解得到三维核心张量和模态积,保留了待检测图像中的三维空间信息和内在相关性,避免造成待检测图像中的空间结构信息丢失,提高了疾病诊断模型识别疾病的准确度。
进一步地,本申请利用支持张量机技术把三维的脑部MRI影像作为输入,能直接处理张量数据,避免了使用现有技术中支持向量机技术需要对张量数据向量化等降维操作,有效的保留了原始数据中的空间结构信息及内在相关性。而且,使用张量的数据形式,能极大减少模型参数,避免过拟合问题,增强阿尔茨海默症诊断模型的泛化能力。
进一步地,本申请在支持张量机的基础上加入类内散度矩阵,使支持张量机在划分分类超平面时,不只考虑最大化非同类病情的脑部MRI影像间的类间间距,还考虑了同类病情的脑部MRI影像样本的类内距离,使得在分类结果中非同类影像尽量远离,同类影像尽量聚集。这有利于使对AD、MCI和正常组的分类诊断更加精准。
进一步地,本申请使用Tucker分解对张量进行分解后在运算,有利于保留、提取数据中的空间关联信息,降低计算复杂度和存储成本的同时提高了模型的诊断精度。
进一步地,本申请能高效全面地利用带标签的三维脑部MRI影像数据中的信息,在较小样本情况下也能训练良好性能的分类诊断模型。相比于现有技术对训练样本的数量需求较小,能有效解决高质量带标记的医学影像样本数量较少的问题。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的疾病诊断方法,图4示出了本申请实施例提供的一种疾病诊断装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图4,该装置包括:
获取模块401,用于获取待检测图像,该待检测图像为三维图像;
确定模块402,用于将该待检测图像输入预先训练的疾病诊断模型,确定该待检测图像对应的疾病,该疾病诊断模型用于对该待检测图像进行分解,得到三维核心张量和模态积,并通过对该三维核心张量和该模态积的识别,确定该待检测图像对应的疾病。
可选的,参见图5,该装置还包括:
函数生成模块403,用于根据样本图像,生成参数计算函数,该参数计算函数用于计算该疾病诊断模型的模型参数;
参数计算模块404,用于对所述参数计算函数进行求解,得到该疾病诊断模型的模型参数;
模型建立模块405,用于根据该模型参数,建立该疾病诊断模型。
可选的,该函数生成模块403,还用于根据该样本图像进行计算,得到该参数计算函数的函数参数;根据该函数参数,生成该参数计算函数。
可选的,该函数生成模块403,还用于对该样本图像进行张量分解,得到张量形式的样本数据;根据该样本数据进行计算,得到该函数参数。
可选的,该参数计算模块404,还用于采用最小最优化算法,对该参数计算函数计算最优解,得到该疾病诊断模型的模型参数。
可选的,该模型建立模块405,还用于根据该模型参数建立初始疾病诊断模型;对该初始疾病诊断模型中的模型参数进行张量分解,得到该疾病诊断模型。
可选的,该确定模块402,还用于将该待检测图像输入多个该疾病诊断模型,得到每个该疾病诊断模型输出的该待检测图像对应的待确认疾病,每个该疾病分类模型用于对至少一种疾病进行识别;将多个该待确认疾病中,数量最多的待确认疾病作为该待检测图像对应的疾病。
综上所述,本申请提供的疾病诊断装置,通过获取待检测的三维图像,并将待检测图像输入预先训练的疾病诊断模型,通过疾病诊断模型对待检测图像的张量进行张量分解,得到三维核心张量和模态积,并基于三维核心张量和模态积进行识别,确定待检测图像对应的疾病。通过疾病诊断模型对待检测图像分解得到三维核心张量和模态积,保留了待检测图像中的三维空间信息和内在相关性,避免造成待检测图像中的空间结构信息丢失,提高了疾病诊断模型识别疾病的准确度。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种网络设备,该网络设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
图6示出了本申请实施例提供的终端设备的结构示意图。如图6所示,该实施例的终端设备6包括:至少一个处理器61(图6中仅示出一个)处理器、存储器62以及存储在所述存储器62中并可在所述至少一个处理器61上运行的计算机程序63,所述处理器61执行所述计算机程序63时实现上述任意各个疾病诊断方法实施例中的步骤。
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括,但不仅限于,处理器61、存储器62。本领域技术人员可以理解,图6仅仅是终端设备6的举例,并不构成对终端设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器61可以是中央处理单元(Central Processing Unit,CPU),该处理器61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。
所述存储器62在一些实施例中可以是所述终端设备6的内部存储单元,例如终端设备6的硬盘或内存。所述存储器62在另一些实施例中也可以是所述终端设备6的外部存储设备,例如所述终端设备6上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器62还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器62用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器62还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元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,本申请实现上述实施例方法中的全部或部分流程,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至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围。
