CN117747120A - 基于多示例学习的预测方法、装置、设备和介质 - Google Patents
基于多示例学习的预测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117747120A CN117747120A CN202311624204.8A CN202311624204A CN117747120A CN 117747120 A CN117747120 A CN 117747120A CN 202311624204 A CN202311624204 A CN 202311624204A CN 117747120 A CN117747120 A CN 117747120A
- Authority
- CN
- China
- Prior art keywords
- image
- respiratory system
- dimensional
- prediction
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 210000002345 respiratory system Anatomy 0.000 claims abstract description 401
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000003672 processing method Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 115
- 230000015654 memory Effects 0.000 claims description 66
- 230000011218 segmentation Effects 0.000 claims description 45
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 13
- 230000007787 long-term memory Effects 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 23
- 230000007935 neutral effect Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000000241 respiratory effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000001305 Respiratory System Abnormalities Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000414 obstructive effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于多示例学习的预测方法、装置、设备和介质。其特征包括:获取目标用户呼吸系统的三维呼吸系统图像;基于预设的三维图像处理方法对所述三维呼吸系统图像进行图像处理,确定所述三维呼吸系统图像对应的多个呼吸系统图像示例;通过呼吸系统预测模型根据所述呼吸系统图像示例进行呼吸系统预测,确定所述目标用户呼吸系统的目标预测结果;其中,所述呼吸系统预测模型是基于预设的多示例学习模型训练得到的。实现了对用户三维呼吸系统图像的预测,解决三维呼吸系统图像计算量过大导致效率过低的问题,降低了预测计算的成本,提高了三维呼吸系统图像预测的精度和准确率。
Description
技术领域
本发明涉及医疗图像识别预测领域,尤其涉及一种基于多示例学习的预测方法、装置、设备和介质。
背景技术
慢性阻塞性呼吸系统异常是由于患者的呼吸系统受到持续性的气流受限,进而导致呼吸系统发生异常反应,影响患者的呼吸健康;然而如果能够有效的检测到患者的呼吸系统的异常情况,则能够提前预防和有效控制,现有技术中通常是对患者进行三维扫描,获取患者的三维呼吸系统图像,通过医疗工作人员或检测设备根据三维呼吸系统图像进行识别,人工检测时需要专业知识技能的医疗工作人员的手动分析,耗费大量的时间和人力物力,通过检测设备进行自动化识别时,由于呼吸系统的三维图像数据量过于庞大,自动化识别需要耗费大量的计算成本,且识别精度较低。
发明内容
本发明提供了一种基于多示例学习的预测方法、装置、设备和介质,以实现对三维呼吸图像的快速预测,降低了三维呼吸图像预测计算的成本,提高了预测精准度。
根据本发明的一方面,提供了一种基于多示例学习的预测方法,包括:
获取目标用户呼吸系统的三维呼吸系统图像;
基于预设的三维图像处理方法对所述三维呼吸系统图像进行图像处理,确定所述三维呼吸系统图像对应的多个呼吸系统图像示例;
通过呼吸系统预测模型根据所述呼吸系统图像示例进行呼吸系统预测,确定所述目标用户呼吸系统的目标预测结果;
其中,所述呼吸系统预测模型是基于预设的多示例学习模型训练得到的。
根据本发明的另一方面,提供了一种基于多示例学习的预测装置、包括:
