[go: up one dir, main page]

CN116978549A - 一种器官疾病预测方法、装置、设备及存储介质 - Google Patents

一种器官疾病预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116978549A
CN116978549A CN202310956766.6A CN202310956766A CN116978549A CN 116978549 A CN116978549 A CN 116978549A CN 202310956766 A CN202310956766 A CN 202310956766A CN 116978549 A CN116978549 A CN 116978549A
Authority
CN
China
Prior art keywords
organ
disease
image
training
module
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
Application number
CN202310956766.6A
Other languages
English (en)
Inventor
张春会
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN202310956766.6A priority Critical patent/CN116978549A/zh
Publication of CN116978549A publication Critical patent/CN116978549A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种器官疾病预测方法、装置、设备及存储介质。所述方法包括：获取目标器官图像和预先训练的器官疾病预测网络；器官疾病预测网络中包含：疾病模块、注意力模块和分类模块；将所述目标器官图像输入到所述疾病模块中，基于特征提取判断所述目标器官是否存在疾病；在确定所述目标器官存在疾病的情况下，将所述目标器官图像和所述疾病模块的特征提取结果输入到所述注意力模块，得到病变特征图；将所述病变特征图输入到所述分类模块中，预测所述目标器官存在疾病的类型。

Description

一种器官疾病预测方法、装置、设备及存储介质
技术领域
本发明涉及计算机应用技术领域，尤其涉及一种器官疾病预测方法、装置、设备及存储介质。
背景技术
目前针对器官的疾病，例如，肺病、肝病、皮肤病等等，往往需要医护人员人工进行诊断。具体针对内脏等器官，还需要学习专业知识后，查看X光图像进行诊断。
但这种人工诊断方式相对效率较低，往往容易延长看病时长。
发明内容
本发明提供一种器官疾病预测方法、装置、设备及存储介质，以解决相关技术中的不足。
根据本发明实施例的第一方面，提供一种器官疾病预测方法，包括：
获取目标器官图像和预先训练的器官疾病预测网络；所述器官疾病预测网络中包含：疾病模块、注意力模块和分类模块；
将所述目标器官图像输入到所述疾病模块中，基于特征提取判断所述目标器官是否存在疾病；
在确定所述目标器官存在疾病的情况下，将所述目标器官图像和所述疾病模块的特征提取结果输入到所述注意力模块，得到病变特征图；
将所述病变特征图输入到所述分类模块中，预测所述目标器官存在疾病的类型。
可选地，所述注意力模块的参数包括：分别为输入的目标器官图像和特征提取结果对应配置的不同权重；所述疾病模块的特征提取结果用于表征所述目标器官图像中的病变区域；
所述得到病变特征图，包括以下任一项：
所述注意力模块计算所述目标器官图像与对应权重的第一乘积，以及所述特征提取结果与对应权重的第二乘积，综合所述第一乘积和所述第二乘积，得到病变特征图；
所述注意力模块计算所述目标器官图像与对应权重的第一乘积，并计算所述目标器官图像与所述特征提取结果的第三乘积，计算第三乘积与特征提取结果对应权重的第四乘积，综合所述第一乘积和所述第四乘积，得到病变特征图。
可选地，所述器官疾病预测网络的训练方法，包括：
获取训练样本集；所述训练样本集内任一训练样本中包含：训练器官图像、用于表征训练器官是否存在疾病的患病标签；所述训练样本集内患病标签用于表征训练器官存在疾病的任一训练样本中，还包含疾病类型标签；
获取初始预测网络作为当前的预测网络；所述初始预测网络中包含：初始疾病模块、初始注意力模块和初始分类模块；
循环执行以下步骤，直到满足预设训练停止条件：
当前的初始疾病模块针对所述训练样本集内的训练样本，根据对应的训练器官图像，提取用于表征训练器官图像中病变区域的第一图像特征，并根据所提取的图像特征预测对应的训练器官是否存在疾病；根据预测结果和对应的患病标签，确定第一损失；
当前的初始注意力模块针对所述训练样本集内，具有疾病类型标签的训练样本，综合对应的训练器官图像，以及对应提取的第一图像特征，得到病变特征图；
当前的初始分类模块根据病变特征图，预测对应训练器官存在疾病的类型；根据预测结果和对应的疾病类型标签，确定第二损失；
综合所述第一损失和所述第二损失，确定综合损失，并根据所述综合损失，更新当前的预测网络参数，得到新的当前预测网络；
在循环结束的情况下，将当前的预测网络，确定为器官疾病预测网络。
可选地，所述初始注意力模块的参数包括：分别为输入的训练器官图像和第一图像特征对应配置的不同权重；
所述综合对应的训练器官图像，以及对应提取的第一图像特征，得到病变特征图，包括以下任一项：
计算对应的训练器官图像与对应权重的第五乘积，以及对应提取的第一图像特征与对应权重的第六乘积，综合所述第五乘积和所述第六乘积，得到病变特征图；
计算对应的训练器官图像与对应权重的第五乘积，并计算对应的训练器官图像与对应提取的第一图像特征的第七乘积，计算第七乘积与所述第一图像特征对应权重的第八乘积，综合所述第五乘积和所述第八乘积，得到病变特征图。
可选地，所述训练样本集的扩展方式，包括：
针对任一训练样本中的训练器官图像，进行图像增强处理，得到一个或多个训练器官新图像；
以任一训练器官新图像为样本特征，以所针对的训练样本对应标签为样本标签，构建得到新的训练样本。
可选地，所述获取目标器官图像，包括：
获取包含器官的初始图像；
针对所述初始图像进行以下至少一项处理，得到目标器官图像：
归一化处理、用于分割得到图像中器官图像的分割处理、以及特征提取处理。
根据本发明实施例的第二方面，提供一种器官疾病预测装置，包括：
获取单元，用于获取目标器官图像和预先训练的器官疾病预测网络；所述器官疾病预测网络中包含：疾病模块、注意力模块和分类模块；
网络单元，用于将所述目标器官图像输入到所述疾病模块中，基于特征提取判断所述目标器官是否存在疾病；在确定所述目标器官存在疾病的情况下，将所述目标器官图像和所述疾病模块的特征提取结果输入到所述注意力模块，得到病变特征图；将所述病变特征图输入到所述分类模块中，预测所述目标器官存在疾病的类型。
可选地，所述注意力模块的参数包括：分别为输入的目标器官图像和特征提取结果对应配置的不同权重；所述疾病模块的特征提取结果用于表征所述目标器官图像中的病变区域；
所述网络单元用于执行以下任一项：
利用所述注意力模块计算所述目标器官图像与对应权重的第一乘积，以及所述特征提取结果与对应权重的第二乘积，综合所述第一乘积和所述第二乘积，得到病变特征图；
利用所述注意力模块计算所述目标器官图像与对应权重的第一乘积，并计算所述目标器官图像与所述特征提取结果的第三乘积，计算第三乘积与特征提取结果对应权重的第四乘积，综合所述第一乘积和所述第四乘积，得到病变特征图。
可选地，所述器官疾病预测网络的训练方法，包括：
获取训练样本集；所述训练样本集内任一训练样本中包含：训练器官图像、用于表征训练器官是否存在疾病的患病标签；所述训练样本集内患病标签用于表征训练器官存在疾病的任一训练样本中，还包含疾病类型标签；
获取初始预测网络作为当前的预测网络；所述初始预测网络中包含：初始疾病模块、初始注意力模块和初始分类模块；
循环执行以下步骤，直到满足预设训练停止条件：
当前的初始疾病模块针对所述训练样本集内的训练样本，根据对应的训练器官图像，提取用于表征训练器官图像中病变区域的第一图像特征，并根据所提取的图像特征预测对应的训练器官是否存在疾病；根据预测结果和对应的患病标签，确定第一损失；
