CN114783597B - 多类疾病诊断的诊断方法及装置、电子设备和存储介质 - Google Patents
多类疾病诊断的诊断方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114783597B CN114783597B CN202210717844.2A CN202210717844A CN114783597B CN 114783597 B CN114783597 B CN 114783597B CN 202210717844 A CN202210717844 A CN 202210717844A CN 114783597 B CN114783597 B CN 114783597B
- Authority
- CN
- China
- Prior art keywords
- preset
- diseases
- training
- medical image
- different
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Abstract
本公开公开了多类疾病诊断的诊断方法及装置、电子设备和存储介质,涉及医疗数据处理技术领域,主要技术方案包括:将至少两类疾病对应的医学图像信息,分别输入到预设诊断模型中不同的预设诊断网络中,以便预设诊断网络分别确定医学图像信息对应的特征信息,将不同的特征信息进行融合计算,基于所述预设诊断模型中的预设分类器对融合后的特征信息进行学习,并输出根据至少两类疾病对应的医学图像信息协同处理的诊断结果。与相关技术相比,利用至少两类疾病对应的医学图像信息之间的相关性,进行融合处理,不同的疾病和任务可以相互协同促进和信息补充,从而有效地减少对医学数据的依赖,同时提升系统推理的时间。
Description
技术领域
本公开涉及医疗数据处理技术领域,尤其涉及一种多类疾病诊断的诊断方法及装置、电子设备和存储介质。
背景技术
利用信息化技术推动脑部医学影像的自动化、智能化分析是学术界以及产业界一直关注的热点。近年来随着深度学习技术的发展,许多基于深度神经网络的诊断系统在部分脑疾病诊断中越来越普遍。然而,由于脑疾病种类较多,诊断任务多样,因此要构建一套能够覆盖绝大多数诊断任务的系统是十分困难的。
为了提高诊断效率,现有的方法采取的策略通常为:针对每一种诊断任务,收集相关疾病的医学影像数据,根据任务的诊断需求(如疾病的检测、分割、分类),构造相对独立的识别网络。
然而,现有的方法虽然能够完成疾病的诊断识别,每一个疾病诊断任务都有其独立的推理网络,若疾病诊断任务较多,则推理时间开销巨大。特别是在脑疾病诊断任务中,对疾病的高效识别非常重要,若推理时间过长,对于突发脑卒中这样的待急救病人,可能会错过黄金抢救时间,后果严重。
发明内容
本公开提供了一种多类疾病诊断的诊断方法、装置、电子设备和存储介质。其主要目的在于解决每一个疾病诊断任务都有其独立的推理网络,若疾病诊断任务较多,则推理时间开销巨大的问题。
根据本公开的第一方面,提供了一种多类疾病诊断的诊断方法,包括:
将至少两类疾病对应的医学图像信息,分别输入到预设诊断模型中不同的预设诊断网络中,以便预设诊断网络分别确定医学图像信息对应的特征信息;
将不同的特征信息进行融合计算;
基于所述预设诊断模型中的预设分类器对融合后的特征信息进行学习,并输出根据至少两类疾病对应的医学图像信息协同处理的诊断结果。
可选地,所述方法还包括:
获取至少两类疾病对应的训练用医学图像信息,其中,所述至少两类疾病对应的训练用医学图像信息包含对应的类别标签;
按照所述类别标签,将所述至少两类疾病对应的训练用医学图像信息转换为对应的检测标签;
将不同类别的检测标签输入到预设诊断模型中不同的预设诊断网络中,以便不同的预设诊断网络分别对同一类别的训练用医学图像信息进行训练,得到所述训练用医学图像信息对应的训练用特征信息;
将不同的训练用特征信息进行融合计算;
基于所述预设诊断模型中的预设分类器对融合后的训练用特征信息进行学习,并根据学习结果生成所述预设诊断模型。
可选地,所述将不同的特征信息进行融合计算包括:
确定所述不同特征信息之间的关联关系;
根据所述关联关系将不同特征信息进行图像融合计算。
可选地,所述预设诊断模型中不同的预设诊断网络包括Unet网络、神经网络中的至少一种。
可选地,所述基于所述预设诊断模型中的预设分类器对融合后的训练用特征信息进行学习包括:
根据所述融合后的训练用特征信息根据其对应的像素概率图模拟生成检测标签;
基于所述预设诊断模型中的预设分类器对模拟生成的检测标签进行学习。
根据本公开的第二方面,提供了一种多类疾病诊断的诊断装置,包括:
输入单元,用于将至少两类疾病对应的医学图像信息,分别输入到预设诊断模型中不同的预设诊断网络中,以便预设诊断网络分别确定医学图像信息对应的特征信息;
第一计算单元,用于将不同的特征信息进行融合计算;
