CN116258679A - 一种信息推荐方法、装置、存储介质及电子设备 - Google Patents
一种信息推荐方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116258679A CN116258679A CN202310004631.XA CN202310004631A CN116258679A CN 116258679 A CN116258679 A CN 116258679A CN 202310004631 A CN202310004631 A CN 202310004631A CN 116258679 A CN116258679 A CN 116258679A
- Authority
- CN
- China
- Prior art keywords
- symptom
- optimized
- feature data
- layer
- classification 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本说明书公开了一种信息推荐方法、装置、存储介质及电子设备,本说明书实施例在获取针对用户的病灶部位所采集的图像之后,将图像输入到分类模型中,通过分类模型确定出各特征数据,并确定每个特征数据归属于每种症状的概率。基于每个特征数据归属于每种症状的概率和每个特征数据,确定每种症状对应的症状特征。将每种症状对应的症状特征进行拼接得到综合症状特征,并基于综合症状特征识别出用户所患的疾病。在此方法中,可以将病灶处的各症状进行解耦,得到每种症状的症状特征,再基于每种症状的症状特征确定出患者所患的疾病,这样可以有效提高对相似症状的疾病进行分类的准确性。
Description
技术领域
本说明书涉及医疗领域,尤其涉及一种信息推荐方法、装置、存储介质及电子设备。
背景技术
随着人工智能技术的不断进步,人工智能与医学的结合获得长久的发展和广泛的关注。
现有技术中,可以通过传统神经网络,对患者的医学影像进行分类,以诊断出患者所患的疾病。
然而,现有技术中传统神经网络只能对症状明显或症状独立的疾病进行分类,如:骨骼异常、乳腺癌异常就是症状明显或症状独立的疾病。但是,在诸如角膜炎等这类疾病上,这类疾病可以进行更细致的疾病种类划分,比如:真菌角膜炎、细菌角膜炎,这些更细致的疾病种类所表现出的症状比较接近,且在病灶处耦合多种症状,导致现有技术无法对更细致的疾病种类进行有效分类。
发明内容
本说明书实施例提供一种信息推荐方法、装置、存储介质及电子设备,以部分解决上述现有技术存在的问题。
本说明书实施例采用下述技术方案:
本说明书提供的一种信息推荐方法,包括:
获取针对用户的病灶部位所采集的图像;
将所述图像输入到预先训练的分类模型中,以通过所述分类模型中的第一全连接层输出各特征数据;
将所述各特征数据输入所述分类模型中的症状分类层,以通过所述症状分类层,针对每种症状,确定每个特征数据归属于该种症状的概率;
将所述各特征数据以及每个特征数据归属于每种症状的概率输入到所述分类模型中的融合层,以通过所述融合层,针对每种症状,基于每个特征数据归属于该种症状的概率以及所述各特征数据,确定该种症状对应的融合特征;
将每种症状对应的融合特征输入到所述分类模型中的第二全连接层,以通过所述第二全连接层输出每种症状对应的症状特征;
将每种症状对应的症状特征输入所述分类模型中的拼接层,以通过所述拼接层,将每种症状对应的症状特征进行拼接,得到综合症状特征;
将所述综合症状特征输入所述分类模型中的疾病分类层,以通过所述疾病分类层,基于所述综合症状特征,识别出所述用户所患的疾病;
基于识别出的所述用户所患的疾病,进行信息推荐。
可选地,将所述图像输入到预先训练的分类模型中,以通过所述分类模型中的第一全连接层输出各特征数据,具体包括:
将所述图像输入到预先训练的分类模型中,以通过所述分类模型中的编码层,对所述图像进行特征提取,得到图像特征;
将所述图像特征输入到所述分类模型中的池化层,以通过所述池化层输出池化后特征;
将所述池化后特征输入到所述分类模型中的第一全连接层,以通过所述第一全连接层输出所述病灶部位所表征的各特征数据。
可选地,基于每个特征数据归属于该种症状的概率以及所述各特征数据,确定该种症状对应的融合特征,具体包括:
针对每个特征数据,将该特征数据归属于该种症状的概率与该特征数据进行相乘,得到该特征数据对应的局部特征;
将每个特征数据对应的局部特征进行累加,得到该种症状对应的融合特征。
可选地,获取针对用户的病灶部位所采集的图像,具体包括:
获取针对用户的病灶部位所采集的全局图像以及获取针对用户的病灶部位所采集的局部图像;
将所述图像输入到预先训练的分类模型中,以通过所述分类模型中的第一全连接层输出各特征数据,具体包括:
将所述全局图像和所述局部图像输入到预先训练的分类模型中,以通过所述分类模型中的第一全连接层输出所述全局图像对应的各特征数据,作为各第一特征数据,以及输出所述局部图像对应的各特征数据,作为各第二特征数据;
将所述各特征数据输入所述分类模型中的症状分类层,以通过所述症状分类层,针对每种症状,确定每个特征数据归属于该种症状的概率,具体包括:
将所述各第一特征数据输入所述分类模型中的第一症状分类层,以通过所述第一症状分类层,针对每种症状,确定每个第一特征数据归属于该种症状的概率;将所述各第二特征数据输入所述分类模型中的第二症状分类层,以通过所述第二症状分类层,针对每种症状,确定每个第二特征数据归属于该种症状的概率;
将所述各特征数据以及每个特征数据归属于每种症状的概率输入到所述分类模型中的融合层,以通过所述融合层,针对每种症状,基于每个特征数据归属于该种症状的概率以及所述各特征数据,确定该种症状对应的融合特征,具体包括:
将所述各第一特征数据以及每个第一特征数据归属于每种症状的概率输入到所述分类模型中的第一融合层,以通过所述第一融合层,针对每种症状,基于每个第一特征数据归属于该种症状的概率以及所述各第一特征数据,确定该种症状对应的第一融合特征;
将所述各第二特征数据以及每个第二特征数据归属于每种症状的概率输入到所述分类模型中的第二融合层,以通过所述第二融合层,针对每种症状,基于每个第二特征数据归属于该种症状的概率以及所述各第二特征数据,确定该种症状对应的第二融合特征;
将该种症状对应的第一融合特征以及该种症状对应的第二融合特征输入到所述分类模型中的第三融合层,以通过所述第三融合层,将该种症状对应的第一融合特征与该种症状对应的第二融合特征进行融合,得到该种症状对应的综合融合特征;
将每种症状对应的融合特征输入到所述分类模型中的第二全连接层,以通过所述第二全连接层输出每种症状对应的症状特征,具体包括:
将每种症状对应的综合融合特征输入到所述分类模型中的第二全连接层,以通过所述第二全连接层输出每种症状对应的症状特征。
可选地,获取针对用户的病灶部位所采集的局部图像,具体包括:
将所述全局图像输入到预先训练的注意力机制模型中,以通过所述注意力机制模型确定出所述全局图像中位于病灶部分的像素集合,作为第一集合;将所述全局图像输入到预先训练的分割模型中,以通过所述分割模型确定出所述全局图像中位于病灶部分的像素集合,作为第二集合;其中,所述注意力机制模型和所述分割模型是采用不同训练方式进行训练的;
确定所述第一集合和所述第二集合中的公共像素点;
从所述全局图像中确定出包含所述公共像素点的最小外接矩形的图像区域,作为局部图像。
可选地,所述第一全连接层包括:第一子全连接层和第二子全连接层;
将所述全局图像和所述局部图像输入到预先训练的分类模型中,以通过所述分类模型中的第一全连接层输出所述全局图像对应的各特征数据,作为各第一特征数据,以及输出所述局部图像对应的各特征数据,作为各第二特征数据,具体包括:
将所述全局图像和所述局部图像输入到预先训练的分类模型中,以通过所述分类模型中的第一编码层,对所述全局图像进行特征提取,得到第一图像特征;通过所述分类模型中的第二编码层,对所述局部图像进行特征提取,得到第二图像特征;
将所述第一图像特征输入到所述分类模型中的池化层,以通过所述池化层输出第一池化后特征;将所述第二图像特征输入到所述分类模型中的池化层,以通过所述池化层输出第二池化后特征;
将所述第一池化后特征输入到所述分类模型中的第一子全连接层,以通过所述第一子全连接层输出所述全局图像对应的各特征数据,作为各第一特征数据;将所述第二池化后特征输入到所述分类模型中的第二子全连接层,以通过所述第二子全连接层输出所述局部图像对应的各特征数据,作为各第二特征数据。
可选地,将每种症状对应的症状特征进行拼接,得到综合症状特征,具体包括:
将每种症状对应的症状特征进行拼接,得到拼接后特征;
将所述拼接后特征与所述第一池化后特征进行拼接,得到综合症状特征。
可选地,在获取针对用户的病灶部位所采集的图像之前,所述方法还包括:
获取针对患者的病灶部位所采集的样本图像;
将所述样本图像输入到待训练的分类模型中,以通过所述分类模型中的第一全连接层输出各待优化特征数据;
将所述各待优化特征数据输入所述分类模型中的症状分类层,以通过所述症状分类层,针对每种症状,确定每个待优化特征数据归属于该种症状的概率;
将所述各待优化特征数据以及每个待优化特征数据归属于每种症状的概率输入到所述分类模型中的融合层,以通过所述融合层,针对每种症状,基于每个待优化特征数据归属于该种症状的概率以及所述各待优化特征数据,确定该种症状对应的待优化融合特征;
将每种症状对应的待优化融合特征输入到所述分类模型中的第二全连接层,以通过所述第二全连接层输出每种症状对应的待优化症状特征;
将每种症状对应的待优化症状特征输入所述分类模型中的拼接层,以通过所述拼接层,将每种症状对应的待优化症状特征进行拼接,得到待优化综合症状特征;
将所述待优化综合症状特征输入所述分类模型中的疾病分类层,以通过所述疾病分类层,基于所述待优化综合症状特征,识别出所述患者所患的疾病类型;
以所述疾病类型与所述样本图像对应的真实疾病类型之间的差异最小为优化目标,对所述分类模型进行训练。
可选地,基于每个待优化特征数据归属于该种症状的概率以及所述各待优化特征数据,确定该种症状对应的待优化融合特征,具体包括:
针对每个待优化特征数据,将该待优化特征数据归属于该种症状的概率与该待优化特征数据相乘,得到该待优化特征数据对应的局部特征;
将每个待优化特征数据对应的局部特征进行累加,得到该种症状对应的待优化融合特征。
可选地,以所述疾病类型与所述样本图像对应的真实疾病类型之间的差异最小为优化目标,对所述分类模型进行训练,具体包括:
将每种症状对应的待优化症状特征输入到针对症状特征分类的归一化层,以通过所述归一化层,对每种症状对应的待优化症状特征进行属性分类,得到每种症状对应的待优化属性类别;
根据每种症状对应的待优化属性类别与各自真实属性类别之间的差异,确定第一损失;
根据所述疾病类型与所述样本图像对应的真实疾病类型之间的差异,确定第二损失;
根据所述第一损失和所述第二损失,确定综合损失;
以所述综合损失最小为优化目标,对所述分类模型进行训练。
可选地,获取针对患者的病灶部位所采集的样本图像,具体包括:
获取针对患者的病灶部位所采集的样本全局图像以及样本局部图像;
将所述样本图像输入到待训练的分类模型中,以通过所述分类模型中的第一全连接层输出各待优化特征数据,具体包括:
将所述样本全局图像和所述样本局部图像输入到待训练的分类模型中,以通过所述分类模型中的第一全连接层输出所述样本全局图像对应的各待优化特征数据,作为各第一待优化特征数据,以及输出所述样本局部图像对应的各待优化特征数据,作为各第二待优化特征数据;
将所述各待优化特征数据输入所述分类模型中的症状分类层,以通过所述症状分类层,针对每种症状,确定每个待优化特征数据归属于该种症状的概率,具体包括:
将所述各第一待优化特征数据输入所述分类模型中的第一症状分类层,以通过所述第一症状分类层,针对每种症状,确定每个第一待优化特征数据归属于该种症状的概率;将所述各第二待优化特征数据输入所述分类模型中的第二症状分类层,以通过所述第二症状分类层,针对每种症状,确定每个第二待优化特征数据归属于该种症状的概率;
将所述各待优化特征数据以及每个待优化特征数据归属于每种症状的概率输入到所述分类模型中的融合层,以通过所述融合层,针对每种症状,基于每个待优化特征数据归属于该种症状的概率以及所述各待优化特征数据,确定该种症状对应的待优化融合特征,具体包括:
将所述各第一待优化特征数据以及每个第一待优化特征数据归属于每种症状的概率输入到所述分类模型中的第一融合层,以通过所述第一融合层,针对每种症状,基于每个第一待优化特征数据归属于该种症状的概率以及所述各第一待优化特征数据,确定该种症状对应的第一待优化融合特征;
将所述各第二待优化特征数据以及每个第二待优化特征数据归属于每种症状的概率输入到所述分类模型中的第二融合层,以通过所述第二融合层,针对每种症状,基于每个第二待优化特征数据归属于该种症状的概率以及所述各第二待优化特征数据,确定该种症状对应的第二待优化融合特征;
将该种症状对应的第一待优化融合特征以及该种症状对应的第二待优化融合特征输入到所述分类模型中的第三融合层,以通过所述第三融合层,将该种症状对应的第一待优化融合特征与该种症状对应的第二待优化融合特征进行融合,得到该种症状对应的待优化综合融合特征;
将每种症状对应的待优化融合特征输入到所述分类模型中的第二全连接层,以通过所述第二全连接层输出每种症状对应的待优化症状特征,具体包括:
将每种症状对应的待优化综合融合特征输入到所述分类模型中的第二全连接层,以通过所述第二全连接层输出每种症状对应的待优化症状特征。
可选地,将所述样本全局图像和所述样本局部图像输入到待训练的分类模型中,以通过所述分类模型中的第一全连接层输出所述样本全局图像对应的各待优化特征数据,作为各第一待优化特征数据,以及输出所述样本局部图像对应的各待优化特征数据,作为各第二待优化特征数据,具体包括:
将所述样本全局图像和所述样本局部图像输入到待训练的分类模型中,以通过所述分类模型中的第一编码层,对所述样本全局图像进行特征提取,得到第一待优化图像特征;通过所述分类模型中的第二编码层,对所述样本局部图像进行特征提取,得到第二待优化图像特征;
将所述第一待优化图像特征输入到所述分类模型中的池化层,以通过所述池化层输出第一待优化池化后特征;将所述第二待优化图像特征输入到所述分类模型中的池化层,以通过所述池化层输出第二待优化池化后特征;
将所述第一待优化池化后特征输入到所述分类模型中的第一子全连接层,以通过所述第一子全连接层输出所述样本全局图像对应的各待优化特征数据,作为各第一待优化特征数据;将所述第二待优化池化后特征输入到所述分类模型中的第二子全连接层,以通过所述第二子全连接层输出所述样本局部图像对应的各待优化特征数据,作为各第二待优化特征数据。
可选地,将每种症状对应的待优化症状特征进行拼接,得到待优化综合症状特征,具体包括:
将每种症状对应的待优化症状特征进行拼接,得到待优化拼接后特征;
将所述待优化拼接后特征与所述第一待优化池化后特征进行拼接,得到待优化综合症状特征。
可选地,所述症状分类层是针对不同病症的门控网络层,针对每种症状,该种症状的门控网络层是由该种症状的全连接层以及归一化层构成的。
本说明书提供的一种信息推荐装置,包括:
获取模块,用于获取针对用户的病灶部位所采集的图像;
第一确定模块,用于将所述图像输入到预先训练的分类模型中,以通过所述分类模型中的第一全连接层输出各特征数据;
第二确定模块,用于将所述各特征数据输入所述分类模型中的症状分类层,以通过所述症状分类层,针对每种症状,确定每个特征数据归属于该种症状的概率;
融合模块,用于将所述各特征数据以及每个特征数据归属于每种症状的概率输入到所述分类模型中的融合层,以通过所述融合层,针对每种症状,基于每个特征数据归属于该种症状的概率以及所述各特征数据,确定该种症状对应的融合特征;
第三确定模块,用于将每种症状对应的融合特征输入到所述分类模型中的第二全连接层,以通过所述第二全连接层输出每种症状对应的症状特征;
拼接模块,用于将每种症状对应的症状特征输入所述分类模型中的拼接层,以通过所述拼接层,将每种症状对应的症状特征进行拼接,得到综合症状特征;
疾病识别模块,用于将所述综合症状特征输入所述分类模型中的疾病分类层,以通过所述疾病分类层,基于所述综合症状特征,识别出所述用户所患的疾病;
信息推荐模块,用于基于识别出的所述用户所患的疾病,进行信息推荐。
本说明书提供的一种计算机可读存储介质,所述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上述的信息推荐方法。
本说明书提供的一种电子设备,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上述的信息推荐方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书实施例中在获取针对用户的病灶部位所采集的图像之后,将图像输入到分类模型中,通过分类模型确定出各特征数据,并确定每个特征数据归属于每种症状的概率。基于每个特征数据归属于每种症状的概率和每个特征数据,确定每种症状对应的症状特征。将每种症状对应的症状特征进行拼接得到综合症状特征,并基于综合症状特征识别出用户所患的疾病,最后,基于识别出的疾病进行信息推荐。在此方法中,可以将病灶处的各症状进行解耦,得到每种症状的症状特征,再基于每种症状的症状特征确定出患者所患的疾病,这样可以有效提高对相似症状的疾病进行分类的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书实施例提供的信息推荐方法的流程示意图;
图2为本说明书实施例提供的采用一张图像进行疾病分类的分类模型的使用示意图;
图3为本说明书实施例提供的采用一张图像进行疾病分类的分类模型的训练示意图;
图4为本说明书实施例提供的采用两张图像进行疾病分类的分类模型的训练示意图;
图5为本说明书实施例提供的采用两张图像进行疾病分类的分类模型的使用示意图;
图6为本说明书实施例提供的信息推荐装置结构示意图;
图7为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
本说明书提供的信息推荐方法旨在通过分类模型对针对病灶部位所采集的图像进行症状分类,并根据每种症状的症状特征,识别出患者所患的疾病种类,并基于识别出的疾病种类进行信息推荐。
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例提供的信息推荐方法的流程示意图,包括:
S100:获取针对用户的病灶部位所采集的图像。
在本说明书实施例中,可以先通过医疗影像设备采集患者病灶部位的图像,并获取针对用户(即,患者)的病灶部位所采集的图像。其中,图像可以是彩色图像。另外,图像可以是指针对包含病灶部位在内患病部位所采集的全局图像和/或只针对病灶部位所采集的局部图像。
比如:若患者病灶部分为眼球,全局图像可以是整个眼睛的图像,局部图像可以是只包含眼球的图像。
S102:将所述图像输入到预先训练的分类模型中,以通过所述分类模型中的第一全连接层输出各特征数据。
在本说明书实施例中,在获取针对用户的病灶部位所采集的图像之后,可以将图像输入到预先训练的分类模型中,以通过分类模型对用户所患的疾病类型进行识别或分类。其中,分类模型的模型结构至少包括:用于提取图像特征的编码层、用于降维的池化层、用于线性映射的第一全连接层、用于症状分类的症状分类层、用于融合每种症状的特征的融合层、用于症状特征分类的症状特征分类层、用于拼接症状特征的拼接层、用于疾病分类的疾病分类层等。症状特征分类层可以是由第二全连接层和针对病症特征分类的归一化层构成的。症状分类层可以是由每种症状对应的第三全连接层和每种症状对应的归一化层构成的,融合层可以是由多个用于线性映射的第四全连接层构成。拼接层可以是由第五全连接层构成的,疾病分类层可以是由用于疾病种类映射的多个第六全连接层和针对疾病分类的归一化层构成的。
在本说明书实施例中,可以将图像先输入到预先训练的分类模型中的编码层,以通过编码层,对图像进行特征提取,得到图像的图像特征。其中,编码层可以是指残差卷积网络。然后,将图像特征输入到分类模型中的池化层,以通过池化层,对图像特征进行平均池化,得到池化后特征。之后,将池化后特征输入到分类模型中的第一全连接层,以通过第一全连接层输出病灶部位所表征的各特征数据。其中,第一全连接层可以是多个,各特征数据可以是池化后特征经过多个第一全连接层的线性映射后所得到的特征。
比如:图像特征为:feat=Encoder(image),feat∈Rc*h*w,c表示图像卷积通道数,h表示图像的高,w表示图像的宽。池化后特征为:F池=Poolavg(feat),F池∈Rc。c表示特征维度。各特征数据集合为:F集={F′ 0,F′ 1,...,F′ n},针对任意一个特征数据F′ n,F′ n=FC1(ReLU(FC0(F池))),FC0、FC1表示第一全连接层,ReLU表示激活函数。
S104:将所述各特征数据输入所述分类模型中的症状分类层,以通过所述症状分类层,针对每种症状,确定每个特征数据归属于该种症状的概率。
在本说明书实施例中,在得到各特征数据之后,可以通过分类模型中的症状分类层,从各特征数据中筛选出与每种症状相关的特征数据。其中,症状分类层可以是针对不同症状的门控网络层,针对每种症状,该种症状的门控网络层是由该种症状的第三全连接层和归一化层构成的。
具体的,将各特征数据输入到分类模型中的症状分类层,以通过症状分类层,针对每种症状,确定每个特征数据归属于该种症状的概率。某个特征数据归属于该种症状的概率越大,说明该特征数据与该种症状越相关。即,该特征数据越能表征该种症状。
以角膜炎为例,角膜炎可以分为棘阿米巴角膜炎、细菌性角膜炎、真菌性角膜炎和病毒性角膜炎等四种疾病种类。而不同角膜炎疾病所表现出的症状可以分为:颗粒感、致密度、分布均匀度、边缘形状、表面干湿度等五种。若有10个特征数据,可能特征数据1和特征数据4在表征颗粒感方面的概率比较大,特征数据2和特征数据3在表征致密度方面的概率比较大,特征数据5和特征数据7在表征分布均匀度方面概率比较大,特征数据6和特征数据10在表征边缘形状方面的概率比较大,特征数据8和特征数据9在表征表面干湿度方面的概率比较大。
S106:将所述各特征数据以及每个特征数据归属于每种症状的概率输入到所述分类模型中的融合层,以通过所述融合层,针对每种症状,基于每个特征数据归属于该种症状的概率以及所述各特征数据,确定该种症状对应的融合特征。
在本说明书实施例中,可以通过分类模型中的融合层,针对每种症状,从各特征数据中选择出能表征该种症状的特征数据,并将选择出的特征数据进行融合,以确定出能够表征该种症状的总特征。
具体的,将各特征数据以及每个特征数据归属于每种症状的概率输入到分类模型中的融合层,以通过融合层,针对每种症状,基于每个特征数据归属于该种症状的概率以及各特征数据,确定该种症状对应的融合特征,即,总特征。
进一步,在每种症状下,针对每个特征数据,将该特征数据归属于该种症状的概率作为权重,将该特征数据归属于该种症状的概率与该特征数据进行相乘,得到该特征数据对应的局部特征。然后,将每个特征数据对应的局部特征进行累加,得到该种症状对应的融合特征。
S108:将每种症状对应的融合特征输入到所述分类模型中的第二全连接层,以通过所述第二全连接层输出每种症状对应的症状特征。
在本说明书实施例中,在确定每种症状对应的融合特征之后,可以对每种症状的融合特征进行分类,以确定出每种症状对应的症状特征。其中,每种症状对应的症状特征可以表示每种症状的属性,比如:颗粒感是明显还是不明显,致密度是大还是小,炎症是分布均匀还是不均匀,边缘形状是环状还是弧形,表面是干还是湿等。
具体的,将每种症状对应的融合特征输入到症状特征分类层,以通过症状特征分类层中的第二全连接层输出每种症状对应的症状特征。
S110:将每种症状对应的症状特征输入所述分类模型中的拼接层,以通过所述拼接层,将每种症状对应的症状特征进行拼接,得到综合症状特征。
S112:将所述综合症状特征输入所述分类模型中的疾病分类层,以通过所述疾病分类层,基于所述综合症状特征,识别出所述用户所患的疾病。
S114:基于识别出的所述用户所患的疾病,进行信息推荐。
在本说明书实施例中,在得到每种症状对应的症状特征之后,可以综合考虑每种症状的症状特征,来分辨出输入病灶部位所表征的疾病种类。
具体的,将每种症状对应的症状特征输入分类模型中的拼接层,以通过拼接层,将每种症状对应的症状特征进行拼接,得到综合症状特征。然后,将综合症状特征输入到分类模型中的疾病分类层,以通过疾病分类层,基于综合症状特征,识别出用户(即,患者)所患的疾病种类。即,识别出病灶部位所表征的疾病种类。
以角膜炎为例,若颗粒感不明显、致密度不高、分布不均匀、边缘形状为半环状、表面湿度大,则可能识别为棘阿米巴角膜炎;若颗粒感不明显、致密度高、分布不均匀、边缘形状为牙膏状、表面干,则可能识别为真菌性角膜炎。
在通过分类模型识别出用户所患的疾病种类之后,可以针对识别出的疾病种类进行信息推荐。
具体的,可以针对识别出的疾病种类,向用户推荐与识别出的疾病种类相匹配的治疗信息。其中,治疗信息可以包括:治疗设备、治疗药物、治疗医生信息中至少一种。
基于上述步骤S100~步骤S112所描述的识别疾病种类过程,本说明书提供采用一张图像进行疾病分类的分类模型的使用示意图,如图2所示。
需要说明的是,本申请中所有获取信号、信息或图像数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
通过上述图1所示的方法可见,本说明书在获取针对用户的病灶部位所采集的图像之后,将图像输入到分类模型中,通过分类模型确定出各特征数据,并确定每个特征数据归属于每种症状的概率。基于每个特征数据归属于每种症状的概率和每个特征数据,确定每种症状对应的症状特征。将每种症状对应的症状特征进行拼接得到综合症状特征,并基于综合症状特征识别出用户所患的疾病,最后,基于识别出的疾病进行信息推荐。在此方法中,可以将病灶处的各症状进行解耦,得到每种症状的症状特征,再基于每种症状的症状特征确定出患者所患的疾病,这样可以有效提高对相似症状的疾病进行分类的准确性。
进一步的,在使用分类模型之前,对采用一张图像进行疾病分类的分类模型进行训练,如图3所示。
在图3中,可以先获取针对患者的病灶部位所采集的样本图像,然后,将样本图像输入到待训练的分类模型中,以通过分类模型中的第一全连接层输出样本图像对应的各待优化特征数据。
具体的,将样本图像输入到待训练的分类模型中,以通过分类模型中的编码层,对样本图像进行特征提取,得到待优化图像特征。然后,将待优化图像特征输入到分类模型中的池化层,以通过池化层输出的待优化池化后特征。最后,将待优化池化后特征输入到分类模型中的第一全连接层,以通过第一全连接层输出样本图像对应的各待优化特征数据。
在确定各待优化特征数据之后,将各待优化特征数据输入分类模型中的症状分类层,以通过症状分类层,针对每种症状,确定每个待优化特征数据归属于该种症状的概率。然后,将各待优化特征数据以及每个待优化特征数据归属于每种症状的概率输入到分类模型中的融合层,以通过融合层,针对每种症状,基于每个待优化特征数据归属于该种症状的概率以及各待优化特征数据,确定该种症状对应的待优化融合特征。
具体的,在每种症状下,针对每个待优化特征数据,将该待优化特征数据归属于该种症状的概率与该待优化特征数据相乘,得到该待优化特征数据对应的局部特征。然后,将每个待优化特征数据对应的局部特征进行累加,得到该种症状对应的待优化融合特征。
将每种症状对应的待优化融合特征输入到分类模型中的症状特征分类层的第二全连接层,以通过第二全连接层输出每种症状对应的待优化症状特征。
在确定出每种症状对应的待优化症状特征之后,可以将每种症状对应的待优化症状特征输入分类模型中的拼接层,以通过拼接层,将每种症状对应的待优化症状特征进行拼接,得到待优化综合症状特征。
将待优化综合症状特征输入分类模型中的疾病分类层,以通过疾病分类层,基于待优化综合症状特征,识别出患者所患的疾病类型。以识别出的疾病种类与样本图像对应的真实疾病类型之间的差异最小为优化目标,对分类模型进行训练。
在对分类模型进行训练时,还需要以每种症状的症状特征所识别出的属性类别与真实属性类别之间的差异最小为优化目标,对分类模型进行训练,以确保每种症状的症状特征的特征表达准确。
具体的,在通过症状特征分类层的第二全连接层输出每种症状对应的待优化症状特征之后,可以将每种症状对应的待优化症状特征输入到症状特征分类层的归一化层,以通过针对症状特征分类的归一化层,对每种症状对应的待优化症状特征进行属性分类,得到每种症状对应的待优化属性类别。然后,针对每种症状,确定该种症状对应的待优化属性类别与该种症状的真实属性类别之间的差异,作为该种症状对应的差异。以每种症状对应的差异最小、以识别出的疾病类型与样本图像对应的真实疾病类型之间的差异最小为优化目标,对分类模型进行训练。
进一步,可以根据每种症状对应的待优化属性类别与各自真实属性类别之间的差异,确定第一损失。同时,根据识别出的疾病类型与样本图像对应的真实疾病类型之间的差异,确定第二损失。最后,根据第一损失和第二损失,确定综合损失。以综合损失最小为优化目标,对分类模型进行训练。其中,第一损失、第二损失可以是指交叉熵损失。
在确定第一损失时,针对每种症状,可以根据该种症状对应的待优化属性类别与该种症状的真实属性类别之间的差异,确定该种症状对应的损失。然后,将每种症状对应的损失进行累加,得到第一损失。
在确定综合损失时,可以基于第一损失对应的第一权重、第二损失的第二权重,对第一损失和第二损失进行加权求和,得到综合损失。
其中,第一损失的公式为: 表示第i种症状的第n个属性类别,t表示第t种症状。针对第二损失:/> n表示第n个疾病种类。综合损失的公式为:Loss综=α*Loss1+β*Loss2,α表示第一权重,β表示第二权重。
此外,为了让分类模型能够学习到或表达出更加准确的特征,可以对两张针对病灶部位所采集的图像进行特征提取、池化、症状分类。在对两张图像进行上述处理时,可以采用相互独立的编码层、全连接层、症状分类层。
接下来,先对采用两张图像进行疾病分类的分类模型进行训练,如图4所示。
首先,可以先获取针对病灶部分所采集的样本全局图像,然后,基于样本全局图像,确定出只涉及病灶部位的图像区域的样本局部图像。其中,样本全局图像可以是指采集包括病灶部位在内的图像,样本局部图像可以是指只采集病灶部分的图像。
具体的,可以将样本全局图像输入到预先训练的注意力机制模型中,以通过注意力机制模型确定出样本全局图像中位于病灶部分的像素集合,作为第一像素集合。然后,将样本全局图像输入到预先训练的分割模型中,以通过分割模型确定出样本全局图像中位于病灶部分的像素集合,作为第二像素集合。之后,确定第一像素集合和第二像素集合中的公共像素点,并从样本全局图像中确定出包含公共像素点的最小外接矩形的图像区域,作为样本局部图像。其中,注意力机制模型和分割模型是采用不同训练方式进行训练的,注意力机制模型可以是基于标签方式训练得到的,分割模型可以是基于掩码重构方式训练得到。
在图4中,在获取到样本全局图像和样本局部图像之后,将样本全局图像和样本局部图像输入到待训练的分类模型中,以通过分类模型中的第一全连接层输出样本全局图像对应的各待优化特征数据,作为各第一待优化特征数据,以及输出样本局部图像对应的各待优化特征数据,作为各第二待优化特征数据。其中,第一全连接层可以包括:第一子全连接层和第二子全连接层。
具体的,将样本全局图像和样本局部图像输入到待训练的分类模型中,以通过分类模型中的第一编码层,对样本全局图像进行特征提取,得到第一待优化图像特征。同时,通过分类模型中的第二编码层,对样本局部图像进行特征提取,得到第二待优化图像特征。将第一待优化图像特征输入到分类模型中的池化层,以通过池化层输出第一待优化池化后特征。将第二待优化图像特征输入到分类模型中的池化层,以通过池化层输出第二待优化池化后特征。将第一待优化池化后特征输入到分类模型中的第一子全连接层,以通过第一子全连接层输出样本全局图像对应的各待优化特征数据,作为各第一待优化特征数据。同时,将第二待优化池化后特征输入到分类模型中的第二子全连接层,以通过第二子全连接层输出样本局部图像对应的各待优化特征数据,作为各第二待优化特征数据。
将各第一待优化特征数据输入分类模型中的第一症状分类层,以通过第一症状分类层,针对每种症状,确定每个第一待优化特征数据归属于该种症状的概率。同时,将各第二待优化特征数据输入分类模型中的第二症状分类层,以通过第二症状分类层,针对每种症状,确定每个第二待优化特征数据归属于该种症状的概率。
将各第一待优化特征数据以及每个第一待优化特征数据归属于每种症状的概率输入到分类模型中的第一融合层,以通过第一融合层,针对每种症状,基于每个第一待优化特征数据归属于该种症状的概率以及各第一待优化特征数据,确定该种症状对应的第一待优化融合特征。
具体的,在每种症状下,针对每个第一待优化特征数据,将该第一待优化特征数据归属于该种症状的概率与该第一待优化特征数据相乘,得到该第一待优化特征数据对应的局部特征。然后,将每个第一待优化特征数据对应的局部特征进行累加,得到该种症状对应的第一待优化融合特征。
同时,将各第二待优化特征数据以及每个第二待优化特征数据归属于每种症状的概率输入到分类模型中的第二融合层,以通过第二融合层,针对每种症状,基于每个第二待优化特征数据归属于该种症状的概率以及各第二待优化特征数据,确定该种症状对应的第二待优化融合特征。
具体的,在每种症状下,针对每个第二待优化特征数据,将该第二待优化特征数据归属于该种症状的概率与该第二待优化特征数据相乘,得到该第二待优化特征数据对应的局部特征。然后,将每个第二待优化特征数据对应的局部特征进行累加,得到该种症状对应的第二待优化融合特征。
在得到每种症状对应的第一待优化融合特征和每种症状对应的第二待优化融合特征之后,针对每种症状,可以将该种症状对应的第一待优化融合特征以及该种症状对应的第二待优化融合特征输入到分类模型中的第三融合层,以通过第三融合层,将该种症状对应的第一待优化融合特征与该种症状对应的第二待优化融合特征进行融合,得到该种症状对应的待优化综合融合特征。
在得到每种症状对应的待优化综合融合特征之后,可以将每种症状对应的待优化综合融合特征输入到分类模型中的第二全连接层,以通过第二全连接层输出每种症状对应的待优化症状特征。
将每种症状对应的待优化症状特征输入到分类模型中的拼接层,以通过拼接层,将每种症状对应的待优化症状特征进行拼接,得到待优化综合症状特征。
具体的,可以直接将每种症状对应的待优化症状特征进行拼接,得到待优化拼接后特征,作为待优化综合症状特征。
将待优化综合症状特征输入分类模型中的疾病分类层,以通过疾病分类层,基于待优化综合症状特征,识别出患者所患的疾病类型。
以识别出的疾病类型与样本图像对应的真实疾病类型之间的差异最小为优化目标,对分类模型进行训练。
在对分类模型进行训练时,可以在通过症状特征分类层的第二全连接层输出每种症状对应的待优化症状特征之后,可以将每种症状对应的待优化症状特征输入到症状特征分类层的归一化层,以通过针对症状特征分类的归一化层,对每种症状对应的待优化症状特征进行属性分类,得到每种症状对应的待优化属性类别。然后,针对每种症状,确定该种症状对应的待优化属性类别与该种症状的真实属性类别之间的差异,作为该种症状对应的差异。以每种症状对应的差异最小、以识别出的疾病类型与样本图像对应的真实疾病类型之间的差异最小为优化目标,对分类模型进行训练。
另外,为了提高分类模型识别疾病种类的精度,可以通过拼接层,将每种症状对应的待优化症状特征进行拼接,得到待优化拼接后特征。然后,将待优化拼接后特征与第一待优化池化后特征进行拼接,得到待优化综合症状特征。
在对包含两个相互独立的编码层、全连接层、疾病分类层的分类模型训练完成之后,可以通过该分类模型采用两张图像进行疾病分类,如图5所示。
首先,可以先获取针对病灶部位所采集的全局图像。然后,将全局图像输入到预先训练的注意力机制模型中,以通过注意力机制模型确定出全局图像中位于病灶部分的像素集合,作为第一集合。将全局图像输入到预先训练的分割模型中,以通过分割模型确定出所述全局图像中位于病灶部分的像素集合,作为第二集合。确定第一集合和第二集合中的公共像素点,并从全局图像中确定出包含公共像素点的最小外接矩形的图像区域,作为局部图像。
在图5中,在获取全局图像和局部图像之后,可以将全局图像和局部图像输入到预先训练的分类模型中,以通过分类模型中的第一全连接层输出全局图像对应的各特征数据,作为各第一特征数据,以及输出局部图像对应的各特征数据,作为各第二特征数据。
具体的,将全局图像和局部图像输入到预先训练的分类模型中,以通过分类模型中的第一编码层,对全局图像进行特征提取,得到第一图像特征。通过分类模型中的第二编码层,对局部图像进行特征提取,得到第二图像特征。将第一图像特征输入到分类模型中的池化层,以通过池化层输出第一池化后特征。将第二图像特征输入到分类模型中的池化层,以通过池化层输出第二池化后特征。将第一池化后特征输入到分类模型中的第一子全连接层,以通过第一子全连接层输出全局图像对应的各特征数据,作为各第一特征数据。将第二池化后特征输入到分类模型中的第二子全连接层,以通过第二子全连接层输出局部图像对应的各特征数据,作为各第二特征数据。
将各第一特征数据输入分类模型中的第一症状分类层,以通过第一症状分类层,针对每种症状,确定每个第一特征数据归属于该种症状的概率。将各第二特征数据输入分类模型中的第二症状分类层,以通过第二症状分类层,针对每种症状,确定每个第二特征数据归属于该种症状的概率。
将各第一特征数据以及每个第一特征数据归属于每种症状的概率输入到分类模型中的第一融合层,以通过第一融合层,针对每种症状,基于每个第一特征数据归属于该种症状的概率以及各第一特征数据,确定该种症状对应的第一融合特征。
将各第二特征数据以及每个第二特征数据归属于每种症状的概率输入到分类模型中的第二融合层,以通过第二融合层,针对每种症状,基于每个第二特征数据归属于该种症状的概率以及各第二特征数据,确定该种症状对应的第二融合特征。
具体的,在每种症状下,针对每个第一特征数据,将该第一特征数据归属于该种症状的概率与该第一特征数据进行相乘,得到该第一特征数据对应的局部特征。将每个第一特征数据对应的局部特征进行累加,得到该种症状对应的第一融合特征。相同的,针对每个第二特征数据,将该第二特征数据归属于该种症状的概率与该第二特征数据进行相乘,得到该第二特征数据对应的局部特征。将每个第二特征数据对应的局部特征进行累加,得到该种症状对应的第二融合特征。
针对每种症状,将该种症状对应的第一融合特征以及该种症状对应的第二融合特征输入到分类模型中的第三融合层,以通过第三融合层,将该种症状对应的第一融合特征与该种症状对应的第二融合特征进行融合,得到该种症状对应的综合融合特征。
在得到每种症状对应的综合融合特征之后,可以将每种症状对应的综合融合特征输入到分类模型中的第二全连接层,以通过第二全连接层输出每种症状对应的症状特征。
将每种症状对应的症状特征输入分类模型中的拼接层,以通过拼接层,将每种症状对应的症状特征进行拼接,得到综合症状特征。
具体的,通过拼接层,将每种症状对应的症状特征进行拼接,得到拼接后特征,作为综合症状特征。
将综合症状特征输入分类模型中的疾病分类层,以通过疾病分类层,基于综合症状特征,识别出用户所患的疾病。
此外,还可以通过拼接层,将每种症状对应的症状特征进行拼接,得到拼接后特征,然后,将拼接后特征与第一池化后特征进行拼接,得到综合症状特征。
以上为本说明书实施例提供的信息推荐方法,基于同样的思路,本说明书还提供了相应的装置、存储介质和电子设备。
图6为本说明书实施例提供的一种信息推荐装置的结构示意图,所述装置包括:
获取模块601,用于获取针对用户的病灶部位所采集的图像;
第一确定模块602,用于将所述图像输入到预先训练的分类模型中,以通过所述分类模型中的第一全连接层输出各特征数据;
第二确定模块603,用于将所述各特征数据输入所述分类模型中的症状分类层,以通过所述症状分类层,针对每种症状,确定每个特征数据归属于该种症状的概率;
融合模块604,用于将所述各特征数据以及每个特征数据归属于每种症状的概率输入到所述分类模型中的融合层,以通过所述融合层,针对每种症状,基于每个特征数据归属于该种症状的概率以及所述各特征数据,确定该种症状对应的融合特征;
第三确定模块605,用于将每种症状对应的融合特征输入到所述分类模型中的第二全连接层,以通过所述第二全连接层输出每种症状对应的症状特征;
拼接模块606,用于将每种症状对应的症状特征输入所述分类模型中的拼接层,以通过所述拼接层,将每种症状对应的症状特征进行拼接,得到综合症状特征;
疾病识别模块607,用于将所述综合症状特征输入所述分类模型中的疾病分类层,以通过所述疾病分类层,基于所述综合症状特征,识别出所述用户所患的疾病;
信息推荐模块608,用于基于识别出的所述用户所患的疾病,进行信息推荐。
可选地,所述获取模块601,具体用于获取针对用户的病灶部位所采集的全局图像以及获取针对用户的病灶部位所采集的局部图像。
可选地,所述获取模块601,具体用于将所述全局图像输入到预先训练的注意力机制模型中,以通过所述注意力机制模型确定出所述全局图像中位于病灶部分的像素集合,作为第一集合;将所述全局图像输入到预先训练的分割模型中,以通过所述分割模型确定出所述全局图像中位于病灶部分的像素集合,作为第二集合;其中,所述注意力机制模型和所述分割模型是采用不同训练方式进行训练的;确定所述第一集合和所述第二集合中的公共像素点;从所述全局图像中确定出包含所述公共像素点的最小外接矩形的图像区域,作为局部图像。
可选地,所述第一确定模块602,具体用于将所述图像输入到预先训练的分类模型中,以通过所述分类模型中的编码层,对所述图像进行特征提取,得到图像特征;将所述图像特征输入到所述分类模型中的池化层,以通过所述池化层输出池化后特征;将所述池化后特征输入到所述分类模型中的第一全连接层,以通过所述第一全连接层输出所述病灶部位所表征的各特征数据。
可选地,所述第一确定模块602,具体用于将所述全局图像和所述局部图像输入到预先训练的分类模型中,以通过所述分类模型中的第一全连接层输出所述全局图像对应的各特征数据,作为各第一特征数据,以及输出所述局部图像对应的各特征数据,作为各第二特征数据。
可选地,所述第一全连接层包括:第一子全连接层和第二子全连接层。
可选地,所述第一确定模块602,具体用于将所述全局图像和所述局部图像输入到预先训练的分类模型中,以通过所述分类模型中的第一编码层,对所述全局图像进行特征提取,得到第一图像特征;通过所述分类模型中的第二编码层,对所述局部图像进行特征提取,得到第二图像特征;将所述第一图像特征输入到所述分类模型中的池化层,以通过所述池化层输出第一池化后特征;将所述第二图像特征输入到所述分类模型中的池化层,以通过所述池化层输出第二池化后特征;将所述第一池化后特征输入到所述分类模型中的第一子全连接层,以通过所述第一子全连接层输出所述全局图像对应的各特征数据,作为各第一特征数据;将所述第二池化后特征输入到所述分类模型中的第二子全连接层,以通过所述第二子全连接层输出所述局部图像对应的各特征数据,作为各第二特征数据。
可选地,所述第二确定模块603,具体用于将所述各第一特征数据输入所述分类模型中的第一症状分类层,以通过所述第一症状分类层,针对每种症状,确定每个第一特征数据归属于该种症状的概率;将所述各第二特征数据输入所述分类模型中的第二症状分类层,以通过所述第二症状分类层,针对每种症状,确定每个第二特征数据归属于该种症状的概率。
可选地,所述融合模块604,具体用于针对每个特征数据,将该特征数据归属于该种症状的概率与该特征数据进行相乘,得到该特征数据对应的局部特征;将每个特征数据对应的局部特征进行累加,得到该种症状对应的融合特征。
可选地,所述融合模块604,具体用于将所述各第一特征数据以及每个第一特征数据归属于每种症状的概率输入到所述分类模型中的第一融合层,以通过所述第一融合层,针对每种症状,基于每个第一特征数据归属于该种症状的概率以及所述各第一特征数据,确定该种症状对应的第一融合特征;将所述各第二特征数据以及每个第二特征数据归属于每种症状的概率输入到所述分类模型中的第二融合层,以通过所述第二融合层,针对每种症状,基于每个第二特征数据归属于该种症状的概率以及所述各第二特征数据,确定该种症状对应的第二融合特征;将该种症状对应的第一融合特征以及该种症状对应的第二融合特征输入到所述分类模型中的第三融合层,以通过所述第三融合层,将该种症状对应的第一融合特征与该种症状对应的第二融合特征进行融合,得到该种症状对应的综合融合特征。
可选地,所述第三确定模块605,具体用于将每种症状对应的综合融合特征输入到所述分类模型中的第二全连接层,以通过所述第二全连接层输出每种症状对应的症状特征。
可选地,所述拼接模块606,具体用于将每种症状对应的症状特征进行拼接,得到拼接后特征;将所述拼接后特征与所述第一池化后特征进行拼接,得到综合症状特征。
可选地,所述装置还包括:训练模块609;
训练模块609,用于获取针对患者的病灶部位所采集的样本图像;将所述样本图像输入到待训练的分类模型中,以通过所述分类模型中的第一全连接层输出各待优化特征数据;将所述各待优化特征数据输入所述分类模型中的症状分类层,以通过所述症状分类层,针对每种症状,确定每个待优化特征数据归属于该种症状的概率;将所述各待优化特征数据以及每个待优化特征数据归属于每种症状的概率输入到所述分类模型中的融合层,以通过所述融合层,针对每种症状,基于每个待优化特征数据归属于该种症状的概率以及所述各待优化特征数据,确定该种症状对应的待优化融合特征;将每种症状对应的待优化融合特征输入到所述分类模型中的第二全连接层,以通过所述第二全连接层输出每种症状对应的待优化症状特征;将每种症状对应的待优化症状特征输入所述分类模型中的拼接层,以通过所述拼接层,将每种症状对应的待优化症状特征进行拼接,得到待优化综合症状特征;将所述待优化综合症状特征输入所述分类模型中的疾病分类层,以通过所述疾病分类层,基于所述待优化综合症状特征,识别出所述患者所患的疾病类型;以所述疾病类型与所述样本图像对应的真实疾病类型之间的差异最小为优化目标,对所述分类模型进行训练。
可选地,所述训练模块609,具体用于针对每个待优化特征数据,将该待优化特征数据归属于该种症状的概率与该待优化特征数据相乘,得到该待优化特征数据对应的局部特征;将每个待优化特征数据对应的局部特征进行累加,得到该种症状对应的待优化融合特征。
可选地,所述训练模块609,具体用于将每种症状对应的待优化症状特征输入到针对症状特征分类的归一化层,以通过所述归一化层,对每种症状对应的待优化症状特征进行属性分类,得到每种症状对应的待优化属性类别;根据每种症状对应的待优化属性类别与各自真实属性类别之间的差异,确定第一损失;根据所述疾病类型与所述样本图像对应的真实疾病类型之间的差异,确定第二损失;根据所述第一损失和所述第二损失,确定综合损失;以所述综合损失最小为优化目标,对所述分类模型进行训练。
可选地,所述训练模块609,具体用于获取针对患者的病灶部位所采集的样本全局图像以及样本局部图像;将所述样本全局图像和所述样本局部图像输入到待训练的分类模型中,以通过所述分类模型中的第一全连接层输出所述样本全局图像对应的各待优化特征数据,作为各第一待优化特征数据,以及输出所述样本局部图像对应的各待优化特征数据,作为各第二待优化特征数据;将所述各第一待优化特征数据输入所述分类模型中的第一症状分类层,以通过所述第一症状分类层,针对每种症状,确定每个第一待优化特征数据归属于该种症状的概率;将所述各第二待优化特征数据输入所述分类模型中的第二症状分类层,以通过所述第二症状分类层,针对每种症状,确定每个第二待优化特征数据归属于该种症状的概率;将所述各第一待优化特征数据以及每个第一待优化特征数据归属于每种症状的概率输入到所述分类模型中的第一融合层,以通过所述第一融合层,针对每种症状,基于每个第一待优化特征数据归属于该种症状的概率以及所述各第一待优化特征数据,确定该种症状对应的第一待优化融合特征;将所述各第二待优化特征数据以及每个第二待优化特征数据归属于每种症状的概率输入到所述分类模型中的第二融合层,以通过所述第二融合层,针对每种症状,基于每个第二待优化特征数据归属于该种症状的概率以及所述各第二待优化特征数据,确定该种症状对应的第二待优化融合特征;将该种症状对应的第一待优化融合特征以及该种症状对应的第二待优化融合特征输入到所述分类模型中的第三融合层,以通过所述第三融合层,将该种症状对应的第一待优化融合特征与该种症状对应的第二待优化融合特征进行融合,得到该种症状对应的待优化综合融合特征;将每种症状对应的待优化综合融合特征输入到所述分类模型中的第二全连接层,以通过所述第二全连接层输出每种症状对应的待优化症状特征。
可选地,所述训练模块609,具体用于将所述样本全局图像和所述样本局部图像输入到待训练的分类模型中,以通过所述分类模型中的第一编码层,对所述样本全局图像进行特征提取,得到第一待优化图像特征;通过所述分类模型中的第二编码层,对所述样本局部图像进行特征提取,得到第二待优化图像特征;将所述第一待优化图像特征输入到所述分类模型中的池化层,以通过所述池化层输出第一待优化池化后特征;将所述第二待优化图像特征输入到所述分类模型中的池化层,以通过所述池化层输出第二待优化池化后特征;将所述第一待优化池化后特征输入到所述分类模型中的第一子全连接层,以通过所述第一子全连接层输出所述样本全局图像对应的各待优化特征数据,作为各第一待优化特征数据;将所述第二待优化池化后特征输入到所述分类模型中的第二子全连接层,以通过所述第二子全连接层输出所述样本局部图像对应的各待优化特征数据,作为各第二待优化特征数据。
可选地,所述训练模块609,具体用于将每种症状对应的待优化症状特征进行拼接,得到待优化拼接后特征;将所述待优化拼接后特征与所述第一待优化池化后特征进行拼接,得到待优化综合症状特征。
可选地,所述症状分类层是针对不同病症的门控网络层,针对每种症状,该种症状的门控网络层是由该种症状的全连接层以及归一化层构成的。
本说明书还提供了一种计算机可读存储介质,所述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可用于执行上述图1提供的信息推荐方法。
基于图1所示的信息推荐方法,本说明书实施例还提供了图7所示的电子设备的结构示意图。如图7,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的信息推荐方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (17)
1.一种信息推荐方法,其特征在于,所述方法包括:
获取针对用户的病灶部位所采集的图像;
将所述图像输入到预先训练的分类模型中,以通过所述分类模型中的第一全连接层输出各特征数据;
将所述各特征数据输入所述分类模型中的症状分类层,以通过所述症状分类层,针对每种症状,确定每个特征数据归属于该种症状的概率;
将所述各特征数据以及每个特征数据归属于每种症状的概率输入到所述分类模型中的融合层,以通过所述融合层,针对每种症状,基于每个特征数据归属于该种症状的概率以及所述各特征数据,确定该种症状对应的融合特征;
将每种症状对应的融合特征输入到所述分类模型中的第二全连接层,以通过所述第二全连接层输出每种症状对应的症状特征;
将每种症状对应的症状特征输入所述分类模型中的拼接层,以通过所述拼接层,将每种症状对应的症状特征进行拼接,得到综合症状特征;
将所述综合症状特征输入所述分类模型中的疾病分类层,以通过所述疾病分类层,基于所述综合症状特征,识别出所述用户所患的疾病;
基于识别出的所述用户所患的疾病,进行信息推荐。
2.如权利要求1所述的方法,其特征在于,将所述图像输入到预先训练的分类模型中,以通过所述分类模型中的第一全连接层输出各特征数据,具体包括:
将所述图像输入到预先训练的分类模型中,以通过所述分类模型中的编码层,对所述图像进行特征提取,得到图像特征;
将所述图像特征输入到所述分类模型中的池化层,以通过所述池化层输出池化后特征;
将所述池化后特征输入到所述分类模型中的第一全连接层,以通过所述第一全连接层输出所述病灶部位所表征的各特征数据。
3.如权利要求1所述的方法,其特征在于,基于每个特征数据归属于该种症状的概率以及所述各特征数据,确定该种症状对应的融合特征,具体包括:
针对每个特征数据,将该特征数据归属于该种症状的概率与该特征数据进行相乘,得到该特征数据对应的局部特征;
将每个特征数据对应的局部特征进行累加,得到该种症状对应的融合特征。
4.如权利要求1所述的方法,其特征在于,获取针对用户的病灶部位所采集的图像,具体包括:
获取针对用户的病灶部位所采集的全局图像以及获取针对用户的病灶部位所采集的局部图像;
将所述图像输入到预先训练的分类模型中,以通过所述分类模型中的第一全连接层输出各特征数据,具体包括:
将所述全局图像和所述局部图像输入到预先训练的分类模型中,以通过所述分类模型中的第一全连接层输出所述全局图像对应的各特征数据,作为各第一特征数据,以及输出所述局部图像对应的各特征数据,作为各第二特征数据;
将所述各特征数据输入所述分类模型中的症状分类层,以通过所述症状分类层,针对每种症状,确定每个特征数据归属于该种症状的概率,具体包括:
将所述各第一特征数据输入所述分类模型中的第一症状分类层,以通过所述第一症状分类层,针对每种症状,确定每个第一特征数据归属于该种症状的概率;将所述各第二特征数据输入所述分类模型中的第二症状分类层,以通过所述第二症状分类层,针对每种症状,确定每个第二特征数据归属于该种症状的概率;
将所述各特征数据以及每个特征数据归属于每种症状的概率输入到所述分类模型中的融合层,以通过所述融合层,针对每种症状,基于每个特征数据归属于该种症状的概率以及所述各特征数据,确定该种症状对应的融合特征,具体包括:
将所述各第一特征数据以及每个第一特征数据归属于每种症状的概率输入到所述分类模型中的第一融合层,以通过所述第一融合层,针对每种症状,基于每个第一特征数据归属于该种症状的概率以及所述各第一特征数据,确定该种症状对应的第一融合特征;
将所述各第二特征数据以及每个第二特征数据归属于每种症状的概率输入到所述分类模型中的第二融合层,以通过所述第二融合层,针对每种症状,基于每个第二特征数据归属于该种症状的概率以及所述各第二特征数据,确定该种症状对应的第二融合特征;
将该种症状对应的第一融合特征以及该种症状对应的第二融合特征输入到所述分类模型中的第三融合层,以通过所述第三融合层,将该种症状对应的第一融合特征与该种症状对应的第二融合特征进行融合,得到该种症状对应的综合融合特征;
将每种症状对应的融合特征输入到所述分类模型中的第二全连接层,以通过所述第二全连接层输出每种症状对应的症状特征,具体包括:
将每种症状对应的综合融合特征输入到所述分类模型中的第二全连接层,以通过所述第二全连接层输出每种症状对应的症状特征。
5.如权利要求4所述的方法,其特征在于,获取针对用户的病灶部位所采集的局部图像,具体包括:
将所述全局图像输入到预先训练的注意力机制模型中,以通过所述注意力机制模型确定出所述全局图像中位于病灶部分的像素集合,作为第一集合;将所述全局图像输入到预先训练的分割模型中,以通过所述分割模型确定出所述全局图像中位于病灶部分的像素集合,作为第二集合;其中,所述注意力机制模型和所述分割模型是采用不同训练方式进行训练的;
确定所述第一集合和所述第二集合中的公共像素点;
从所述全局图像中确定出包含所述公共像素点的最小外接矩形的图像区域,作为局部图像。
6.如权利要求4所述的方法,其特征在于,所述第一全连接层包括:第一子全连接层和第二子全连接层;
将所述全局图像和所述局部图像输入到预先训练的分类模型中,以通过所述分类模型中的第一全连接层输出所述全局图像对应的各特征数据,作为各第一特征数据,以及输出所述局部图像对应的各特征数据,作为各第二特征数据,具体包括:
将所述全局图像和所述局部图像输入到预先训练的分类模型中,以通过所述分类模型中的第一编码层,对所述全局图像进行特征提取,得到第一图像特征;通过所述分类模型中的第二编码层,对所述局部图像进行特征提取,得到第二图像特征;
将所述第一图像特征输入到所述分类模型中的池化层,以通过所述池化层输出第一池化后特征;将所述第二图像特征输入到所述分类模型中的池化层,以通过所述池化层输出第二池化后特征;
将所述第一池化后特征输入到所述分类模型中的第一子全连接层,以通过所述第一子全连接层输出所述全局图像对应的各特征数据,作为各第一特征数据;将所述第二池化后特征输入到所述分类模型中的第二子全连接层,以通过所述第二子全连接层输出所述局部图像对应的各特征数据,作为各第二特征数据。
7.如权利要求6所述的方法,其特征在于,将每种症状对应的症状特征进行拼接,得到综合症状特征,具体包括:
将每种症状对应的症状特征进行拼接,得到拼接后特征;
将所述拼接后特征与所述第一池化后特征进行拼接,得到综合症状特征。
8.如权利要求1所述的方法,其特征在于,在获取针对用户的病灶部位所采集的图像之前,所述方法还包括:
获取针对患者的病灶部位所采集的样本图像;
将所述样本图像输入到待训练的分类模型中,以通过所述分类模型中的第一全连接层输出各待优化特征数据;
将所述各待优化特征数据输入所述分类模型中的症状分类层,以通过所述症状分类层,针对每种症状,确定每个待优化特征数据归属于该种症状的概率;
将所述各待优化特征数据以及每个待优化特征数据归属于每种症状的概率输入到所述分类模型中的融合层,以通过所述融合层,针对每种症状,基于每个待优化特征数据归属于该种症状的概率以及所述各待优化特征数据,确定该种症状对应的待优化融合特征;
将每种症状对应的待优化融合特征输入到所述分类模型中的第二全连接层,以通过所述第二全连接层输出每种症状对应的待优化症状特征;
将每种症状对应的待优化症状特征输入所述分类模型中的拼接层,以通过所述拼接层,将每种症状对应的待优化症状特征进行拼接,得到待优化综合症状特征;
将所述待优化综合症状特征输入所述分类模型中的疾病分类层,以通过所述疾病分类层,基于所述待优化综合症状特征,识别出所述患者所患的疾病类型;
以所述疾病类型与所述样本图像对应的真实疾病类型之间的差异最小为优化目标,对所述分类模型进行训练。
9.如权利要求8所述的方法,其特征在于,基于每个待优化特征数据归属于该种症状的概率以及所述各待优化特征数据,确定该种症状对应的待优化融合特征,具体包括:
针对每个待优化特征数据,将该待优化特征数据归属于该种症状的概率与该待优化特征数据相乘,得到该待优化特征数据对应的局部特征;
将每个待优化特征数据对应的局部特征进行累加,得到该种症状对应的待优化融合特征。
10.如权利要求8所述的方法,其特征在于,以所述疾病类型与所述样本图像对应的真实疾病类型之间的差异最小为优化目标,对所述分类模型进行训练,具体包括:
将每种症状对应的待优化症状特征输入到针对症状特征分类的归一化层,以通过所述归一化层,对每种症状对应的待优化症状特征进行属性分类,得到每种症状对应的待优化属性类别;
根据每种症状对应的待优化属性类别与各自真实属性类别之间的差异,确定第一损失;
根据所述疾病类型与所述样本图像对应的真实疾病类型之间的差异,确定第二损失;
根据所述第一损失和所述第二损失,确定综合损失;
以所述综合损失最小为优化目标,对所述分类模型进行训练。
11.如权利要求8所述的方法,其特征在于,获取针对患者的病灶部位所采集的样本图像,具体包括:
获取针对患者的病灶部位所采集的样本全局图像以及样本局部图像;
将所述样本图像输入到待训练的分类模型中,以通过所述分类模型中的第一全连接层输出各待优化特征数据,具体包括:
将所述样本全局图像和所述样本局部图像输入到待训练的分类模型中,以通过所述分类模型中的第一全连接层输出所述样本全局图像对应的各待优化特征数据,作为各第一待优化特征数据,以及输出所述样本局部图像对应的各待优化特征数据,作为各第二待优化特征数据;
将所述各待优化特征数据输入所述分类模型中的症状分类层,以通过所述症状分类层,针对每种症状,确定每个待优化特征数据归属于该种症状的概率,具体包括:
将所述各第一待优化特征数据输入所述分类模型中的第一症状分类层,以通过所述第一症状分类层,针对每种症状,确定每个第一待优化特征数据归属于该种症状的概率;将所述各第二待优化特征数据输入所述分类模型中的第二症状分类层,以通过所述第二症状分类层,针对每种症状,确定每个第二待优化特征数据归属于该种症状的概率;
将所述各待优化特征数据以及每个待优化特征数据归属于每种症状的概率输入到所述分类模型中的融合层,以通过所述融合层,针对每种症状,基于每个待优化特征数据归属于该种症状的概率以及所述各待优化特征数据,确定该种症状对应的待优化融合特征,具体包括:
将所述各第一待优化特征数据以及每个第一待优化特征数据归属于每种症状的概率输入到所述分类模型中的第一融合层,以通过所述第一融合层,针对每种症状,基于每个第一待优化特征数据归属于该种症状的概率以及所述各第一待优化特征数据,确定该种症状对应的第一待优化融合特征;
将所述各第二待优化特征数据以及每个第二待优化特征数据归属于每种症状的概率输入到所述分类模型中的第二融合层,以通过所述第二融合层,针对每种症状,基于每个第二待优化特征数据归属于该种症状的概率以及所述各第二待优化特征数据,确定该种症状对应的第二待优化融合特征;
将该种症状对应的第一待优化融合特征以及该种症状对应的第二待优化融合特征输入到所述分类模型中的第三融合层,以通过所述第三融合层,将该种症状对应的第一待优化融合特征与该种症状对应的第二待优化融合特征进行融合,得到该种症状对应的待优化综合融合特征;
将每种症状对应的待优化融合特征输入到所述分类模型中的第二全连接层,以通过所述第二全连接层输出每种症状对应的待优化症状特征,具体包括:
将每种症状对应的待优化综合融合特征输入到所述分类模型中的第二全连接层,以通过所述第二全连接层输出每种症状对应的待优化症状特征。
12.如权利要求11所述的方法,其特征在于,将所述样本全局图像和所述样本局部图像输入到待训练的分类模型中,以通过所述分类模型中的第一全连接层输出所述样本全局图像对应的各待优化特征数据,作为各第一待优化特征数据,以及输出所述样本局部图像对应的各待优化特征数据,作为各第二待优化特征数据,具体包括:
将所述样本全局图像和所述样本局部图像输入到待训练的分类模型中,以通过所述分类模型中的第一编码层,对所述样本全局图像进行特征提取,得到第一待优化图像特征;通过所述分类模型中的第二编码层,对所述样本局部图像进行特征提取,得到第二待优化图像特征;
将所述第一待优化图像特征输入到所述分类模型中的池化层,以通过所述池化层输出第一待优化池化后特征;将所述第二待优化图像特征输入到所述分类模型中的池化层,以通过所述池化层输出第二待优化池化后特征;
将所述第一待优化池化后特征输入到所述分类模型中的第一子全连接层,以通过所述第一子全连接层输出所述样本全局图像对应的各待优化特征数据,作为各第一待优化特征数据;将所述第二待优化池化后特征输入到所述分类模型中的第二子全连接层,以通过所述第二子全连接层输出所述样本局部图像对应的各待优化特征数据,作为各第二待优化特征数据。
13.如权利要求12所述的方法,其特征在于,将每种症状对应的待优化症状特征进行拼接,得到待优化综合症状特征,具体包括:
将每种症状对应的待优化症状特征进行拼接,得到待优化拼接后特征;
将所述待优化拼接后特征与所述第一待优化池化后特征进行拼接,得到待优化综合症状特征。
14.如权利要求1所述的方法,其特征在于,所述症状分类层是针对不同病症的门控网络层,针对每种症状,该种症状的门控网络层是由该种症状的全连接层以及归一化层构成的。
15.一种信息推荐装置,其特征在于,包括:
获取模块,用于获取针对用户的病灶部位所采集的图像;
第一确定模块,用于将所述图像输入到预先训练的分类模型中,以通过所述分类模型中的第一全连接层输出各特征数据;
第二确定模块,用于将所述各特征数据输入所述分类模型中的症状分类层,以通过所述症状分类层,针对每种症状,确定每个特征数据归属于该种症状的概率;
融合模块,用于将所述各特征数据以及每个特征数据归属于每种症状的概率输入到所述分类模型中的融合层,以通过所述融合层,针对每种症状,基于每个特征数据归属于该种症状的概率以及所述各特征数据,确定该种症状对应的融合特征;
第三确定模块,用于将每种症状对应的融合特征输入到所述分类模型中的第二全连接层,以通过所述第二全连接层输出每种症状对应的症状特征;
拼接模块,用于将每种症状对应的症状特征输入所述分类模型中的拼接层,以通过所述拼接层,将每种症状对应的症状特征进行拼接,得到综合症状特征;
疾病识别模块,用于将所述综合症状特征输入所述分类模型中的疾病分类层,以通过所述疾病分类层,基于所述综合症状特征,识别出所述用户所患的疾病;
信息推荐模块,用于基于识别出的所述用户所患的疾病,进行信息推荐。
16.一种计算机可读存储介质,其特征在于,所述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上述权利要求1-14任一项所述的方法。
17.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现上述权利要求1-14任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310004631.XA CN116258679A (zh) | 2023-01-03 | 2023-01-03 | 一种信息推荐方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310004631.XA CN116258679A (zh) | 2023-01-03 | 2023-01-03 | 一种信息推荐方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116258679A true CN116258679A (zh) | 2023-06-13 |
Family
ID=86680253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310004631.XA Pending CN116258679A (zh) | 2023-01-03 | 2023-01-03 | 一种信息推荐方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258679A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116807496A (zh) * | 2023-08-25 | 2023-09-29 | 北京大学 | 癫痫间期脑电波异常信号的定位方法、装置、设备及介质 |
-
2023
- 2023-01-03 CN CN202310004631.XA patent/CN116258679A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116807496A (zh) * | 2023-08-25 | 2023-09-29 | 北京大学 | 癫痫间期脑电波异常信号的定位方法、装置、设备及介质 |
CN116807496B (zh) * | 2023-08-25 | 2023-11-24 | 北京大学 | 癫痫间期脑电波异常信号的定位方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jia et al. | Detection of cervical cells based on improved SSD network | |
CN116258679A (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
Weis et al. | Assessment of glomerular morphological patterns by deep learning algorithms | |
Sambyal et al. | Modified residual networks for severity stage classification of diabetic retinopathy | |
Raut et al. | Transfer learning based video summarization in wireless capsule endoscopy | |
CN116030247B (zh) | 一种医学图像样本生成方法、装置、存储介质及电子设备 | |
Sun et al. | Semantic segmentation of brain tumor with nested residual attention networks | |
Xu et al. | Dual resolution deep learning network with self-attention mechanism for classification and localisation of colorectal cancer in histopathological images | |
CN116524295A (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
Liu et al. | Local label point correction for edge detection of overlapping cervical cells | |
Xian et al. | Automatic tongue image quality assessment using a multi-task deep learning model | |
CN116229218B (zh) | 一种模型训练、图像配准方法及装置 | |
CN116152246B (zh) | 一种图像识别方法、装置、设备及存储介质 | |
Vos et al. | Improving automated intracranial artery labeling using atlas-based features in graph convolutional nets | |
CN116595456B (zh) | 一种基于脑机接口的数据筛选和模型训练方法及装置 | |
CN116309582B (zh) | 一种便携式超声扫描图像的识别方法、装置及电子设备 | |
CN117036830B (zh) | 一种肿瘤分类模型训练方法、装置、存储介质及电子设备 | |
He et al. | Attention-based dual-path feature fusion network for automatic skin lesion segmentation | |
CN116344058B (zh) | 一种基于图信号的阿尔兹海默风险标注方法及装置 | |
CN117726760B (zh) | 一种用于视频的三维人体重建模型的训练方法及装置 | |
CN116188469A (zh) | 一种病灶检测方法、装置、可读存储介质及电子设备 | |
CN116912224A (zh) | 一种病灶的检测方法、装置、存储介质及电子设备 | |
CN116580199A (zh) | 基于DeepLabV3+的图像分割方法、装置和存储介质 | |
CN117252831A (zh) | 一种病灶转移预测方法、装置、存储介质及电子设备 | |
CN117876610B (zh) | 针对三维构建模型的模型训练方法、装置、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 |