Claims (4)
1.一种疾病诊断装置,其特征在于,包括:
获取模块,用于获取待检测图像,所述待检测图像为三维图像;
确定模块,用于将所述待检测图像输入预先训练的疾病诊断模型,确定所述待检测图像对应的疾病,所述疾病诊断模型用于对所述待检测图像进行分解,得到三维核心张量和模态积,并通过对所述三维核心张量和所述模态积的识别,确定所述待检测图像对应的疾病;
所述确定模块,还用于将所述待检测图像输入多个所述疾病诊断模型,得到每个所述疾病诊断模型输出的所述待检测图像对应的待确认疾病,每个所述疾病分类模型用于对至少一种疾病进行识别;
将多个所述待确认疾病中,数量最多的待确认疾病作为所述待检测图像对应的疾病;
所述装置还包括:
函数生成模块,用于根据样本图像,生成参数计算函数,所述参数计算函数用于计算所述疾病诊断模型的模型参数;其中,获取所述样本图像,并对所述样本图像进行特征提取得到特征信息,再对所述特征信息进行张量分解,得到张量形式的样本数据,再将所述样本数据按照列向量的方式进行存储,生成样本数据集;根据所述样本数据集中各个样本图像对应的样本数据进行计算,得到参数计算函数中的类内散度矩阵,再根据所述类内散度矩阵生成参数计算函数的对角化矩阵,得到参数计算函数;
生成初始参数计算函数 ,其中,b(n)为第n阶偏差系数,/>为权重向量,/>为与/>同阶的单位向量,/>为类内散度矩阵,/>为松弛变量向量,为平衡因子,且/>,N为维度的总数目,n表示第n维的数据,若样本图像为三维图像,则N=3,M表示样本图像的总数目,m表示第m个样本图像,且C为预先设置的常数;
令,并对初始参数计算函数进行转换,得到张量形式的参数计算函数/>,且满足/>,其中,/>表示第n阶权重变量,Vm表示样本X的隐空间特征,W*表示权重变量,b为偏差系数,F表示范数,/>,且,/>表示第m个样本数据的样本标签,且C为预先设置的常数,/>表示第m个样本数据;
模型建立模块,用于根据所述模型参数,建立所述疾病诊断模型;
所述参数计算模块,还用于采用最小最优化算法,对所述参数计算函数计算最优解,得到所述疾病诊断模型的模型参数;
2.如权利要求1所述的装置,其特征在于,所述函数生成模块,还用于根据所述样本图像进行计算,得到所述参数计算函数的函数参数;根据所述函数参数,生成所述参数计算函数。
3.如权利要求2所述的装置,其特征在于,
所述函数生成模块,还用于对所述样本图像进行张量分解,得到张量形式的样本数据;根据所述样本数据进行计算,得到所述函数参数。
4.如权利要求1所述的装置,其特征在于,
所述模型建立模块,还用于根据所述模型参数建立初始疾病诊断模型;对所述初始疾病诊断模型中的模型参数进行张量分解,得到所述疾病诊断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911287334.0A CN111081372B (zh) | 2019-12-14 | 2019-12-14 | 疾病诊断装置、终端设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911287334.0A CN111081372B (zh) | 2019-12-14 | 2019-12-14 | 疾病诊断装置、终端设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111081372A CN111081372A (zh) | 2020-04-28 |
CN111081372B true CN111081372B (zh) | 2023-06-20 |
Family
ID=70314561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911287334.0A Active CN111081372B (zh) | 2019-12-14 | 2019-12-14 | 疾病诊断装置、终端设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111081372B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754473A (zh) * | 2020-06-17 | 2020-10-09 | 平安科技(深圳)有限公司 | 用于3d图像的异常图像筛查方法、装置、设备及存储介质 |
CN113140326B (zh) * | 2020-12-31 | 2023-03-24 | 上海明品医学数据科技有限公司 | 一种新冠肺炎检测装置、干预装置及检测干预系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7894903B2 (en) * | 2005-03-24 | 2011-02-22 | Michael Sasha John | Systems and methods for treating disorders of the central nervous system by modulation of brain networks |