第一学习单元,用于基于所述预设诊断模型中的预设分类器对融合后的特征信息进行学习;
输出单元,用于输出根据至少两类疾病对应的医学图像信息协同处理的诊断结果。
可选地,所述装置还包括:
获取单元,用于获取至少两类疾病对应的训练用医学图像信息,其中,所述至少两类疾病对应的训练用医学图像信息包含对应的类别标签;
转换单元,用于按照所述类别标签,将所述至少两类疾病对应的训练用医学图像信息转换为对应的检测标签;
训练单元,用于将不同类别的检测标签输入到预设诊断模型中不同的预设诊断网络中,以便不同的预设诊断网络分别对同一类别的训练用医学图像信息进行训练,得到所述训练用医学图像信息对应的训练用特征信息;
第二计算单元,用于将不同的训练用特征信息进行融合计算;
第二学习单元,用于基于所述预设诊断模型中的预设分类器对融合后的训练用特征信息进行学习;
生成单元,用于根据学习结果生成所述预设诊断模型。
可选地,所述第一计算单元包括:
确定模块,用于确定所述不同特征信息之间的关联关系;
计算模块,用于根据所述关联关系将不同特征信息进行图像融合计算。
可选地,所述预设诊断模型中不同的预设诊断网络包括Unet网络、神经网络中的至少一种。
可选地,所述第二学习单元包括:
生成模块,用于根据所述融合后的训练用特征信息根据其对应的像素概率图模拟生成检测标签;
学习模块,用于基于所述预设诊断模型中的预设分类器对模拟生成的检测标签进行学习。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述第一方面所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行前述第一方面所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如前述第一方面所述的方法。
本公开提供的多类疾病诊断的诊断方法、装置、电子设备和存储介质,将至少两类疾病对应的医学图像信息,分别输入到预设诊断模型中不同的预设诊断网络中,以便预设诊断网络分别确定医学图像信息对应的特征信息,将不同的特征信息进行融合计算,基于所述预设诊断模型中的预设分类器对融合后的特征信息进行学习,并输出根据至少两类疾病对应的医学图像信息协同处理的诊断结果。与相关技术相比,本申请实施例利用至少两类疾病对应的医学图像信息之间的相关性,进行融合处理,不同的疾病和任务可以相互协同促进和信息补充,从而有效地减少对医学数据的依赖,同时提升系统推理的时间。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开实施例所提供的一种多类疾病诊断的诊断方法的流程示意图;
图2为本公开实施例所提供的一种预设诊断模型的框架图;
图3为本公开实施例提供的一种生成预设诊断模型的方法流程示意图;
图4为本公开实施例提供的一种多类疾病诊断的诊断装置的结构示意图;
图5为本公开实施例提供的另一种多类疾病诊断的诊断装置的结构示意图;
图6为本公开实施例提供的示例电子设备300的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本公开实施例的多类疾病诊断的诊断方法、装置、电子设备和存储介质。
图1为本公开实施例所提供的一种多类疾病诊断的诊断方法的流程示意图。如图1所示,该方法包含以下步骤:
步骤101,将至少两类疾病对应的医学图像信息,分别输入到预设诊断模型中不同的预设诊断网络中,以便预设诊断网络分别确定医学图像信息对应的特征信息。
本申请实施例应用于多类(至少两类)协同诊断的应用场景中,例如,在疾病层面,脑梗塞和脑水肿可以共同帮助网络学习到低密度病灶特征,脑出血和颅骨骨折可以相互提供特征线索。本申请实施例疾病类型不进行限定,但是后续实施例会以脑疾病为例进行说明,但是应当明确的是,该种说明方式并非意在限定仅能用于脑疾病的诊断。
本申请实施例可对多类疾病进行协同诊断,为了便于说明,本申请实施例以协同诊断两类疾病为例进行说明,但是需要说明的是,该种说明方式并非意在限定多类疾病仅仅包含两类。
将两类医学图像信息输入到预设模型中,首先经过预设分割算法将医学图像信息进行分割,分割后按照不同类别疾病输入到不同的预设诊断网络中,一类医学图像信息只能输入到一个预设诊断网络,即一个预设诊断网络仅能确定同一类的医学图像信息对应的特征信息。
需要说明的是,所谓的一类医学图像信息只能输入到一个预设诊断网络,并非是限定预设诊断网络只能诊断某一具体类别的医学图像信息,其可以识别类别1的医学图像信息,也可以识别类别2的医学图像信息,只要是同一类别的医学图像信息均能识别,并非是限定识别特定类别的医学图像信息。
步骤102,将不同的特征信息进行融合计算。
在进行融合计算时,依赖于不同特征信息之间的关联性,例如,在诊断疾病时,当检测和分割到与某一目标疾病相关的局部特征信息时,可以关联出全局特征信息,利用局部特征信息与全局特征信息之间的关联性,不同的疾病和任务可以相互协同促进和信息补充,从而有效地减少对医学数据的依赖,同时提升系统推理的时间。
本申请实施例中,将不同的特征信息进行融合的目的在于使确定的特征信息更加的丰富,丰富特征信息对局部特征信息的编码能力。
所述预设诊断模型中不同的预设诊断网络包括Unet网络、神经网络中的至少一种。
步骤103,基于所述预设诊断模型中的预设分类器对融合后的特征信息进行学习,并输出根据至少两类疾病对应的医学图像信息协同处理的诊断结果。
在实际应用中,将融合后的特征信息,输入预设诊断模型的最顶层,使用额外的全连接层(预设分类器),学习不同疾病的分类任务,为预设诊断网络提供具有全局的语义信息,进而确定输出根据至少两类疾病对应的医学图像信息协同处理的诊断结果。
本公开提供的多类疾病诊断的诊断方法,将至少两类疾病对应的医学图像信息,分别输入到预设诊断模型中不同的预设诊断网络中,以便预设诊断网络分别确定医学图像信息对应的特征信息,将不同的特征信息进行融合计算,基于所述预设诊断模型中的预设分类器对融合后的特征信息进行学习,并输出根据至少两类疾病对应的医学图像信息协同处理的诊断结果。与相关技术相比,本申请实施例利用至少两类疾病对应的医学图像信息之间的相关性,进行融合处理,不同的疾病和任务可以相互协同促进和信息补充,从而有效地减少对医学数据的依赖,同时提升系统推理的时间。
为了能精准的对多类疾病进行协同针对,在执行图1所述的方法之前,本申请实施例还需要训练生成预设诊断模型,如图2所示,所述方法包括:
步骤201,获取至少两类疾病对应的训练用医学图像信息,其中,所述至少两类疾病对应的训练用医学图像信息包含对应的类别标签。
由于不同的疾病拥有不同的类别标签,因此无法保证不同的网络分支在同一时间段得到训练。
步骤202,按照所述类别标签,将所述至少两类疾病对应的训练用医学图像信息转换为对应的检测标签。
本申请实施例采用标注粒度向下演化方式,对于标注粒度向下演化策略,类别标签同时转换为检测标签。
步骤203,将不同类别的检测标签输入到预设诊断模型中不同的预设诊断网络中,以便不同的预设诊断网络分别对同一类别的训练用医学图像信息进行训练,得到所述训练用医学图像信息对应的训练用特征信息。
根据数据所具有的不同类型的检测标签,在相应的分支进行训练。
预设诊断模型中不同的预设诊断网络采用了类似Unet网络的下采样-上采样结构,如图2所示,在网络的浅层抽取图像的特征信息,顶层抽取跟语义相关的信息。
步骤204,将不同的训练用特征信息进行融合计算。
在上采样的过程中,将下采样得到的特征信息进行融合,使得特征的语义信息能够更加的丰富。将不同的训练用特征信息进行融合计算包括但不限于确定所述不同训练用特征信息之间的关联关系,根据所述关联关系将不同训练用特征信息进行图像融合计算。
步骤205,基于所述预设诊断模型中的预设分类器对融合后的训练用特征信息进行学习,并根据学习结果生成所述预设诊断模型。
最终,网络最后上采样得到的特征信息将被用于分割任务的学习。同时,网络使用了一支特征金字塔模块,用于检测任务的特征信息抽取,该分支所抽取到的特征信息同样与骨干网络上采样时的特征信息相融合,丰富特征信息对于局部信息的编码能力,在预设诊断模型的最顶层,使用额外的全连接层(预设分类器),学习不同疾病的识别分类任务,帮助网络具有全局的语义信息,以生成预设诊断模型。
对于粗粒度标签向上模拟策略,可根据检测标签周围的像素概率图模拟生成类别标签,根据所述融合后的训练用特征信息根据其对应的像素概率图模拟生成检测标签,基于所述预设诊断模型中的预设分类器对模拟生成的检测标签进行学习。这样实现不同分支的协同训练,提升最终各项任务的表现效果。
与上述的多类疾病诊断的诊断方法相对应,本发明还提出一种多类疾病诊断的诊断装置。由于本发明的装置实施例与上述的方法实施例相对应,对于装置实施例中未披露的细节可参照上述的方法实施例,本发明中不再进行赘述。
本申请实施例提供一种多类疾病诊断的诊断装置,如图4所示,包括:
输入单元31,用于将至少两类疾病对应的医学图像信息,分别输入到预设诊断模型中不同的预设诊断网络中,以便预设诊断网络分别确定医学图像信息对应的特征信息;
第一计算单元32,用于将不同的特征信息进行融合计算;
第一学习单元33,用于基于所述预设诊断模型中的预设分类器对融合后的特征信息进行学习;
输出单元34,用于输出根据至少两类疾病对应的医学图像信息协同处理的诊断结果。
本公开提供的多类疾病诊断的诊断装置,将至少两类疾病对应的医学图像信息,分别输入到预设诊断模型中不同的预设诊断网络中,以便预设诊断网络分别确定医学图像信息对应的特征信息,将不同的特征信息进行融合计算,基于所述预设诊断模型中的预设分类器对融合后的特征信息进行学习,并输出根据至少两类疾病对应的医学图像信息协同处理的诊断结果。与相关技术相比,本申请实施例利用至少两类疾病对应的医学图像信息之间的相关性,进行融合处理,不同的疾病和任务可以相互协同促进和信息补充,从而有效地减少对医学数据的依赖,同时提升系统推理的时间。
进一步地,在本实施例一种可能的实现方式中,如图5所示,所述装置还包括:
获取单元35,用于获取至少两类疾病对应的训练用医学图像信息,其中,所述至少两类疾病对应的训练用医学图像信息包含对应的类别标签;
转换单元36,用于按照所述类别标签,将所述至少两类疾病对应的训练用医学图像信息转换为对应的检测标签;
训练单元37,用于将不同类别的检测标签输入到预设诊断模型中不同的预设诊断网络中,以便不同的预设诊断网络分别对同一类别的训练用医学图像信息进行训练,得到所述训练用医学图像信息对应的训练用特征信息;
第二计算单元38,用于将不同的训练用特征信息进行融合计算;
第二学习单元39,用于基于所述预设诊断模型中的预设分类器对融合后的训练用特征信息进行学习;
生成单元310,用于根据学习结果生成所述预设诊断模型。
进一步地,在本实施例一种可能的实现方式中,如图5所示,所述第一计算单元32包括:
确定模块321,用于确定所述不同特征信息之间的关联关系;
计算模块322,用于根据所述关联关系将不同特征信息进行图像融合计算。
进一步地,在本实施例一种可能的实现方式中,所述预设诊断模型中不同的预设诊断网络包括Unet网络、神经网络中的至少一种。
进一步地,在本实施例一种可能的实现方式中,如图5所示,所述第二学习单元39包括:
生成模块391,用于根据所述融合后的训练用特征信息根据其对应的像素概率图模拟生成检测标签;
学习模块392,用于基于所述预设诊断模型中的预设分类器对模拟生成的检测标签进行学习。
需要说明的是,前述对方法实施例的解释说明,也适用于本实施例的装置,原理相同,本实施例中不再限定。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示,设备400包括计算单元401,其可以根据存储在ROM(Read-OnlyMemory,只读存储器)402中的计算机程序或者从存储单元408加载到RAM(Random AccessMemory,随机访问/存取存储器)403中的计算机程序,来执行各种适当的动作和处理。在RAM403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。I/O(Input/Output,输入/输出)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元404,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于CPU(Central Processing Unit,中央处理单元)、GPU(Graphic Processing Units,图形处理单元)、各种专用的AI(Artificial Intelligence,人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor,数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理,例如多类疾病诊断的诊断方法。例如,在一些实施例中,多类疾病诊断的诊断方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行上文描述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行前述多类疾病诊断的诊断方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array,现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit,专用集成电路)、ASSP(Application Specific StandardProduct,专用标准产品)、SOC(System On Chip,芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device,复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory,可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory,便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(Cathode-Ray Tube,阴极射线管)或者LCD(Liquid Crystal Display,液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:LAN(LocalArea Network,局域网)、WAN(Wide Area Network,广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称 "VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
其中,需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (11)
1.一种多类疾病诊断的诊断方法,其特征在于,包括:
获取至少两类疾病对应的训练用医学图像信息,其中,所述至少两类疾病对应的训练用医学图像信息包含对应的类别标签;
按照所述类别标签,将所述至少两类疾病对应的训练用医学图像信息转换为对应的检测标签;
将不同类别的检测标签输入到预设诊断模型中不同的预设诊断网络中,以便不同的预设诊断网络分别对同一类别的训练用医学图像信息进行训练,得到所述训练用医学图像信息对应的训练用特征信息;
将不同的训练用特征信息进行融合计算;
基于所述预设诊断模型中的预设分类器对融合后的训练用特征信息进行学习,并根据学习结果生成所述预设诊断模型;
将至少两类疾病对应的医学图像信息,分别输入到预设诊断模型中不同的预设诊断网络中,以便预设诊断网络分别确定医学图像信息对应的特征信息;
将不同的特征信息进行融合计算;
基于所述预设诊断模型中的预设分类器对融合后的特征信息进行学习,并输出根据至少两类疾病对应的医学图像信息协同处理的诊断结果。
2.根据权利要求1所述的诊断方法,其特征在于,所述将不同的特征信息进行融合计算包括:
确定不同特征信息之间的关联关系;
根据所述关联关系将不同特征信息进行图像融合计算。
3.根据权利要求1-2中任一项所述的诊断方法,其特征在于,所述预设诊断模型中不同的预设诊断网络包括Unet网络、神经网络中的至少一种。
4.根据权利要求1所述的诊断方法,其特征在于,所述基于所述预设诊断模型中的预设分类器对融合后的训练用特征信息进行学习包括:
根据所述融合后的训练用特征信息及其对应的像素概率图模拟生成检测标签;
基于所述预设诊断模型中的预设分类器对模拟生成的检测标签进行学习。
5.一种多类疾病诊断的诊断装置,其特征在于,包括:
获取单元,用于获取至少两类疾病对应的训练用医学图像信息,其中,所述至少两类疾病对应的训练用医学图像信息包含对应的类别标签;
转换单元,用于按照所述类别标签,将所述至少两类疾病对应的训练用医学图像信息转换为对应的检测标签;
训练单元,用于将不同类别的检测标签输入到预设诊断模型中不同的预设诊断网络中,以便不同的预设诊断网络分别对同一类别的训练用医学图像信息进行训练,得到所述训练用医学图像信息对应的训练用特征信息;
第二计算单元,用于将不同的训练用特征信息进行融合计算;
第二学习单元,用于基于所述预设诊断模型中的预设分类器对融合后的训练用特征信息进行学习;
生成单元,用于根据学习结果生成所述预设诊断模型;
输入单元,用于将至少两类疾病对应的医学图像信息,分别输入到预设诊断模型中不同的预设诊断网络中,以便预设诊断网络分别确定医学图像信息对应的特征信息;
第一计算单元,用于将不同的特征信息进行融合计算;
第一学习单元,用于基于所述预设诊断模型中的预设分类器对融合后的特征信息进行学习;
输出单元,用于输出根据至少两类疾病对应的医学图像信息协同处理的诊断结果。
6.根据权利要求5所述的诊断装置,其特征在于,所述第一计算单元包括:
确定模块,用于确定不同特征信息之间的关联关系;
计算模块,用于根据所述关联关系将不同特征信息进行图像融合计算。
7.根据权利要求5-6中任一项所述的诊断装置,其特征在于,所述预设诊断模型中不同的预设诊断网络包括Unet网络、神经网络中的至少一种。
8.根据权利要求5所述的诊断装置,其特征在于,所述第二学习单元包括:
生成模块,用于根据所述融合后的训练用特征信息及其对应的像素概率图模拟生成检测标签;
学习模块,用于基于所述预设诊断模型中的预设分类器对模拟生成的检测标签进行学习。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法。
11.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210717844.2A CN114783597B (zh) | 2022-06-23 | 2022-06-23 | 多类疾病诊断的诊断方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210717844.2A CN114783597B (zh) | 2022-06-23 | 2022-06-23 | 多类疾病诊断的诊断方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114783597A CN114783597A (zh) | 2022-07-22 |
CN114783597B true CN114783597B (zh) | 2022-11-29 |
Family
ID=82422301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210717844.2A Active CN114783597B (zh) | 2022-06-23 | 2022-06-23 | 多类疾病诊断的诊断方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114783597B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409958A (zh) * | 2023-10-31 | 2024-01-16 | 北京长木谷医疗科技股份有限公司 | 基于深度学习的骨关节智能诊断方法、装置、设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404050A (zh) * | 2008-11-25 | 2009-04-08 | 中国网络通信集团公司 | 协同医疗业务关联方法和协同医疗业务关联系统 |
CN108550401A (zh) * | 2018-03-20 | 2018-09-18 | 昆明理工大学 | 一种基于Apriori的病症数据关联方法 |
CN109190699A (zh) * | 2018-08-29 | 2019-01-11 | 西安电子科技大学 | 一种基于多任务学习的多疾病联合测定方法 |
CN109599185A (zh) * | 2018-11-14 | 2019-04-09 | 金色熊猫有限公司 | 疾病数据处理方法、装置、电子设备及计算机可读介质 |
CN110428897A (zh) * | 2019-06-19 | 2019-11-08 | 西安电子科技大学 | 基于snp致病因素与疾病关联关系的疾病诊断信息处理方法 |
CN110853763A (zh) * | 2019-11-11 | 2020-02-28 | 湖南城市学院 | 基于融合属性的miRNA-疾病关联识别方法及系统 |
CN111325576A (zh) * | 2020-02-17 | 2020-06-23 | 卫宁健康科技集团股份有限公司 | 疾病诊断相关分组的费用预测方法、系统及电子设备 |
CN112365976A (zh) * | 2020-11-14 | 2021-02-12 | 南昌大学第二附属医院 | 一种基于迁移学习的复合病种临床路径构建方法及系统 |
CN113962311A (zh) * | 2021-10-27 | 2022-01-21 | 厦门大学 | 知识数据和人工智能驱动的眼科多病种识别系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109192300A (zh) * | 2018-08-17 | 2019-01-11 | 百度在线网络技术(北京)有限公司 | 智能问诊方法、系统、计算机设备和存储介质 |
US11587678B2 (en) * | 2020-03-23 | 2023-02-21 | Clover Health | Machine learning models for diagnosis suspecting |
CN114613489A (zh) * | 2022-02-21 | 2022-06-10 | 哈尔滨工业大学(深圳) | 一种基于深度强化学习的问诊方法及系统 |
-
2022
- 2022-06-23 CN CN202210717844.2A patent/CN114783597B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404050A (zh) * | 2008-11-25 | 2009-04-08 | 中国网络通信集团公司 | 协同医疗业务关联方法和协同医疗业务关联系统 |
CN108550401A (zh) * | 2018-03-20 | 2018-09-18 | 昆明理工大学 | 一种基于Apriori的病症数据关联方法 |
CN109190699A (zh) * | 2018-08-29 | 2019-01-11 | 西安电子科技大学 | 一种基于多任务学习的多疾病联合测定方法 |
CN109599185A (zh) * | 2018-11-14 | 2019-04-09 | 金色熊猫有限公司 | 疾病数据处理方法、装置、电子设备及计算机可读介质 |
CN110428897A (zh) * | 2019-06-19 | 2019-11-08 | 西安电子科技大学 | 基于snp致病因素与疾病关联关系的疾病诊断信息处理方法 |
CN110853763A (zh) * | 2019-11-11 | 2020-02-28 | 湖南城市学院 | 基于融合属性的miRNA-疾病关联识别方法及系统 |