数据获取模块,用于获取目标用户的三维呼吸系统图像;
数据处理模块,用于基于预设的三维图像处理方法对所述三维呼吸系统图像进行图像处理,确定所述三维呼吸系统图像对应的多个呼吸系统图像示例;
模型识别模块,用于通过呼吸系统预测模型根据所述呼吸系统图像示例进行呼吸系统预测,确定所述目标用户的呼吸系统预测结果;
其中,所述呼吸系统预测模型是基于预设的多示例学习模型训练得到的。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序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本发明任一实施例所述的基于多示例学习的预测方法。
根据本发明的另一方面,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指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于多示例学习的预测方法。
本发明实施例的技术方案通过获取目标用户呼吸系统的三维呼吸系统图像,使用三维呼吸系统图像进行预测,能够最大可能还原患者呼吸系统的状况,减少预测的噪声,提高预测的精准度;基于预设的三维图像处理方法对所述三维呼吸系统图像进行图像处理,确定所述三维呼吸系统图像对应的多个呼吸系统图像示例,通过对三维呼吸系统图像的图像处理,能够在保留三维患者呼吸系统的细节时,降低预测计算的复杂度和计算量,有效的提高预测的效率;通过呼吸系统预测模型根据所述呼吸系统图像示例进行呼吸系统预测,确定所述目标用户呼吸系统的目标预测结果,通过呼吸系统预测模型进预测,无需人工参与,能够确定患者呼吸系统的预测结果,并且基于呼吸系统图像示例进行预测,降低了预测计算量,提高预测的精准度和效率。解决了现有技术中难以识别患者呼吸系统存在的隐形风险;实现了对用户三维呼吸系统图像的预测,解决三维呼吸系统图像计算量过大导致效率过低的问题,降低了预测计算的成本,提高了三维呼吸系统图像预测的精度和准确率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种基于多示例学习的预测方法的流程图;
图2是本发明实施例二提供的另一种基于多示例学习的预测方法的流程图;
图3是本发明实施例三提供的另一种基于多示例学习的预测方法的流程图;
图4为本发明实施例公开了一种基于多示例学习的预测装置结构示意图;
图5是本发明实施例四提供的另一种基于多示例学习的预测装置的结构示意图;
图6是实现本发明实施例的基于多示例学习的预测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
实施例一
图1是本发明实施例一提供了一种基于多示例学习的预测方法的流程图,本实施例可适用于对患者的呼吸系统存在的风险进行预测分类,该方法可以由基于多示例学习的预测装置来执行,该基于多示例学习的预测装置可以采用硬件和/或软件的形式实现,该基于多示例学习的预测装置可配置于电子设备中。如图1所示,该方法包括:
S110、获取目标用户呼吸系统的三维呼吸系统图像。
其中,目标用户可以是在医院进行呼吸系统检测的患者;可选的,目标用户还可以在互联网医疗平台注册账号,并上传自身呼吸系统图像的用户。
其中,三维呼吸系统图像可以是通过三维扫描系统对患者呼吸系统进行三维扫描得到三维图像;需要说明的是,三维呼吸系统图像能够在立体清晰的显示呼吸系统各个部位的形态、结构和位置信息,通过三维呼吸系统图像中的异常阴影能够判断患者呼吸系统存在的风险情况。
可选的,在目标用户需要进行呼吸系统预测时,如果目标用户持有三维呼吸系统图像,可以选择登录互联网医疗平台,在互联网医疗平台中上传三维呼吸系统图像,并填写相关的用户信息;如果目标用户未持有三维呼吸系统图像,则可以选择前往医院,登记用户信息,通过医院的三维扫描设备进行三维扫描,进而获取三维呼吸系统图像,并直接通过医院和互联网医疗平台之间的信息同步,上传三维呼吸系统图像。
具体的,在目标用户需要进行呼吸系统预测时,获取目标用户呼吸系统的三维呼吸系统图像。
S120、基于预设的三维图像处理方法对所述三维呼吸系统图像进行图像处理,确定所述三维呼吸系统图像对应的多个呼吸系统图像示例。
其中,预设的三维图像处理方法可以是预先设置用于分割三维图像的图像分割方法。需要说明的是,在本发明实施例中,由于三维呼吸系统图像中呼吸系统的各个部位的结构、形态和位置存在关联,在对三维呼吸系统图像进行分割时,需要按照一定的分割方向进行依次顺序分割,根据三维呼吸系统图像分割时序得到呼吸系统图像示例。
其中,呼吸系统图像示例可以是多示例学习预测中用于预测的图像样本。
具体的,在获取到目标用户的三维呼吸系统图像后,针对三维呼吸系统图像采用预设的三维图像处理方法对三维呼吸系统图像进行进行图像处理,确定三维呼吸系统图像对应的多个呼吸系统图像示例。
S130、通过呼吸系统预测模型根据所述呼吸系统图像示例进行呼吸系统预测,确定所述目标用户呼吸系统的目标预测结果。
其中,所述呼吸系统预测模型是基于预设的多示例学习模型训练得到的。预设的多示例学习模型可以是预先设置用于模型训练的弱监督神经网络模型;多示例学习模型是一种弱监督学习模型。
可选的,在对目标用户的三维呼吸系统图像进行预测之前,获取用于训练的训练图像样本集,在训练图像样本集中包括用于训练多示例学习模型的三维训练图像集,与用于测试的三维测试图像集。在多示例学习模型进行模型训练时,获取呼吸系统标准参数,将三维训练图像集中的三维训练图像和呼吸系统标准参数输入多示例学习模型,对多示例学习模型的图像特征提取网络、特征聚合网络和特征预测网络进行神经网络训练,得到呼吸系统预测模型。
其中,目标预测结果可以是呼吸系统预测模型输出的预测结果;目标预测结果可以用于判断目标用户的呼吸系统是否存在隐性风险。可选的,在本发明实施例中,呼吸系统预测模型输出的结果可以是呼吸系统存在隐性风险和呼吸系统不存在隐性风险,如果呼吸系统预测模型输出呼吸系统存在隐性风险,则生成风险提示,风险提示发送至目标用户,如果呼吸系统预测模型输出呼吸不存在隐性风险,则无需生成风险提示,只需要向用户通知呼吸系统预测完成,由用户自行查看目标预测结果。
具体的,在获取到目标用户的多个呼吸系统图像示例,将全部的呼吸系统图像示例输入至呼吸系统预测模型,通过呼吸系统预测模型对目标用户呼吸系统进行预测,确定目标用户呼吸系统的目标预测结果。
本发明实施例的技术方案通过获取目标用户呼吸系统的三维呼吸系统图像,使用三维呼吸系统图像进行预测,能够最大可能还原患者呼吸系统的状况,减少预测的噪声,提高预测的精准度;基于预设的三维图像处理方法对所述三维呼吸系统图像进行图像处理,确定所述三维呼吸系统图像对应的多个呼吸系统图像示例,通过对三维呼吸系统图像的图像处理,能够在保留三维患者呼吸系统的细节时,降低预测计算的复杂度和计算量,有效的提高预测的效率;通过呼吸系统预测模型根据所述呼吸系统图像示例进行呼吸系统预测,确定所述目标用户呼吸系统的目标预测结果,通过呼吸系统预测模型进预测,无需人工参与,能够确定患者呼吸系统的预测结果,并且基于呼吸系统图像示例进行预测,降低了预测计算量,提高预测的精准度和效率。解决了现有技术中难以识别患者呼吸系统存在的隐形风险;实现了对用户三维呼吸系统图像的预测,解决三维呼吸系统图像计算量过大导致效率过低的问题,降低了预测计算的成本,提高了三维呼吸系统图像预测的精度和准确率。
实施例二
图2是本发明实施例二提供的另一种基于多示例学习的预测方法的流程图,本实施例与上述实施例之间的关系为对三维呼吸系统图像进行图像处理的具体方法。如图2所示,该基于多示例学习的预测方法包括:
S210、获取目标用户呼吸系统的三维呼吸系统图像。
S220、通过所述三维图像处理方法对所述三维呼吸系统图像在水平方向上进行依次分割,确定至少一个二维呼吸系统分割图像。
其中,二维呼吸系统分割图像可以是展示目标用户呼吸系统在水平方向局部状态和局部构造的二维图像。可选的,二维呼吸系统分割图像能够针对呼吸系统在单一方向和特定位置上的状态和构造进行展示,通过对每个二维呼吸系统分割图像展示的呼吸系统局部图像进行识别,能够有效减少预测计算量。
具体的,针对三维呼吸系统图像,通过预设的三维图像处理方法以水平方向对三维呼吸系统图像进行依次分割,得到按照切割时序顺序排列的至少一个二维呼吸系统分割图像。可选的,在对三维呼吸系统图像分割时,由于是依次进行分割,可以在每个二维呼吸系统分割图像中设置相应的分割时序标签,通过分割时序标签记录每个二维呼吸系统分割图像的时序,并按照分割时序标签依次将二维呼吸系统分割图像进行顺序排列。
S230、根据预设的图像示例组合条件和所述二维呼吸系统分割图像确定所述呼吸系统图像示例。
其中,图像示例组合条件可以是预先设置用于生成呼吸系统图像示例的条件。可选的,在本发明实施例中,由于呼吸系统中隐性风险通常是呼吸系统局部范围中,为了确定呼吸系统中隐性风险存在的局部范围,需要将二维呼吸系统分割图像进行组合,构成具备一定立体感的呼吸系统图像示例,能够提供预测的效率,并及时确定隐性风险在呼吸系统中具备范围。
可选的,在本发明另一可选实施例中,所述图像示例组合条件包括下述条件:
根据所述二维呼吸系统分割图像对应分割的时序依次将所述二维呼吸系统分割图像划分为至少一个二维图像序列;所述二维图像序列中包含至少三个所述二维呼吸系统分割图像;相邻的两个二维图像序列中存在重叠的二维呼吸系统分割图像;所述二维图像序列中重叠的二维呼吸系统分割图像的数量小于二维图像序列中二维呼吸系统分割图像总数量的一半;将每个二维图像序列确定为呼吸系统图像示例。
其中,二维图像序列可以是顺序排列的二维呼吸系统分割图像的序列;二维图像序列中的二维呼吸系统分割图像按照分割的时序进行水平排列,每一个二维呼吸系统分割图像的时序大于的上一个二维呼吸系统分割图像的时序,每一个二维呼吸系统分割图像的时序小于下一个二维呼吸系统分割图像的时序。进而依次将二维呼吸系统分割图像划分为多个二维图像序列,在每个二维图像序列中包含至少三个二维呼吸系统分割图像,二维图像序列与相邻的二维图像序列中存在折叠的二维呼吸系统分割图像,两个二维图像序列中存在相同的二维呼吸系统分割图像,二维图像序列中重叠的二维呼吸系统分割图像的数量小于二维图像序列中二维呼吸系统分割图像总数量的一半,将二维图像序列确定为呼吸系统图像示例。
示例性的,将三维呼吸系统图像按照水平方向可以切分为100个二维呼吸系统分割图像,每个二维呼吸系统分割图像对应时序为0-99,可以在每个二维呼吸系统分割图像中设置分割时序标签,第一个二维呼吸系统分割图像对应的时序标签为0,第二个二维呼吸系统分割图像对应的时序标签为1,依次类推,最后一个二维呼吸系统分割图像对应的时序标签为99,并且所有的二维呼吸系统分割图像按照分割的时序从0-99由上到下排列,进而根据100个二维呼吸系统分割图像依次从时序为0的二维呼吸系统分割图像至时序为99的二维呼吸系统分割图像进行二维图像序列划分,将100个二维呼吸系统分割图像依次划分为53个二维图像序列,在第一个二维图像序列中包括时序为0-2的二维呼吸系统分割图像,在第二个二维图像序列中包括时序为2-4的二维呼吸系统分割图像,在第三个二维图像序列中包括时序为5-7的二维呼吸系统分割图像,依次类推,第52个二维图像序列中包括时序为94-96的二维呼吸系统分割图像,第53个二维图像序列中包括时序为97-99的二维呼吸系统分割图像,进而保障了每相邻的两个二维图像序列中存在重叠的二维呼吸系统分割图像,二维图像序列中重叠的二维呼吸系统分割图像的数量小于二维图像序列中二维呼吸系统分割图像总数量的一半;53个二维图像序列确定为呼吸系统图像示例。
具体的,通过预设的图像示例组合条件将全部二维呼吸系统分割为至少一个二维图像序列,将所有的二维图像序列确定为呼吸系统图像示例。
S240、通过呼吸系统预测模型根据所述呼吸系统图像示例进行呼吸系统预测,确定所述目标用户呼吸系统的目标预测结果。
本发明实施例的技术方案通过获取目标用户呼吸系统的三维呼吸系统图像;通过所述三维图像处理方法对所述三维呼吸系统图像在水平方向上进行依次分割,确定至少一个二维呼吸系统分割图像,根据在一定水平方向上进行依次分割,进而保留用户呼吸系统的图像细节,并且依次分割能够保留呼吸系统图像的位置,能够定位图像对应呼吸系统的局部位置,提高预测的准确率;根据预设的图像示例组合条件和所述二维呼吸系统分割图像确定所述呼吸系统图像示例,通过呼吸系统图像示例的组合,能够体现呼吸系统图像局部的具体细节,并保留呼吸系统的结构和位置,能够立体的进行预测,提高预测的准确率,并且相对于三维图像,预测计算量能够有效的降低;通过呼吸系统预测模型根据所述呼吸系统图像示例进行呼吸系统预测,确定所述目标用户呼吸系统的目标预测结果。解决了现有技术中难以识别患者呼吸系统存在的隐形风险;实现了对用户三维呼吸系统图像的预测,解决三维呼吸系统图像计算量过大导致效率过低的问题,降低了预测计算的成本,提高了三维呼吸系统图像预测的精度和准确率。
实施例三
图3是本发明实施例三提供的另一种基于多示例学习的预测方法的流程图,本实施例与上述实施例之间的关系为呼吸系统预测模型进行预测的具体方法。如图3所示,该基于多示例学习的预测方法包括:
S310、获取目标用户呼吸系统的三维呼吸系统图像。
S320、基于预设的三维图像处理方法对所述三维呼吸系统图像进行图像处理,确定所述三维呼吸系统图像对应的多个呼吸系统图像示例。
S330、基于所述三维残差神经网络对所述呼吸系统图像示例进行特征提取,确定图像特征向量。
其中,呼吸系统预测模型由4部分网络组成,分别为三维残差神经网络、长短期记忆网络、注意力网络和预测网络;三维残差神经网络通过残差网络提取呼吸系统图像示例进行特征提取,并通过三维残差神经网络的全连接层输出提取的图像特征向量,长短期记忆网络能够依次对输入的图像特征向量进行持续特征记忆和遗忘不相关的特征,能够有效的保留图像特征向量中的有效特征;注意力网络能够关注有效特征,忽略无效的特征,能够使用有效计算能力关注呼吸系统中重要的特征,预测网络对提取的图像特征进行分类,以确定呼吸系统中是否存在隐性风险。
其中,图像特征向量可以是能够体现呼吸系统特征的特征向量。
具体的,将呼吸系统图像示例输入三维残差神经网络时,可以选择一个个呼吸系统图像示例逐个输入,也可以是选择直接输入全部的呼吸系统图像示例,通过三维残差神经网络对呼吸系统图像示例进行特征提取,通过三维残差神经网络的全连接层输出图像特征向量。
可选的,在本发明另一可选实施例中,所述基于所述三维残差神经网络对所述呼吸系统图像示例进行特征提取,确定图像特征向量,包括:将所述呼吸系统图像示例输入所述三维残差神经网络,基于所述三维残差神经网络中的特征提取网络对每个所述呼吸系统图像示例进行特征提取,确定所述呼吸系统图像示例的示例特征;通过所述三维残差神经网络的全连接网络根据所述示例特征确定所述图像特征向量。
其中,特征提取网络可以是三维残差神经网络的残差卷积网络,全连接网络可以是特征提取网络连接的分类网络。示例特征可以是基于呼吸系统图像示例提取的多个呼吸系统图像特征。
具体的,将呼吸系统图像示例输入三维残差神经网络,通过三维残差神经网络的特征提取网络对呼吸系统图像示例进行特征提取,确定呼吸系统图像示例的示例特征,通过三维残差神经网络的全连接网络根据示例特征输出多个特征向量,将每个特征向量都作为图像特征向量。
S340、基于所述长短期记忆网络和所述图像特征向量确定图像记忆向量。
其中,图像记忆向量可以是长短期记忆网络基于图像特征向量生成的特征向量。
具体的,将图像特征向量输入至长短期记忆网络,基于长短期记忆网络进行特征过滤处理,得到图像记忆向量。
可选的,在本发明另一可选实施例中,所述基于所述长短期记忆网络和所述图像特征向量确定图像记忆向量,包括:
逐个将所述图像特征向量输入至所述长短期记忆网络,根据所述长短期记忆网络对每个所述图像特征向量进行特征处理,确定每个图像特征向量对应的所述图像记忆向量。
可选的,在长短期记忆网络,每个图像特征向量在进行特征处理时,会受到前一个图像特征向量的影响,针对每个图像特征向量得到不相同的图像记忆向量。进而选择逐个将图像特征向量输入至长短期记忆网络,长短期记忆网络对每个图像特征向量进行特征处理,输出每个图像特征向量对应的图像记忆向量。
S350、根据所述注意力网络和所述图像记忆向量确定所述图像包特征向量。
其中,图像包特征向量可以是三维呼吸系统图像对应的图像特征向量;图像包特征向量可以是每个二维图像示例对应的特征组成的。
具体的,将全部图像记忆向量输入至注意力网络,注意力网络对全部图像记忆网络进行特征聚合,得到图像包特征向量。
可选的,在本发明另一可选实施例中,所述根据所述注意力网络和所述图像记忆向量确定所述图像包特征向量,包括:
根据所述注意力网络依次确定每个所述图像记忆向量对应的注意力系数;根据每个所述图像记忆向量和所述图像记忆向量对应的注意力系数进行特征聚合,确定所述图像包特征向量;
其中,注意力系数可以是图像记忆向量依据图像记忆向量进行特征计算得到参数值;需要说明的是,每个图像记忆向量对应的注意力系数都不相同,图像记忆向量的重要性越高,则图像记忆向量对应的注意力系数越大,图像记忆向量的重要性越低,则图像记忆向量对应的注意力系数越小。
具体的,在注意力网络获取到图像记忆向量时,依据图像记忆向量确定每个图像记忆向量对应的注意力系数,根据图像记忆向量和图像记忆向量对应的注意力系数进行特征聚合,确定图像包特征向量。
S360、基于所述预测网络和所述图像包特征向量确定目标用户的呼吸系统预测结果。
具体的,将图像包特征向量输入至预测网络中,通过预测网络对图像包特征向量进行预测分类,得到目标用户的呼吸系统预测结果。其中,预测网络可以是由全连接神经网络构成。
可选的,在本发明另一可选实施例中,所述基于所述预测网络和所述图像包特征向量确定目标用户的呼吸系统预测结果,包括:
将所述图像包特征向量输入至所述预测网络中,通过所述预测网络对所述图像包特征向量进行预测,确定所述图像包特征向量对应的预测结果概率;对所述预测结果概率进行二值化概率预测,确定所述呼吸系统预测结果。
其中,预测结果概率可以是目标用户呼吸系统的预测结果的概率信息。
具体的,将图像包特征向量输入至预测网络中,通过预测网络对图像包特征向量进行预测,得到图像包特征向量对应的预测结果概率,将预测结果概率进行二值化概率预测,确定呼吸系统预测结果。
本发明实施例的技术方案通过获取目标用户呼吸系统的三维呼吸系统图像,使用三维呼吸系统图像进行预测,能够最大可能还原患者呼吸系统的状况,减少预测的噪声,提高预测的精准度;基于预设的三维图像处理方法对所述三维呼吸系统图像进行图像处理,确定所述三维呼吸系统图像对应的多个呼吸系统图像示例,通过对三维呼吸系统图像的图像处理,能够在保留三维患者呼吸系统的细节时,降低预测计算的复杂度和计算量,有效的提高预测的效率;通过呼吸系统预测模型根据所述呼吸系统图像示例进行呼吸系统预测,确定所述目标用户呼吸系统的目标预测结果,通过呼吸系统预测模型进预测,无需人工参与,能够确定患者呼吸系统的预测结果,并且基于呼吸系统图像示例进行预测,降低了预测计算量,提高预测的精准度和效率。解决了现有技术中难以识别患者呼吸系统存在的隐形风险;实现了对用户三维呼吸系统图像的预测,解决三维呼吸系统图像计算量过大导致效率过低的问题,降低了预测计算的成本,提高了三维呼吸系统图像预测的精度和准确率。
可选的,图4为本发明实施例公开了一种基于多示例学习的预测装置结构示意图,如图4所示:获取三维呼吸系统图像,将三维呼吸系统图像输入至图像预处理模块,通过图像预处理模块将三维呼吸系统图像按照一定的顺序方向分为不同的呼吸系统图像示例,其中,每个呼吸系统图像示例由多个二维呼吸系统分割图像组成,每个呼吸系统示例有一半的二维呼吸系统分割图像重叠。
将呼吸系统示例输入至三维残差神经网络,通过一个或多个三维残差神经网络对呼吸系统示例进行特征提取,每个呼吸系统示例共享网络参数,将三维残差神经网络输出特征向量输入至长短期记忆网络,通过长短期记忆网络和注意力网络对特征向量进行集合,得到图像包特征向量,通过预测网络记忆图像包特征向量进行分类。其中,分类损失函数使用交叉熵损失。
本发明实施例的技术方案解决了现有技术中难以识别患者呼吸系统存在的隐形风险;实现了对用户三维呼吸系统图像的预测,解决三维呼吸系统图像计算量过大导致效率过低的问题,降低了预测计算的成本,提高了三维呼吸系统图像预测的精度和准确率。
实施例四
图5是本发明实施例四提供的另一种基于多示例学习的预测装置的结构示意图。如图5所示,该装置包括:数据获取模块510、数据处理模块520和模型识别模块530,其中,
数据获取模块510,用于获取目标用户的三维呼吸系统图像;
数据处理模块520,用于基于预设的三维图像处理方法对所述三维呼吸系统图像进行图像处理,确定所述三维呼吸系统图像对应的多个呼吸系统图像示例;
模型识别模块530,用于通过呼吸系统预测模型根据所述呼吸系统图像示例进行呼吸系统预测,确定所述目标用户的呼吸系统预测结果;
其中,所述呼吸系统预测模型是基于预设的多示例学习模型训练得到的。本发明实施例的技术方案通过获取目标用户呼吸系统的三维呼吸系统图像,使用三维呼吸系统图像进行预测,能够最大可能还原患者呼吸系统的状况,减少预测的噪声,提高预测的精准度;基于预设的三维图像处理方法对所述三维呼吸系统图像进行图像处理,确定所述三维呼吸系统图像对应的多个呼吸系统图像示例,通过对三维呼吸系统图像的图像处理,能够在保留三维患者呼吸系统的细节时,降低预测计算的复杂度和计算量,有效的提高预测的效率;通过呼吸系统预测模型根据所述呼吸系统图像示例进行呼吸系统预测,确定所述目标用户呼吸系统的目标预测结果,通过呼吸系统预测模型进预测,无需人工参与,能够确定患者呼吸系统的预测结果,并且基于呼吸系统图像示例进行预测,降低了预测计算量,提高预测的精准度和效率。解决了现有技术中难以识别患者呼吸系统存在的隐形风险;实现了对用户三维呼吸系统图像的预测,解决三维呼吸系统图像计算量过大导致效率过低的问题,降低了预测计算的成本,提高了三维呼吸系统图像预测的精度和准确率。
可选的,所述数据处理模块具体用于:
可选的,所述数据处理模块具体用于:
通过所述三维图像处理方法对所述三维呼吸系统图像在水平方向上进行依次分割,确定至少一个二维呼吸系统分割图像;其中,所述二维呼吸系统分割图像用于组合确定所述呼吸系统图像示例;
根据预设的图像示例组合条件和所述二维呼吸系统分割图像确定所述呼吸系统图像示例。
可选的,所述数据处理模块具体还用于:
根据所述二维呼吸系统分割图像分割对应的时序依次将所述二维呼吸系统分割图像划分为至少一个二维图像序列;
所述二维图像序列中包含至少三个所述二维呼吸系统分割图像;
相邻的两个二维图像序列中存在重叠的二维呼吸系统分割图像;
所述二维图像序列中重叠的二维呼吸系统分割图像的数量小于二维图像序列中二维呼吸系统分割图像总数量的一半;
将每个二维图像序列确定为呼吸系统图像示例。
可选的,所述模型识别模块具体用于:
基于所述三维残差神经网络对所述呼吸系统图像示例进行特征提取,确定图像特征向量;
基于所述长短期记忆网络和所述图像特征向量确定图像记忆向量;
根据所述注意力网络和所述图像记忆向量确定所述图像包特征向量;
基于所述预测网络和所述图像包特征向量确定目标用户的呼吸系统预测结果。
可选的,所述模型识别模块具体还用于:
将所述呼吸系统图像示例输入所述三维残差神经网络,基于所述三维残差神经网络中的特征提取网络对每个所述呼吸系统图像示例进行特征提取,确定所述呼吸系统图像示例的示例特征;
通过所述三维残差神经网络的全连接网络根据所述示例特征确定所述图像特征向量。
可选的,所述模型识别模块具体还用于:
逐个将所述图像特征向量输入至所述长短期记忆网络,根据所述长短期记忆网络对每个所述图像特征向量进行特征处理,确定每个图像特征向量对应的所述图像记忆向量。
可选的,所述模型识别模块具体还用于:
根据所述注意力网络依次确定每个所述图像记忆向量对应的注意力系数;
根据每个所述图像记忆向量和所述图像记忆向量对应的注意力系数进行特征聚合,确定所述图像包特征向量;
可选的,所述模型识别模块具体还用于:
将所述图像包特征向量输入至所述预测网络中,通过所述预测网络对所述图像包特征向量进行预测,确定所述图像包特征向量对应的预测结果概率;
对所述预测结果概率进行二值化概率预测,确定所述呼吸系统预测结果。
本发明实施例所提供的基于多示例学习的预测装置可执行本发明任意实施例所提供的基于多示例学习的预测方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如基于多示例学习的预测方法。
在一些实施例中,基于多示例学习的预测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的基于多示例学习的预测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于多示例学习的预测方法。
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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、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,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(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电子设备。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:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算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服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明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,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
实施例六
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的基于多示例学习的预测方法步骤,该方法包括:
获取目标用户呼吸系统的三维呼吸系统图像;
基于预设的三维图像处理方法对所述三维呼吸系统图像进行图像处理,确定所述三维呼吸系统图像对应的多个呼吸系统图像示例;
通过呼吸系统预测模型根据所述呼吸系统图像示例进行呼吸系统预测,确定所述目标用户呼吸系统的目标预测结果;
其中,所述呼吸系统预测模型是基于预设的多示例学习模型训练得到的。本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种基于多示例学习的预测方法,其特征在于,包括:
获取目标用户呼吸系统的三维呼吸系统图像;
基于预设的三维图像处理方法对所述三维呼吸系统图像进行图像处理,确定所述三维呼吸系统图像对应的多个呼吸系统图像示例;
通过呼吸系统预测模型根据所述呼吸系统图像示例进行呼吸系统预测,确定所述目标用户呼吸系统的目标预测结果;
其中,所述呼吸系统预测模型是基于预设的多示例学习模型训练得到的。
2.根据权利要求1所述的方法,其特征在于,所述基于预设的三维图像处理方法对所述三维呼吸系统图像进行图像处理,确定所述三维呼吸系统图像对应的多个呼吸系统图像示例,包括:
通过所述三维图像处理方法对所述三维呼吸系统图像在水平方向上进行依次分割,确定至少一个二维呼吸系统分割图像;其中,所述二维呼吸系统分割图像用于组合确定所述呼吸系统图像示例;
根据预设的图像示例组合条件和所述二维呼吸系统分割图像确定所述呼吸系统图像示例。
3.根据权利要求2所述的方法,其特征在于,所述图像示例组合条件包括下述条件:
根据所述二维呼吸系统分割图像分割对应的时序依次将所述二维呼吸系统分割图像划分为至少一个二维图像序列;
所述二维图像序列中包含至少三个所述二维呼吸系统分割图像;
相邻的两个二维图像序列中存在重叠的二维呼吸系统分割图像;
所述二维图像序列中重叠的二维呼吸系统分割图像的数量小于二维图像序列中二维呼吸系统分割图像总数量的一半;
将每个二维图像序列确定为呼吸系统图像示例。
4.根据权利要求2所述的方法,其特征在于,所述呼吸系统预测模型包括:三维残差神经网络、长短期记忆网络、注意力网络和预测网络;所述通过呼吸系统预测模型根据所述呼吸系统图像示例进行呼吸系统预测,确定所述目标用户的呼吸系统预测结果,包括:
基于所述三维残差神经网络对所述呼吸系统图像示例进行特征提取,确定图像特征向量;
基于所述长短期记忆网络和所述图像特征向量确定图像记忆向量;
根据所述注意力网络和所述图像记忆向量确定所述图像包特征向量;
基于所述预测网络和所述图像包特征向量确定目标用户的呼吸系统预测结果。
5.根据权利要求4所述的方法,其特征在于,所述基于所述三维残差神经网络对所述呼吸系统图像示例进行特征提取,确定图像特征向量,包括:
将所述呼吸系统图像示例输入所述三维残差神经网络,基于所述三维残差神经网络中的特征提取网络对每个所述呼吸系统图像示例进行特征提取,确定所述呼吸系统图像示例的示例特征;
通过所述三维残差神经网络的全连接网络根据所述示例特征确定所述图像特征向量。
6.根据权利要求5所述的方法,其特征在于,所述基于所述长短期记忆网络和所述图像特征向量确定图像记忆向量,包括:
逐个将所述图像特征向量输入至所述长短期记忆网络,根据所述长短期记忆网络对每个所述图像特征向量进行特征处理,确定每个图像特征向量对应的所述图像记忆向量。
7.根据权利要求6所述的方法,其特征在于,所述根据所述注意力网络和所述图像记忆向量确定所述图像包特征向量,包括:
根据所述注意力网络依次确定每个所述图像记忆向量对应的注意力系数;
根据每个所述图像记忆向量和所述图像记忆向量对应的注意力系数进行特征聚合,确定所述图像包特征向量。
8.根据权利要求4所述的方法,所述基于所述预测网络和所述图像包特征向量确定目标用户的呼吸系统预测结果,包括:
将所述图像包特征向量输入至所述预测网络中,通过所述预测网络对所述图像包特征向量进行预测,确定所述图像包特征向量对应的预测结果概率;
对所述预测结果概率进行二值化概率预测,确定所述呼吸系统预测结果。
9.一种基于多示例学习的预测装置,其特征在于,包括:
数据获取模块,用于获取目标用户的三维呼吸系统图像;