当前的初始注意力模块针对所述训练样本集内，具有疾病类型标签的训练样本，综合对应的训练器官图像，以及对应提取的第一图像特征，得到病变特征图；
当前的初始分类模块根据病变特征图，预测对应训练器官存在疾病的类型；根据预测结果和对应的疾病类型标签，确定第二损失；
综合所述第一损失和所述第二损失，确定综合损失，并根据所述综合损失，更新当前的预测网络参数，得到新的当前预测网络；
在循环结束的情况下，将当前的预测网络，确定为器官疾病预测网络。
可选地，所述初始注意力模块的参数包括：分别为输入的训练器官图像和第一图像特征对应配置的不同权重；
所述综合对应的训练器官图像，以及对应提取的第一图像特征，得到病变特征图，包括以下任一项：
计算对应的训练器官图像与对应权重的第五乘积，以及对应提取的第一图像特征与对应权重的第六乘积，综合所述第五乘积和所述第六乘积，得到病变特征图；
计算对应的训练器官图像与对应权重的第五乘积，并计算对应的训练器官图像与对应提取的第一图像特征的第七乘积，计算第七乘积与所述第一图像特征对应权重的第八乘积，综合所述第五乘积和所述第八乘积，得到病变特征图。
可选地，所述训练样本集的扩展方式，包括：
针对任一训练样本中的训练器官图像，进行图像增强处理，得到一个或多个训练器官新图像；
以任一训练器官新图像为样本特征，以所针对的训练样本对应标签为样本标签，构建得到新的训练样本。
可选地，获取单元用于：
获取包含器官的初始图像；
针对所述初始图像进行以下至少一项处理，得到目标器官图像：
归一化处理、用于分割得到图像中器官图像的分割处理、以及特征提取处理。
根据上述实施例可知，通过利用训练完成的器官疾病预测网络，对器官是否存在疾病，以及疾病类型进行预测，预测的结果可以用于辅助诊断分析，提高诊断效率，进而可以方便降低看病时长。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据本发明实施例示出的一种器官疾病预测方法的流程示意图；
图2是根据本发明实施例示出的一种器官疾病预测网络的训练原理示意图；
图3是根据本发明实施例示出的一种肺部疾病预测方法的流程示意图；
图4是根据本发明实施例示出的一种基于级联神经网络联合训练的肺部感染分型方法的流程示意图；
图5是根据本发明实施例示出的一种级联神经网络结构示意图；
图6是根据本发明实施例示出的一种器官疾病预测装置的结构示意图；
图7是根据本发明实施例示出的一种配置本发明实施例方法的计算机设备硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
需要说明的是，本发明实施例所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。
目前针对器官的疾病，例如，肺病、肝病、皮肤病等等，往往需要医护人员人工进行诊断。具体针对内脏等器官，还需要学习专业知识后，查看X光图像进行诊断。
但这种人工诊断方式相对效率较低，往往容易延长看病时长。
本发明实施例公开了一种器官疾病预测方法。该方法可以采用机器学习的方式，利用训练完成的机器学习模型，对器官疾病进行预测，预测的结果可以用于辅助诊断分析，提高诊断效率，进而可以方便降低看病时长。
具体所训练的模型可以用于根据器官图像预测器官疾病。为了方便描述，将所训练的模型称为器官疾病预测网络。
本发明实施例并不限定器官疾病预测网络的结构。
可选地，器官疾病预测网络中可以包含以下至少一项：卷积神经网络、残差网络、全连接层等等。
可选地，器官疾病预测网络中可以包含疾病模块、注意力模块和分类模块。
可选地，疾病模块可以用于根据器官图像预测是否存在器官疾病，具体可以是提取出表征病变区域的特征图进行预测。
可选的，注意力模块可以用于综合器官图像和疾病模块中的特征图，从而可以平衡器官图像和特征图之间的注意力，方便凸显器官图像中的病变区域。
可选地，分类模块可以用于预测器官疾病的类型。
当然，模块内部的具体结构并不限定。可选地，疾病模块可以是卷积神经网络，也可以是残差网络等。分类模块可以是全连接层，也可以是神经网络。注意力模块可以用于计算特征图之间的加权和。
本发明实施例并不限定器官疾病预测网络的训练方法。
可选地，可以直接训练器官疾病预测网络，也可以分别训练疾病模块、注意力模块和分类模块，再组合为一个器官疾病预测网络。
可选地，针对上述结构，可以设置多标签样本进行训练。具体可以是器官图像样本，以及对应的患病标签和疾病类型标签。患病标签可以用于表征对应的器官图像样本中的器官是否存在疾病，疾病类型标签可以用于表征对应器官图像样本中的器官存在疾病的类型。
具体的训练方式可以参见后文的详细解释。
训练完成的器官疾病预测网络可以用于后续的实际器官疾病预测方法中。
具体可以是将待预测的器官图像，输入到预先训练完成的器官疾病预测网络中，得到疾病模块和分类模块预测的结果。
具体可以是先将待预测的器官图像输入到疾病模块中，预测器官图像中的器官是否存在疾病，并提取出表征病变区域的特征图。
在疾病模块预测器官存在疾病的情况下，可以进一步将疾病模块中的特征图，以及待预测的器官图像输入到注意力模块进行综合，再得到病变特征图。
之后可以将病变特征图输入到分类模块中，预测器官存在疾病的类型。
当然，如果疾病模块预测器官不存在疾病，则可以无需后续注意力模块和分类模块的处理。也可以仍然执行后续注意力模块和分类模块的处理步骤，如果预测出任一疾病类型，则可以一同输出预测结果，由人工进行判断。
综上所述，本发明实施例提供的器官疾病预测方法，可以利用训练完成的器官疾病预测网络，结合器官图像和病变区域的特征，对器官是否存在疾病，以及疾病类型进行预测，预测的结果可以用于辅助诊断分析，提高诊断效率，进而可以方便降低看病时长。
下面针对本发明实施例提供的一种器官疾病预测方法进行详细解释。
如图1所示，图1是根据本发明实施例示出的一种器官疾病预测方法的流程示意图。
本发明实施例并不限定本方法流程的执行主体。可选地，执行主体可以是任一计算设备。例如，医生终端、服务端、患者终端、拍摄器官图像的设备等。
该方法可以包括以下步骤。
S101：获取目标器官图像和预先训练的器官疾病预测网络；器官疾病预测网络中包含：疾病模块、注意力模块和分类模块。
S102：将目标器官图像输入到疾病模块中，基于特征提取判断目标器官是否存在疾病。
S103：在确定目标器官存在疾病的情况下，将目标器官图像和疾病模块的特征提取结果输入到注意力模块，得到病变特征图。
其中，可选地，疾病模块的特征提取结果可以用于表征目标器官图像中的病变区域。
S104：将病变特征图输入到分类模块中，预测目标器官存在疾病的类型。
其中，目标器官图像具体可以是任一器官图像，为了方便描述，将所需要预测的任一器官图像称为目标器官图像。
此外，可选地，器官疾病预测网络可以是针对一种或多种器官进行疾病预测。
上述方法流程，通过利用训练完成的器官疾病预测网络，对器官是否存在疾病，以及疾病类型进行预测，预测的结果可以用于辅助诊断分析，提高诊断效率，进而可以方便降低看病时长。
具体可以结合器官图像和病变区域的特征进行预测，提高预测准确率。
下面针对上述方法流程进行详细的解释。
一、针对器官疾病预测网络的训练过程。
本方法流程并不限定器官疾病预测网络的训练过程。可选地，可以直接针对器官疾病预测网络整体进行训练，也可以分别针对器官疾病预测网络中的各个模块进行训练，再组合成为器官疾病预测网络。当然，这两种训练方法也可以结合。
1、样本。
首先，本方法流程并不限定样本的形式。
可选地，样本中可以包括器官图像样本特征，以及对应的标签。
本实施例并不限定器官图像样本特征的具体形式，可选地，器官图像样本特征具体可以是图像，或者基于图像提取的特征图。
可选地，器官图像样本特征可以是拍摄得到的器官图像，也可以经过预处理的器官图像。预处理具体可以包括以下至少一项：图像增强、分割处理、归一化、提取特征等。
其中，为了方便扩展样本数量，可以针对单个拍摄得到的器官图像，经过分割、旋转、平移、图像增强、利用不同特征提取模型进行特征提取等不同方式，处理得到多个器官图像样本特征，从而可以使用单个拍摄的器官图像，得到标签相同且器官图像样本特征不同的多个样本，从而降低样本获取难度，方便后续提高模型训练效果。
可选地，训练样本集的扩展方式，可以包括：针对任一训练样本中的训练器官图像，进行图像增强处理，得到一个或多个训练器官新图像；以任一训练器官新图像为样本特征，以所针对的训练样本对应标签为样本标签，构建得到新的训练样本。
本实施例并不限定图像增强的方式。可选地，可以是旋转、平移、调整分辨率等处理。
此外，针对器官图像，本方法流程并不限定具体的器官。器官具体可以是人体中的肺部、肝部、心脏、皮肤等，当然，也可以是其他动物的肺部、肝部、心脏、皮肤等器官。
本实施例也不限定样本对应标签的形式。
可选地，首先需要说明标签的内容，基于上述器官疾病预测网络的预测需求，至少需要用于表征器官是否存在疾病的标签，以及用于表征器官存在疾病类型的标签。
为了方便描述，将用于表征器官是否存在疾病的标签称为患病标签，将用于表征器官存在疾病类型的标签称为疾病类型标签。其中，患病标签可以是二分类标签，而疾病类型标签可以是多分类标签，表征不同的多个疾病类型。
可选地，样本对应的标签具体可以是多标签的形式，其中可以包含患病标签和疾病类型标签。
需要说明的是，对于表征器官不存在疾病的患病标签，可以进一步不设置疾病类型标签，也可以设置表征器官疾病类型为无疾病的疾病类型标签。
可选地，样本对应的标签也可以是单个标签的形式。具体可以分为两个训练样本集。一个训练样本集中样本对应标签是患病标签，另一个训练样本集中样本对应标签是疾病类型标签。
本方法流程并不限定训练样本的获取来源。可选地，可以在保护用户隐私的前提下，从各个机构的数据库中获取到器官图像以及对应的疾病诊断结果，从而可以通过数据处理得到训练样本；也可以获取器官图像后通过上述扩展方式进行扩展，得到训练样本。
下面给出一种训练样本集的实施例。
可选地，可以获取训练样本集；训练样本集内任一训练样本中包含：训练器官图像、用于表征训练器官是否存在疾病的患病标签；训练样本集内患病标签用于表征训练器官存在疾病的任一训练样本中，还包含疾病类型标签。
其中，训练器官图像的解释可以参见上述器官图像样本特征的解释。为了方便描述，将训练样本中的器官图像样本特征称为训练器官图像，将训练器官图像展示的器官称为训练器官。
2、关于器官疾病预测网络的输入。
在上述方法流程中，可以将目标器官图像直接输入到器官疾病预测网络中。上述方法流程并不限定目标器官图像的形式。
可选地，训练样本中的器官图像样本特征可以作为目标器官图像直接输入器官疾病预测网络。
可选地，为了方便训练，目标器官图像可以是经过预处理得到的。
本实施例并不限定预处理的具体方式。
可选地，预处理可以包括图像归一化，可以将图像中的像素值映射到0和1之间的取值，从而方便后续模型训练。
可选地，预处理可以包括分割处理，具体可以是将图像中的器官部分图像分割出来，从而方便凸显出图像中的器官内容，提高模型的训练效率。其中，本实施例并不限定具体分割处理的方式。可选地，可以采用神经网络模型进行分割处理，具体可以采用Unet模型进行分割处理。
可选地，预处理可以包括特征提取，具体可以是针对图像预先进行特征提取，提取得到的特征可以具有相同的尺寸，也可以通过提取得到的特征方便后续模型的训练。本实施例并不限定具体进行特征提取的方式，可选地，可以采用神经网络模型提取特征，也可以采用全连接层提取特征。具体可以采用上述分割处理的神经网络进行特征提取，可以是获取分割处理的神经网络中隐藏层的输出特征图，作为提取的特征。
当然，预处理可以包括上述至少一项操作。
可选地，预处理可以包括以下至少一项：归一化处理、用于分割得到图像中器官图像的分割处理、以及特征提取处理。
通过预处理得到目标器官图像，可以方便后续的模型训练。
而针对预处理的对象，可选地，可以是针对训练样本中的训练器官图像进行预处理，得到目标器官图像；训练器官图像也可以是经过预处理得到的，可以直接作为目标器官图像输入到器官疾病预测网络，用于后续训练。
需要说明的是，后续模型训练完成后进行预测时，可以针对待预测的器官图像，也进行预处理，得到目标器官图像输入到器官疾病预测网络中进行预测。
3、疾病模块。
在本发明实施例中，可选地，疾病模块可以用于针对输入的器官图像，提取出图像特征，再根据提取的特征预测输入器官图像中的器官是否存在疾病。
本发明实施例并不限定图像特征的内容和形式。可选地，图像特征可以用于表征器官图像中病变区域，或者用于表征器官图像中的疾病严重程度、或者用于表征器官图像中的病变颜色等等。
本发明实施例并不限定疾病模块的具体结构。可选地，可以是神经网络模型，也可以是卷积神经网络，也可以是全连接层等等。
而在训练过程中，可选地，可以将训练样本中的训练器官图像输入到疾病模块，由疾病模块预测训练器官图像中的训练器官是否存在疾病，从而根据预测结果和训练样本的患病标签计算损失，根据损失更新疾病模块中的参数。其中，具体可以是将训练样本中的训练器官图像经过预处理后，输入到疾病模块，预处理的解释可以参见上文。
当然，训练过程中，可以单独训练更新疾病模块中的参数，也可以是基于总损失训练更新疾病模块中的参数。
本实施例并不限定疾病模块提取表征病变区域特征的方式。
可选地，由于存在疾病的器官图像，与不存在疾病的器官图像相比，通常存在不同特征的病变区域，例如，存在疾病的器官图像通常存在较大的病变区域，而不存在疾病的器官图像通常不存在病变区域。因此，经过训练更新，疾病模块可以学习到表征病变区域的特征，从而方便后续预测器官是否存在疾病。
可选地，也可以是通过图像增强的方式，针对训练器官图像中的病变区域进行凸显，从而方便疾病模块更容易学习到表征病变区域的特征。
可选地，也可以是通过模型结构的设置，使得在隐藏层中学习对病变区域的识别，从而方便疾病模块提取出表征病变区域的特征。
可选地，具体可以是从疾病模块中的隐藏层，提取出表征病变区域的特征。可以是将隐藏层中最后一层的输出作为表征病变区域的特征，也可以是将隐藏层中任一层的输出作为表征病变区域的特征。
此外，本实施例并不限定疾病模块提取出的表征病变区域特征的形式，可选地，具体可以是二值化特征图，也可以是其他特征图形式。具体可以采用二值化特征图的方式区分出训练器官图像中的病变区域和非病变区域。
为了方便描述，可以将疾病模块从训练器官图像中提取出的表征病变区域的特征，称为第一图像特征。
可选地，第一图像特征可以用于区分训练器官图像中的病变区域和非病变区域，从而方便预测出训练器官图像中的病变区域。
具体可以是疾病模块可以预测训练器官图像中每个像素属于病变区域的概率，进而可以得到第一图像特征，用于作为注意力信息方便后续训练过程中凸显病变区域。进一步地可以基于第一图像特征中各个像素属于病变区域的概率，预测出属于病变区域的像素，得到预测的病变区域。具体形式可以采用二值化特征图的形式。
4、注意力模块。
在本发明实施例中，可选地，为了方便后续的疾病类型预测，提高疾病类型的预测准确率，可以将疾病模块中提取的表征病变区域的第一图像特征，与训练器官图像相结合，凸显出病变区域，由于病变区域是分析疾病类型的重要内容，从而可以增强后续分类模块对病变区域的关注，为疾病类型的预测提供更多指导信息，平衡病变区域与非病变区域的影响，方便后续分类模块可以更准确地预测疾病类型。其中，可选地，所结合的训练器官图像可以是预处理后的训练器官图像。
本发明实施例并不限定注意力模块的结构和具体结合两个图像的方式。
可选地，注意力模块可以是全连接层，也可以是神经网络模型，也可以是加权计算的结构。
可选地，注意力模块可以是将疾病模块从训练器官图像中提取的表征病变区域的第一图像特征，与该训练器官图像进行通道维度的堆叠，进一步针对堆叠结果提取特征。
可选地，注意力模块可以是将疾病模块从训练器官图像中提取的表征病变区域的第一图像特征，与该训练器官图像相加或相乘，再提取特征。
可选地，注意力模块可以是将疾病模块从训练器官图像中提取的表征病变区域的第一图像特征作为注意力信息，与该训练器官图像相乘或相加，得到更凸显病变区域信息的特征图，再将特征图与该训练器官图像进行加权求和，得到最终的输出。
其中，本实施例并不限定两个图像相乘的方式，具体可以是点乘。作为注意力信息的第一图像特征可以是二值化特征图，可以与训练器官图像点乘。当然，为了方便适应目标器官图像的尺寸，可以通过池化等操作调整尺寸，方便进一步实现图像点乘。
而为了提高对病变区域的凸显程度，平衡病变区域与非病变区域的影响，可以采用加权计算的方式。
可选地，注意力模块的参数可以包括：分别为输入的第一图像特征和训练器官图像对应配置的不同权重。可选地，配置的两个权重之和可以是固定值，例如1。
可选地，注意力模块可以计算训练器官图像与对应权重的第五乘积，以及第一图像特征与对应权重的第六乘积，综合第五乘积和第六乘积，得到病变特征图。本实施例并不限定综合两个乘积的方式，可选地，具体综合第五乘积和第六乘积，可以是将第五乘积和第六乘积加和，得到病变特征图。当然也可以是进一步相乘，或者输入到神经网络中提取特征等。
可选地，注意力模块可以计算训练器官图像与对应权重的第五乘积，并计算训练器官图像与第一图像特征的第七乘积，计算第七乘积与第一图像特征对应权重的第八乘积，综合第五乘积和第八乘积，得到病变特征图。具体综合第五乘积和第八乘积的方式可以参见上文解释。
本方法流程并不限定病变特征图的具体形式，只要能够得到凸显病变区域的器官图像特征图即可。
5、分类模块。
在本发明实施例中，分类模块可以根据注意力模块输出的病变特征图，进一步预测器官存在的疾病类型。
本发明实施例并不限定分类模块的结构。可选地，分类模块可以是全连接层、神经网络模型等。
而在训练过程中，可选地，可以将基于训练样本得到的病变特征图输入到分类模块，由分类模块预测训练器官图像中的训练器官存在的疾病类型，从而根据预测结果和训练样本的疾病类型标签计算损失，根据损失更新分类模块中的参数。
当然，训练过程中，可以单独训练更新分类模块中的参数，也可以是基于总损失训练更新分类模块中的参数。
6、损失。
在本发明实施例中，可选地，基于训练样本，器官疾病预测网络中的疾病模块和分类模块都可以计算出损失。
而在训练过程中，需要根据损失更新器官疾病预测网络中的参数。
本发明实施例并不限定具体的根据损失更新参数的方式。
可选地，可以分别根据各自的损失进行更新。具体可以是根据疾病模块的损失更新疾病模块的参数，根据分类模块的损失更新分类模块的参数，也可以根据分类模块的损失更新分类模块与注意力模块的参数。
可选地，也可以综合疾病模块和分类模块的损失，针对器官疾病预测网络整体进行更新。具体可以是综合疾病模块的损失和分类模块的损失，确定综合损失，并根据综合损失更新器官疾病预测网络整体的参数。
本实施例并不限定综合损失的计算方式，可选地，可以采用加权和的方式，也可以计算乘积。
在一种可选的实施例中，可以采用具有患病标签的训练样本计算疾病模块的损失，进一步采用患病标签表征器官存在疾病，并且具有疾病类型标签的训练样本计算分类模块的损失。在本实施例中，疾病模块的损失计算方式可以是计算训练样本的损失和，与训练样本数量之间的商；分类模块的损失计算方式可以是计算训练样本的损失和，与训练样本数量之间的商。
7、训练过程。
本发明实施例并不限定器官疾病预测网络的具体训练方式。
可选地，可以基于综合损失训练更新器官疾病预测网络的整体参数，也可以基于各自的损失训练器官疾病预测网络的不同模块参数。
而对于训练样本集，可选地，训练样本集中不存在疾病的训练器官图像，可以用于训练分类模块，也可以不用于训练分类模块。具体可以是设置无疾病的疾病类型标签用于训练分类模块。
具体进行训练时，可以利用训练样本集对器官疾病预测网络整体进行训练。而整体训练可以提高训练效率，实现端到端训练。
为了方便理解，在一种可选的实施例中，器官疾病预测网络的训练方法，可以包括以下步骤。
1)获取训练样本集；训练样本集内任一训练样本中包含：训练器官图像、用于表征训练器官是否存在疾病的患病标签；训练样本集内患病标签用于表征训练器官存在疾病的任一训练样本中，还包含疾病类型标签。
2)获取初始预测网络作为当前的预测网络；初始预测网络中包含：初始疾病模块、初始注意力模块和初始分类模块。
3)循环执行以下步骤，直到满足预设训练停止条件：
当前的初始疾病模块针对训练样本集内的训练样本，根据对应的训练器官图像，提取用于表征训练器官图像中病变区域的第一图像特征，并根据所提取的图像特征预测对应的训练器官是否存在疾病；根据预测结果和对应的患病标签，确定第一损失；
当前的初始注意力模块针对训练样本集内，具有疾病类型标签的训练样本，综合对应的训练器官图像，以及对应提取的第一图像特征，得到病变特征图；
当前的初始分类模块根据病变特征图，预测对应训练器官存在疾病的类型；根据预测结果和对应的疾病类型标签，确定第二损失；
综合第一损失和第二损失，确定综合损失，并根据综合损失，更新当前的预测网络参数，得到新的当前预测网络。
4)在循环结束的情况下，将当前的预测网络，确定为器官疾病预测网络。
具体可以将当前预测网络中的初始疾病模块确定为疾病模块，将初始注意力模块确定为注意力模块，将初始分类模块确定为分类模块。
本实施例并不限定预设训练停止条件。可选地，具体可以是循环次数达到预设循环次数，也可以是综合损失小于预设损失取值。
可选地，初始注意力模块的参数包括：分别为输入的训练器官图像和第一图像特征对应配置的不同权重。在训练过程中可以更新初始注意力模块的参数，从而可以调整两个图像的权重配置。
综合对应的训练器官图像，以及对应提取的第一图像特征，得到病变特征图，可以包括以下任一项：
1)计算对应的训练器官图像与对应权重的第五乘积，以及对应提取的第一图像特征与对应权重的第六乘积，综合第五乘积和第六乘积，得到病变特征图。
2)计算对应的训练器官图像与对应权重的第五乘积，并计算对应的训练器官图像与对应提取的第一图像特征的第七乘积，计算第七乘积与第一图像特征对应权重的第八乘积，综合第五乘积和第八乘积，得到病变特征图。
具体解释可以参见上文。
为了方便理解，如图2所示，图2是根据本发明实施例示出的一种器官疾病预测网络的训练原理示意图。
其中，器官疾病预测网络可以包括疾病模块、注意力模块和分类模块。可以将训练器官图像输入到疾病模块和注意力模块，疾病模块可以提取用于表征训练器官图像中病变区域的第一图像特征，将第一图像特征输出到注意力模块，并得到第一损失(训练器官是否存在疾病的预测结果，与患病标签之间的损失)；注意力模块可以将训练器官图像和第一图像特征综合得到用于凸显训练器官图像中病变区域的病变特征图，并将病变特征图输出到分类模块；分类模块可以根据病变特征图预测器官存在的疾病类型，进一步得到第二损失(训练器官存在疾病类型的预测结果，与疾病类型标签之间的损失)。
将第一损失和第二损失综合，再更新器官疾病预测网络整体的参数，完成一次训练。
二、S101：获取目标器官图像和预先训练的器官疾病预测网络；器官疾病预测网络中包含：疾病模块、注意力模块和分类模块。
本方法流程并不限定获取目标器官图像的方式。
可选地，可以直接获取目标器官图像，也可以获取经过预处理得到的目标器官图像。
可选地，获取目标器官图像，可以包括：获取包含器官的初始图像；针对初始图像进行以下至少一项处理，得到目标器官图像：归一化处理、用于分割得到图像中器官图像的分割处理、以及特征提取处理。
其中，这里的预处理方式可以与上述训练过程中的预处理方式保持一致，也可以不保持一致。具体可以根据实际需求进行调整。
而具体的初始图像可以是拍摄器官得到图像，例如X光图像，或者摄像头拍摄的图像。由于这些直接拍摄得到的图像难以直接输入模型，可以进行特征提取，或者分割出器官的图像内容，或者进行归一化处理，方便模型处理。
本方法流程并不限定获取预先训练的器官疾病预测网络的方式。
可选地，可以是从外部设备获取预先训练的器官疾病预测网络，也可以是从本地存储区域获取预先训练的器官疾病预测网络。
本发明实施例并不限定上述方法流程的执行主体，与器官疾病预测网络的训练设备相同或不同。可选地，可以在不同的设备上训练器官疾病预测网络，以及使用训练完成的器官疾病预测网络。
而器官疾病预测网络中三个模块的解释，可以参见上文。
三、S102：将目标器官图像输入到疾病模块中，基于特征提取判断目标器官是否存在疾病。
其中，为了方便描述，将目标器官图像中展示的器官称为目标器官。
本发明实施例并不限定特征提取结果的内容和形式。可选地，特征提取结果可以用于表征器官图像中病变区域，或者用于表征器官图像中的疾病严重程度、或者用于表征器官图像中的病变颜色等等。
基于训练后的器官疾病预测网络中的疾病模块，可以针对输入的目标器官图像，提取出表征病变区域的特征，并根据特征提取结果预测目标器官是否存在疾病。其中的特征提取结果可以作为注意力信息，方便后续凸显出病变区域，提高分类模块对病变区域的关注，从而提高对疾病类型的预测准确率。
其中，可选地，特征提取结果可以用于区分目标器官图像中的病变区域和非病变区域，从而方便预测出目标器官图像中的病变区域。
具体可以是疾病模块可以预测目标器官图像中每个像素属于病变区域的概率，进而可以得到特征提取结果，用于作为注意力信息方便后续凸显病变区域。进一步地可以基于特征提取结果中各个像素属于病变区域的概率，预测出属于病变区域的像素，得到预测的病变区域。具体形式可以采用二值化特征图的形式。
而对于目标器官是否存在疾病的预测结果，可选地，可以用于根据预测结果确定是否执行后续步骤。
可选地，可以是在预测目标器官不存在疾病的情况下，不执行后续步骤，输出结果是目标器官不存在疾病，作为诊断的参考。
可选地，在预测目标器官存在疾病的情况下，可以执行后续步骤，预测疾病类型并输出，作为诊断的参考。
本实施例可以将不存在疾病的目标器官筛选出去，不执行后续步骤，提高器官疾病预测网络的预测效率，降低计算成本。
可选地，也可以是无论预测结果表征目标器官是否存在疾病，都执行后续步骤，去预测疾病类型。
四、S103：在确定目标器官存在疾病的情况下，将目标器官图像和疾病模块的特征提取结果输入到注意力模块，得到病变特征图。
可选地，具体可以是在疾病模块预测目标器官存在疾病的情况下，将目标器官图像和特征提取结果，输入到注意力模块；注意力模块综合目标器官图像和特征提取结果，得到病变特征图。
注意力模块的具体解释可以参见上文。
可选地，注意力模块的参数可以包括：分别为输入的目标器官图像和特征提取结果对应配置的不同权重。
本方法流程并不限定综合目标器官图像和特征提取结果的方式。
可选地，注意力模块综合目标器官图像和特征提取结果，得到病变特征图，可以包括以下任一项：
1)注意力模块计算目标器官图像与对应权重的第一乘积，以及特征提取结果与对应权重的第二乘积，综合第一乘积和第二乘积，得到病变特征图。
2)注意力模块计算目标器官图像与对应权重的第一乘积，并计算目标器官图像与特征提取结果的第三乘积，计算第三乘积与特征提取结果对应权重的第四乘积，综合第一乘积和第四乘积，得到病变特征图。
当然，也可以采用其他综合方式得到病变特征图，只要病变特征图能够凸显出目标器官图像中的病变区域即可。
此外，可选地，在疾病模块预测目标器官不存在疾病的情况下，也可以将目标器官图像和特征提取结果，输入到注意力模块；注意力模块综合目标器官图像和特征提取结果，得到病变特征图，并执行后续步骤。
五、S104：将病变特征图输入到分类模块中，分类模块根据病变特征图，预测目标器官存在疾病的类型。
分类模块的具体解释可以参见上文。
这里可以采用训练完成的器官疾病预测网络中的分类模块，基于病变特征图，可以更准确地预测目标器官存在疾病的类型，用于辅助诊断，提高诊断效率。
此外，可选地，本方法流程可以将预测结果等信息输出给用户，方便用户查看。
本方法流程并不限定输出的信息内容。可选地，输出的信息内容可以包括以下至少一项：对目标器官是否存在疾病的预测结果、对目标器官存在疾病的类型的预测结果、目标器官图像中的病变区域等。输出的信息可以方便辅助诊断，提高诊断效率。
为了便于理解，本发明实施例还提供了一种应用实施例。
下面针对本发明实施例提供的一种肺部疾病预测方法进行详细解释。
如图3所示，图3是根据本发明实施例示出的一种肺部疾病预测方法的流程示意图。
本发明实施例并不限定本方法流程的执行主体。可选地，执行主体可以是任一计算设备。例如，医生终端、服务端、患者终端、拍摄器官图像的设备等。
该方法可以包括以下步骤。
S201：获取目标肺部图像和预先训练的肺部疾病预测网络；肺部疾病预测网络中包含：疾病模块、注意力模块和分类模块。
S202：将目标肺部图像输入到疾病模块中，基于特征提取判断目标肺部是否存在疾病。
可选地，具体可以是疾病模块根据输入的目标肺部图像，提取用于表征目标肺部图像中病变区域的特征提取结果，并根据特征提取结果预测目标肺部是否存在疾病。
S203：在确定目标肺部存在疾病的情况下，将目标肺部图像和疾病模块的特征提取结果输入到注意力模块，得到病变特征图。
可选地，具体可以是在疾病模块预测目标肺部存在疾病的情况下，将目标肺部图像和特征提取结果，输入到注意力模块；注意力模块综合目标肺部图像和特征提取结果，得到病变特征图。
S204：将病变特征图输入到分类模块中，预测目标肺部存在疾病的类型。
可选地，具体可以是将病变特征图输入到分类模块中，分类模块根据病变特征图，预测目标肺部存在疾病的类型。
其中，肺部疾病预测网络可以是针对肺部进行疾病预测的器官疾病预测网络，具体的肺部疾病预测网络的解释可以参见上文。
目标肺部图像具体可以是任一肺部图像，为了方便描述，将所需要预测的任一肺部图像称为目标肺部图像。而目标肺部图像中展示的肺部可以称为目标肺部。
具体的目标肺部图像可以是X光拍摄的肺部图像，也可以是摄像头拍摄的肺部图像，也可以是经过预处理的肺部图像。具体可以参见上文针对目标器官图像的解释。
在一种具体的示例中，可以是获取到肺部图像后，经过归一化处理和针对肺部的分割处理，可以得到冗余信息更少的归一化肺部图像，作为目标肺部图像，方便后续肺部疾病预测网络进行预测，提高预测准确性。
本方法流程，可以通过利用训练完成的肺部疾病预测网络，结合肺部图像和病变区域的特征，对肺部是否存在疾病，以及疾病类型进行预测，预测的结果可以用于辅助诊断分析，提高诊断效率，进而可以方便降低看病时长。
本方法流程的具体解释可以参见上述方法流程S101-S104的解释。
为了便于理解，本发明实施例还提供了一种应用实施例。
一、背景介绍。
肺部感染的致病原因以细菌和病毒为主，根据不同病原体可将肺部感染非为细菌性肺炎、病毒性肺炎、真菌性肺炎、非典型病原体所致肺炎。
每种肺部感染需要不同的治疗，预后也不同，快读的诊断肺部感染的病原体对于指导肺部感染的及时治疗至关重要。若不鉴别病原体进行非特异性药物治疗，如广谱抗生素，可能使肺部感染疾病恶化。然而由于肺部感染缺乏具体的临床表现，早期诊断病原体存在较大挑战性。
因此，对于不同病原体导致的肺部感染，需要有效的鉴别诊断方法来提高诊断效率和准确率。
临床上肺部感染的病原体诊断方法包括实验室检查和影像学检查。然而，实验室检查中多数病原体生长缓慢，培养时间较长，通常需要数天至数，不能及时提供可靠的诊断依据，耽误患者有效治疗，同时敏感性较差，培养阳性率低。所以肺部感染性疾病的影像学诊断是经验性治疗的主要依据。由于肺部感染性疾病复杂多样，不同的致病原可能有多种影像学表现，影像学检查对医生经验要求较高，不同病原体之间特异性不强，仅凭医生经验常常难以鉴别，准确率较低。
因此如何设计人工智能模型，使之能够挖掘不同类型图像的影像学表现和改变，通过训练实现对肺部感染的分型，是非常有意义的。
二、方案简单介绍。
本实施例提出了一种基于级联神经网络联合训练的肺部感染分型方法，可以实现对级联神经网络端到端的联合训练。
同时，在级联的两个神经网络之间引入注意力机制，将网络A(也就是疾病模块)学到的病变信息引入到网络B(也就是分类模块)，增强网络B对病变区域的关注，为肺部感染分型提供更多指导信息。同时注意力机制中对原始特征图和引入病变信息后特征图进行了加权求和，有助于平衡网络A提取的病变区域与非病变区域特征对病原体类型划分的影响。
本实施例提出了一种基于级联神经网络的肺部感染分型模型，通过多任务学习的方法对级联模型中的网络A和网络B进行联合训练，实现了级联模型端到端的训练，解决了级联神经网络独立训练耗费时间的问题；同时，在级联的神经网络之间引入一种注意力机制，增强肺部感染分型网络对病变区域的关注，为肺部感染分型提供更多指导信息，平衡已提取病变区域与非病变区域的影响。
本实施例提出了一种基于级联神经网络联合训练的肺部感染分型方法。主要包括获取并预处理肺部图像数据集、基于U-net进行肺分割、设计并训练级联神经网络、模型应用四个部分。
首先，获取包含正常肺部CT图像和存在肺部感染的CT图像数据集，并进行预处理。
然后，基于U-net进行肺部分割，将完成肺分割的图像数据作为后续级联神经网络的输入。
其次，设计并训练级联神经网络，进行肺部感染分型。级联网络中的网络A(疾病模块)用来判断是否存在肺部感染，网络B(分类模块)用来判断肺部感染的病原体类型，网络A和网络B之间存在注意力机制，用于将网络A学到的病变区域信息引入到网络B中，使其对病变区域进行关注。同时基于多任务学习方法设计了一种损失函数，实现级联神经网路的联合训练。
最后，训练好的模型可应用于未标注肺CT图像的肺部感染病原体分型。
通过本发明的方法可以实现对级联神经网络的联合训练，有效解决级联神经网络无法端到端训练更耗费时间的问题。同时在级联的两个神经网络之间引入注意力机制，将网络A学到的病变信息引入到网络B，为其进行肺部感染分型提供更多指导信息，并通过加权求和的方式平衡病变区域的特征与非病变区域特征对病原体分型的影响。
三、方案详细解释。
如图4所示，图4是根据本发明实施例示出的一种基于级联神经网络联合训练的肺部感染分型方法的流程示意图。其中的级联神经网络也就是器官疾病预测网络，而级联的两个神经网络可以分别是疾病模块和分类模块，疾病模块具体可以是神经网络模型，分类模块可以是神经网络模型，而注意力模块可以是注意力机制，整合病变区域特征和原始特征图进行加权和计算，并且其中的权重可以随着训练更新，从而有助于平衡病变区域与非病变区域特征对类型划分的影响。
通过本实施例的实施方案，可以实现级联神经网络端到端的训练，解决已有级联神经网络独立训练更耗费时间的问题。同时在级联的神经网络A和神经网络B之间引入注意力机制，将网络A学到的病变信息引入到网络B，增强网络B对病变区域的关注，为肺部感染分型提供更多指导信息。另外注意力机制中对原始特征图和引入病变信息后特征图进行了加权求和，有助于平衡网络A提取的病变区域与非病变区域特征对类型划分的影响。
下面对本实施例的方法进行详细描述。
1)获取与预处理肺CT图像数据。
本实施例所使用的图像数据可以是标注好的肺CT图像，包含5类图像：细菌性肺炎、病毒性肺炎、真菌性肺炎、非典型病原体所致肺炎以及正常图像。
对所有CT图像进行归一化和图像增强(旋转、平移)预处理。这里的归一化处理可以方便后续模型计算，而图像增强的预处理可以得到更多的训练样本。
需要说明的是，上述5类图像中，对于标注好疾病类型的图像，可以直接标注表征肺部存在疾病的患病标签，以及肺部存在疾病的类型的疾病类型标签。而对于正常图像，可以标注表征肺部不存在疾病的患病标签。
2)基于U-net进行肺分割。
从CT图像中分割出整个肺器官对于定位肺部病变并对病变进行定量分析具有重要的意义，能够减少图像中的冗余信息，提高模型的训练效果和预测准确性。本实施例可以使用3D-UNet模型进行肺CT图像的分割，提取出整个肺器官，用于后续肺部感染分型工作。
3)设计并训练级联神经网络。
如图5所示，图5是根据本发明实施例示出的一种级联神经网络结构示意图，该模型包括两个子神经网络：网络A和网络B，本实施例中均采用3D-Resnet模型。
网络A(疾病模块)接收完成肺分割后的特征图F，判断CT图像是否存在肺部感染，即二分类模型。
网络B(分类模块)接收被网络A判定为肺部感染的图像数据，判断肺部感染的病原体类型：细菌性肺炎、病毒性肺炎、真菌性肺炎、非典型病原体所致肺炎，即四分类模型。
当然，这里针对的肺部，以及所预测的肺部感染类型，都用于示例性说明。
(1)注意力机制。
由于级联神经网络中的网络A为进行肺部感染与正常图像分类的二分类模型，在训练过程中相比仅使用肺部感染图像进行病原体分型的网络B，能更好地提取到病变区域信息，因此本实施例可以在网络A和网络B之间引入注意力机制，使用网络A提取的能够凸显病变区域的特征图F1作为注意力信息，通过与特征图F相乘(这里可以是点乘的方式，也可以采用相加的方式)得到更关注病变区域信息的特征图(F*F1)，再与未处理的特征图F进行加权求和得到整个注意力机制的输出特征图Fatt，然后输入到网络B。
从而可将网络A学到的病变信息引入到网络B，增强网络B对病变区域的关注，为肺部感染分型提供更多指导信息。
同时，由于对原始特征图F和引入病变信息后的特征图F*F1进行了加权求和，整个注意力机制更有利于平衡网络A提取的病变区域特征与非病变区域特征对病原体类型划分的影响。整个注意力机制的计算公式如下：
Fatt＝α*(F*F1)+(1-α)*F
其中，Fatt为经过注意力机制处理后输出的特征图，作为网络B的输入；α为可学习(在训练过程中可以更新)的加权求和参数；F为完成肺分割后的图像数据，即网络A的输入特征图；F1为网络A的输出特征图。
(2)联合训练。
本实施例可以采用多任务学习的方法对级联模型中的网络A和网络B进行联合训练。训练过程中整个级联神经网络的损失函数L为两个子网络损失函数之和：
L＝Loss1+Loss2
网络A和网络B的损失函数均采用交叉熵损失函数。
其中，Loss1为网络A的损失函数，N1表示图像样本总个数，内层求和是单个样本的损失函数，外层求和是所有样本损失函数，最后再对求和结果除以N1，得到平均损失函数。
tn1k1为符号函数，如果第n1个样本的真实类别为k1时，取值为1，否则取值为0，网络A为二分类模型，k1有两个取值对应正常图像和肺部感染图像。yn1k1表示分类模型的输出，即第n1个样本属于类型k1的概率。
Loss2为网络B的损失函数，N2为N1中有肺部感染的样本总数，内层求和是单个样本的损失函数，外层求和是所有样本损失函数，最后再对求和结果除以N2，得到平均损失函数。
tn2k2为符号函数，如果第n2个样本的真实类别为k2时，取值为1，否则取值为0，网络B为四分类模型，k2有四个取值对应四种肺部感染类型。yn2k2表示分类模型的输出，即第n2个样本属于类型k2的概率。
对于网络B，由于仅对肺部感染图像进行分型，正常图像不参与训练，因此通过label1控制该部分损失仅对肺部感染样本有效，即训练过程中，当输入样本是正常图像时label1＝0，当输入样本是肺部感染图像时label1＝1。
基于上述损失函数L可以进行损失回传，训练更新级联神经网络整体。
4)模型的应用。
得到训练好的模型之后，可将未知标签的肺CT图像输入模型进行处理，得到该图像的肺部感染分型结果。并且可以预测肺部是否存在感染。
四、方案效果。
本实施例提出了一种基于级联神经网络的肺部感染分型模型，基于多任务学习方法设计了一种损失函数，实现了对级联模型中网络A和网络B端到端的联合训练，解决了已有级联神经网络无法端到端训练更耗费时间的问题。
本实施例通过在级联神经网络之间引入注意力机制，将网络A学到的病变信息引入到网络B，增强网络B对病变区域的关注，为肺部感染分型提供更多指导信息。另外注意力机制中对原始特征图和引入病变信息后特征图进行了加权求和，有助于平衡网络A提取的病变区域与非病变区域特征对病原体类型划分的影响。
需要说明的是，本应用实施例中的解释都可以结合到上述方法流程中。
对应于上述方法实施例，本发明实施例还提供了一种装置实施例。
如图6所示，图6是根据本发明实施例示出的一种器官疾病预测装置的结构示意图。
该装置可以包括以下单元。
获取单元301，用于获取目标器官图像和预先训练的器官疾病预测网络；器官疾病预测网络中包含：疾病模块、注意力模块和分类模块。
网络单元302，用于将目标器官图像输入到疾病模块中，基于特征提取判断目标器官是否存在疾病；在确定目标器官存在疾病的情况下，将目标器官图像和疾病模块的特征提取结果输入到注意力模块，得到病变特征图；将病变特征图输入到分类模块中，预测目标器官存在疾病的类型。
可选地，注意力模块的参数可以包括：分别为输入的目标器官图像和特征提取结果对应配置的不同权重；疾病模块的特征提取结果可以用于表征目标器官图像中的病变区域；
网络单元302可以用于执行以下任一项：
利用注意力模块计算目标器官图像与对应权重的第一乘积，以及特征提取结果与对应权重的第二乘积，综合第一乘积和第二乘积，得到病变特征图；
利用注意力模块计算目标器官图像与对应权重的第一乘积，并计算目标器官图像与特征提取结果的第三乘积，计算第三乘积与特征提取结果对应权重的第四乘积，综合第一乘积和第四乘积，得到病变特征图。
可选地，器官疾病预测网络的训练方法，包括：
获取训练样本集；训练样本集内任一训练样本中包含：训练器官图像、用于表征训练器官是否存在疾病的患病标签；训练样本集内患病标签用于表征训练器官存在疾病的任一训练样本中，还包含疾病类型标签；
获取初始预测网络作为当前的预测网络；初始预测网络中包含：初始疾病模块、初始注意力模块和初始分类模块；
循环执行以下步骤，直到满足预设训练停止条件：
当前的初始疾病模块针对训练样本集内的训练样本，根据对应的训练器官图像，提取用于表征训练器官图像中病变区域的第一图像特征，并根据所提取的图像特征预测对应的训练器官是否存在疾病；根据预测结果和对应的患病标签，确定第一损失；
当前的初始注意力模块针对训练样本集内，具有疾病类型标签的训练样本，综合对应的训练器官图像，以及对应提取的第一图像特征，得到病变特征图；
当前的初始分类模块根据病变特征图，预测对应训练器官存在疾病的类型；根据预测结果和对应的疾病类型标签，确定第二损失；
综合第一损失和第二损失，确定综合损失，并根据综合损失，更新当前的预测网络参数，得到新的当前预测网络；
在循环结束的情况下，将当前的预测网络，确定为器官疾病预测网络。
可选地，初始注意力模块的参数包括：分别为输入的训练器官图像和第一图像特征对应配置的不同权重；
综合对应的训练器官图像，以及对应提取的第一图像特征，得到病变特征图，包括以下任一项：
计算对应的训练器官图像与对应权重的第五乘积，以及对应提取的第一图像特征与对应权重的第六乘积，综合第五乘积和第六乘积，得到病变特征图；
计算对应的训练器官图像与对应权重的第五乘积，并计算对应的训练器官图像与对应提取的第一图像特征的第七乘积，计算第七乘积与第一图像特征对应权重的第八乘积，综合第五乘积和第八乘积，得到病变特征图。
可选地，训练样本集的扩展方式，包括：
针对任一训练样本中的训练器官图像，进行图像增强处理，得到一个或多个训练器官新图像；
以任一训练器官新图像为样本特征，以所针对的训练样本对应标签为样本标签，构建得到新的训练样本。
可选地，获取单元301用于：
获取包含器官的初始图像；
针对初始图像进行以下至少一项处理，得到目标器官图像：
归一化处理、用于分割得到图像中器官图像的分割处理、以及特征提取处理。
具体的解释可以参见上述方法实施例。
本发明实施例还提供一种计算机设备，其至少包括存储器、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，其中，处理器执行所述程序时实现上述任一方法实施例。
本发明实施例还提供一种电子设备，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上述任一方法实施例。
图7是根据本发明实施例示出的一种配置本发明实施例方法的计算机设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本发明实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本发明实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本发明实施例方案所必需的组件，而不必包含图中所示的全部组件。
本发明实施例还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上述任一方法实施例。
本发明实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序在由处理器执行时实现上述任一方法实施例。
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。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明实施例可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例的技术方案本质上或者说做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明实施例各个实施例或者实施例的某些部分所述的方法。
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，计算机的具体形式可以是个人计算机、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、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
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，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，在实施本发明实施例方案时可以把各模块的功能在同一个或多个软件和/或硬件中实现。也可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅是本发明实施例的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明实施例原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明实施例的保护。
在本发明中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上，除非另有明确的限定。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种器官疾病预测方法，其特征在于，包括：
获取目标器官图像和预先训练的器官疾病预测网络；所述器官疾病预测网络中包含：疾病模块、注意力模块和分类模块；
将所述目标器官图像输入到所述疾病模块中，基于特征提取判断所述目标器官是否存在疾病；
在确定所述目标器官存在疾病的情况下，将所述目标器官图像和所述疾病模块的特征提取结果输入到所述注意力模块，得到病变特征图；
将所述病变特征图输入到所述分类模块中，预测所述目标器官存在疾病的类型。
2.根据权利要求1所述的方法，其特征在于，所述注意力模块的参数包括：分别为输入的目标器官图像和特征提取结果对应配置的不同权重；所述疾病模块的特征提取结果用于表征所述目标器官图像中的病变区域；
所述得到病变特征图，包括以下任一项：
所述注意力模块计算所述目标器官图像与对应权重的第一乘积，以及所述特征提取结果与对应权重的第二乘积，综合所述第一乘积和所述第二乘积，得到病变特征图；
所述注意力模块计算所述目标器官图像与对应权重的第一乘积，并计算所述目标器官图像与所述特征提取结果的第三乘积，计算第三乘积与特征提取结果对应权重的第四乘积，综合所述第一乘积和所述第四乘积，得到病变特征图。
3.根据权利要求1所述的方法，其特征在于，所述器官疾病预测网络的训练方法，包括：
获取训练样本集；所述训练样本集内任一训练样本中包含：训练器官图像、用于表征训练器官是否存在疾病的患病标签；所述训练样本集内患病标签用于表征训练器官存在疾病的任一训练样本中，还包含疾病类型标签；
获取初始预测网络作为当前的预测网络；所述初始预测网络中包含：初始疾病模块、初始注意力模块和初始分类模块；
循环执行以下步骤，直到满足预设训练停止条件：
当前的初始疾病模块针对所述训练样本集内的训练样本，根据对应的训练器官图像，提取用于表征训练器官图像中病变区域的第一图像特征，并根据所提取的图像特征预测对应的训练器官是否存在疾病；根据预测结果和对应的患病标签，确定第一损失；
当前的初始注意力模块针对所述训练样本集内，具有疾病类型标签的训练样本，综合对应的训练器官图像，以及对应提取的第一图像特征，得到病变特征图；
当前的初始分类模块根据病变特征图，预测对应训练器官存在疾病的类型；根据预测结果和对应的疾病类型标签，确定第二损失；
综合所述第一损失和所述第二损失，确定综合损失，并根据所述综合损失，更新当前的预测网络参数，得到新的当前预测网络；
在循环结束的情况下，将当前的预测网络，确定为器官疾病预测网络。
4.根据权利要求3所述的方法，其特征在于，所述初始注意力模块的参数包括：分别为输入的训练器官图像和第一图像特征对应配置的不同权重；
所述综合对应的训练器官图像，以及对应提取的第一图像特征，得到病变特征图，包括以下任一项：
计算对应的训练器官图像与对应权重的第五乘积，以及对应提取的第一图像特征与对应权重的第六乘积，综合所述第五乘积和所述第六乘积，得到病变特征图；
计算对应的训练器官图像与对应权重的第五乘积，并计算对应的训练器官图像与对应提取的第一图像特征的第七乘积，计算第七乘积与所述第一图像特征对应权重的第八乘积，综合所述第五乘积和所述第八乘积，得到病变特征图。
5.根据权利要求3所述的方法，其特征在于，所述训练样本集的扩展方式，包括：
针对任一训练样本中的训练器官图像，进行图像增强处理，得到一个或多个训练器官新图像；
以任一训练器官新图像为样本特征，以所针对的训练样本对应标签为样本标签，构建得到新的训练样本。
6.根据权利要求1所述的方法，其特征在于，所述获取目标器官图像，包括：
获取包含器官的初始图像；
针对所述初始图像进行以下至少一项处理，得到目标器官图像：
归一化处理、用于分割得到图像中器官图像的分割处理、以及特征提取处理。
7.一种肺部疾病预测方法，其特征在于，包括：
获取目标肺部图像和预先训练的肺部疾病预测网络；所述肺部疾病预测网络中包含：疾病模块、注意力模块和分类模块；
将所述目标肺部图像输入到所述疾病模块中，基于特征提取判断所述目标肺部是否存在疾病；
在确定所述目标肺部存在疾病的情况下，将所述目标肺部图像和所述疾病模块的特征提取结果输入到所述注意力模块，得到病变特征图；
将所述病变特征图输入到所述分类模块中，预测所述目标肺部存在疾病的类型。
8.一种器官疾病预测装置，其特征在于，包括：
获取单元，用于获取目标器官图像和预先训练的器官疾病预测网络；所述器官疾病预测网络中包含：疾病模块、注意力模块和分类模块；
网络单元，用于将所述目标器官图像输入到所述疾病模块中，基于特征提取判断所述目标器官是否存在疾病；在确定所述目标器官存在疾病的情况下，将所述目标器官图像和所述疾病模块的特征提取结果输入到所述注意力模块，得到病变特征图；将所述病变特征图输入到所述分类模块中，预测所述目标器官存在疾病的类型。
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如权利要求1至7中任一项所述方法。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序在由处理器执行时实现权利要求1至7中任一项所述方法。
CN202310956766.6A 2023-07-31 2023-07-31 一种器官疾病预测方法、装置、设备及存储介质 Pending CN116978549A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310956766.6A CN116978549A (zh) 2023-07-31 2023-07-31 一种器官疾病预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310956766.6A CN116978549A (zh) 2023-07-31 2023-07-31 一种器官疾病预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116978549A true CN116978549A (zh) 2023-10-31

Family

ID=88480975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310956766.6A Pending CN116978549A (zh) 2023-07-31 2023-07-31 一种器官疾病预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116978549A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119048490A (zh) * 2024-10-26 2024-11-29 河北医科大学第三医院 骨筋膜室监测数据处理方法及装置、电子设备、存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119048490A (zh) * 2024-10-26 2024-11-29 河北医科大学第三医院 骨筋膜室监测数据处理方法及装置、电子设备、存储介质

Similar Documents

Publication Publication Date Title
Kolachalama et al. Association of pathological fibrosis with renal survival using deep neural networks
CN110738263B (zh) 一种图像识别模型训练的方法、图像识别的方法及装置
KR101857624B1 (ko) 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치
CN111161275B (zh) 医学图像中目标对象的分割方法、装置和电子设备
KR101818074B1 (ko) 인공지능 기반 의료용 자동 진단 보조 방법 및 그 시스템
Yoon et al. Tumor identification in colorectal histology images using a convolutional neural network
CN107665736B (zh) 用于生成信息的方法和装置
Polat et al. COVID-19 diagnosis from chest X-ray images using transfer learning: Enhanced performance by debiasing dataloader
CN108464840B (zh) 一种乳腺肿块自动检测方法及系统
Xie et al. Computer‐Aided System for the Detection of Multicategory Pulmonary Tuberculosis in Radiographs
CN113724185B (zh) 用于图像分类的模型处理方法、装置及存储介质
CN115019049B (zh) 基于深度神经网络的骨显像骨病灶分割方法、系统及设备
Huang et al. Mask RCNN algorithm for nuclei detection on breast cancer histopathological images
US20240112329A1 (en) Distinguishing a Disease State from a Non-Disease State in an Image
Wali et al. StynMedGAN: Medical images augmentation using a new GAN model for improved diagnosis of diseases
Nidhin Raju et al. Identification of interstitial lung diseases using deep learning
Gaur et al. Cloud driven framework for skin cancer detection using deep CNN
Nguyen et al. Anomalies detection in chest X-rays images using faster R-CNN and YOLO
CN116978549A (zh) 一种器官疾病预测方法、装置、设备及存储介质
Yuan Brain tumor image segmentation method using hybrid attention module and improved mask RCNN
Wollek et al. Out‐of‐distribution detection with in‐distribution voting using the medical example of chest x‐ray classification
Liu et al. Time‐Series MR Images Identifying Complete Response to Neoadjuvant Chemotherapy in Breast Cancer Using a Deep Learning Approach
CN117789280A (zh) 基于眼底图像采集特征识别的动态检测方法及系统
CN116958539A (zh) 用于血管树分割的模型训练和图像处理方法、装置及设备
Chng et al. Application of artificial intelligence in the assessment of thyroid eye disease (TED)-a scoping review

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