CN111325576A (zh) * | 2020-02-17 | 2020-06-23 | 卫宁健康科技集团股份有限公司 | 疾病诊断相关分组的费用预测方法、系统及电子设备 |
CN112365976A (zh) * | 2020-11-14 | 2021-02-12 | 南昌大学第二附属医院 | 一种基于迁移学习的复合病种临床路径构建方法及系统 |
CN113962311A (zh) * | 2021-10-27 | 2022-01-21 | 厦门大学 | 知识数据和人工智能驱动的眼科多病种识别系统 |
Non-Patent Citations (2)
Title |
---|
PawełCieszko et al..Development of a tropical disease diagnosis system using artificial neural network and GIS.《2021 14th International Conference on Human System Interaction (HSI)》.2021,全文. * |
关联规则优化的心脏疾病诱发因素检测算法;毛颉等;《控制工程》;20170620(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114783597A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113326764B (zh) | 训练图像识别模型和图像识别的方法和装置 | |
CN113033622B (zh) | 跨模态检索模型的训练方法、装置、设备和存储介质 | |
CN113642431B (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
CN112560874A (zh) | 图像识别模型的训练方法、装置、设备和介质 | |
CN113392253B (zh) | 视觉问答模型训练及视觉问答方法、装置、设备及介质 | |
US20230306081A1 (en) | Method for training a point cloud processing model, method for performing instance segmentation on point cloud, and electronic device | |
CN113344089B (zh) | 模型训练方法、装置及电子设备 | |
CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
CN115861462A (zh) | 图像生成模型的训练方法、装置、电子设备及存储介质 | |
CN114494815A (zh) | 神经网络训练方法、目标检测方法、装置、设备和介质 | |
CN114783597B (zh) | 多类疾病诊断的诊断方法及装置、电子设备和存储介质 | |
CN112949433B (zh) | 视频分类模型的生成方法、装置、设备和存储介质 | |
Shi et al. | Lightweight Context-Aware Network Using Partial-Channel Transformation for Real-Time Semantic Segmentation | |
CN114462598A (zh) | 深度学习模型的训练方法、确定数据类别的方法和装置 | |
CN112216379A (zh) | 一种基于智能联合学习的疾病诊断系统 | |
CN111785340B (zh) | 一种医疗数据处理方法、装置、设备及存储介质 | |
CN113590777A (zh) | 文本信息处理方法、装置、电子设备和存储介质 | |
CN113033774A (zh) | 图处理网络模型的训练方法、装置、电子设备和存储介质 | |
CN115457329B (zh) | 图像分类模型的训练方法、图像分类方法和装置 | |
CN115239889B (zh) | 3d重建网络的训练方法、3d重建方法、装置、设备和介质 | |
CN114723045B (zh) | 模型训练方法、装置、系统、设备、介质及程序产品 | |
EP4083875A1 (en) | Data annotation method and apparatus, electronic device and readable storage medium | |
CN113887414A (zh) | 目标检测方法、装置、电子设备和存储介质 | |
CN112560848A (zh) | 兴趣点poi预训练模型的训练方法、装置及电子设备 | |
CN116824677B (zh) | 表情识别方法、装置、电子设备及存储介质 |
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 |