数据处理模块,用于基于预设的三维图像处理方法对所述三维呼吸系统图像进行图像处理,确定所述三维呼吸系统图像对应的多个呼吸系统图像示例;
模型识别模块,用于通过呼吸系统预测模型根据所述呼吸系统图像示例进行呼吸系统预测,确定所述目标用户的呼吸系统预测结果;
其中,所述呼吸系统预测模型是基于预设的多示例学习模型训练得到的。
10.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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1-8任一所述的基于多示例学习的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311624204.8A CN117747120A (zh) | 2023-11-30 | 2023-11-30 | 基于多示例学习的预测方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311624204.8A CN117747120A (zh) | 2023-11-30 | 2023-11-30 | 基于多示例学习的预测方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117747120A true CN117747120A (zh) | 2024-03-22 |
Family
ID=90249946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311624204.8A Pending CN117747120A (zh) | 2023-11-30 | 2023-11-30 | 基于多示例学习的预测方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117747120A (zh) |
-
2023
- 2023-11-30 CN CN202311624204.8A patent/CN117747120A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906502B (zh) | 目标检测模型的训练方法、装置、设备以及存储介质 | |
CN113033622A (zh) | 跨模态检索模型的训练方法、装置、设备和存储介质 | |
CN112862005B (zh) | 视频的分类方法、装置、电子设备和存储介质 | |
CN113362314B (zh) | 医学图像识别方法、识别模型训练方法及装置 | |
CN115018805A (zh) | 分割模型训练方法、图像分割方法、装置、设备及介质 | |
CN116485817A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN115409990A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN113971728B (zh) | 图像识别方法、模型的训练方法、装置、设备及介质 | |
CN113827240B (zh) | 情绪分类方法和情绪分类模型的训练方法、装置及设备 | |
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 | |
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 | |
CN115861255A (zh) | 用于图像处理的模型训练方法、装置、设备、介质及产品 | |
CN113963167B (zh) | 应用于目标检测的方法、装置及计算机程序产品 | |
CN117747120A (zh) | 基于多示例学习的预测方法、装置、设备和介质 | |
CN115482261A (zh) | 血管配准方法、装置、电子设备及存储介质 | |
CN117112816B (zh) | 安检图像的排序方法、装置、设备及存储介质 | |
CN115690143B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN114494818B (zh) | 图像处理方法、模型训练方法、相关装置及电子设备 | |
CN117649933B (zh) | 在线问诊辅助方法、装置、电子设备和存储介质 | |
CN116580050A (zh) | 医疗图像分割模型的确定方法、装置、设备及介质 | |
CN116740094A (zh) | 血管分割方法、装置、电子设备及存储介质 | |
CN114998273A (zh) | 血管图像处理方法、装置、电子设备及存储介质 | |
CN115797740A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN118053027A (zh) | 一种缺陷识别方法、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 |