US8989465B2 (en) * | 2012-01-17 | 2015-03-24 | Mayo Foundation For Medical Education And Research | System and method for medical image reconstruction and image series denoising using local low rank promotion |
CN103345633A (zh) * | 2013-06-27 | 2013-10-09 | 山东大学 | 一种用于阿尔兹海默病早期发现的结构性核磁共振影像处理方法 |
CN104361318B (zh) * | 2014-11-10 | 2018-02-06 | 中国科学院深圳先进技术研究院 | 一种基于弥散张量成像技术的疾病诊断辅助系统 |
US10436871B2 (en) * | 2017-04-24 | 2019-10-08 | Cedars-Sinai Medical Center | Low-rank tensor imaging for multidimensional cardiovascular MRI |
CN108197629B (zh) * | 2017-12-30 | 2021-12-31 | 北京工业大学 | 一种基于标签相关性约束张量分解的多模态医学影像特征提取方法 |
CN108335756B (zh) * | 2018-01-18 | 2022-05-24 | 中山大学 | 鼻咽癌数据库及基于所述数据库的综合诊疗决策方法 |
CN108742624A (zh) * | 2018-03-20 | 2018-11-06 | 山东大学 | 一种用于辅助诊断胶质瘤疾病的多模态影像分析方法 |
CN110321946A (zh) * | 2019-06-27 | 2019-10-11 | 郑州大学第一附属医院 | 一种基于深度学习的多模态医学影像识别方法及装置 |
-
2019
- 2019-12-14 CN CN201911287334.0A patent/CN111081372B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111081372A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101857624B1 (ko) | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 | |
US10810735B2 (en) | Method and apparatus for analyzing medical image | |
CN108509915B (zh) | 人脸识别模型的生成方法和装置 | |
US9892361B2 (en) | Method and system for cross-domain synthesis of medical images using contextual deep network | |
CN109255392B (zh) | 基于非局部神经网络的视频分类方法、装置及设备 | |
EP3430525A1 (en) | Method and system for processing a task with robustness to missing input information | |
CN108197592B (zh) | 信息获取方法和装置 | |
CN111369562B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
WO2021120961A1 (zh) | 大脑成瘾结构图谱评估方法及装置 | |
CN111081372B (zh) | 疾病诊断装置、终端设备及计算机可读存储介质 | |
WO2021097675A1 (zh) | 一种基于医学图像的智能辅助诊断方法及终端 | |
CN104281856B (zh) | 用于脑部医学图像分类的图像预处理方法和系统 | |
CN109982088B (zh) | 图像处理方法及装置 | |
CN110720906A (zh) | 脑图像处理方法、计算机设备和可读存储介质 | |
CN114550212A (zh) | 一种基于轻量级模型的羊脸检测与识别方法 | |
CN109961435B (zh) | 脑图像获取方法、装置、设备及存储介质 | |
CN111488810A (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
CN111126254A (zh) | 图像识别方法、装置、设备及存储介质 | |
CN117036894B (zh) | 基于深度学习的多模态数据分类方法、装置及计算机设备 | |
CN112699907B (zh) | 数据融合的方法、装置和设备 | |
CN113724185A (zh) | 用于图像分类的模型处理方法、装置及存储介质 | |
CN110288668B (zh) | 图像生成方法、装置、计算机设备及存储介质 | |
Yahia et al. | Texture analysis of magnetic resonance brain images to assess multiple sclerosis lesions | |
CN116052286A (zh) | 活体检测模型的训练方法、活体检测方法及相关设备 | |
CN114943695A (zh) | 医学序列影像的异常检测方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |