CN109346159A - 病例图像分类方法、装置、计算机设备及存储介质 - Google Patents
病例图像分类方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109346159A CN109346159A CN201811348842.0A CN201811348842A CN109346159A CN 109346159 A CN109346159 A CN 109346159A CN 201811348842 A CN201811348842 A CN 201811348842A CN 109346159 A CN109346159 A CN 109346159A
- Authority
- CN
- China
- Prior art keywords
- classification
- image
- case image
- case
- information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 98
- 201000010099 disease Diseases 0.000 claims abstract description 97
- 238000012549 training Methods 0.000 claims abstract description 79
- 238000013145 classification model Methods 0.000 claims abstract description 54
- 238000012512 characterization method Methods 0.000 claims abstract description 15
- 230000003902 lesion Effects 0.000 claims description 85
- 230000035876 healing Effects 0.000 claims description 76
- 230000001225 therapeutic effect Effects 0.000 claims description 50
- 230000000694 effects Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 27
- 238000000605 extraction Methods 0.000 description 28
- 238000010586 diagram Methods 0.000 description 22
- 210000003491 skin Anatomy 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 230000006854 communication Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004043 dyeing Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 230000005284 excitation Effects 0.000 description 4
- 201000009030 Carcinoma Diseases 0.000 description 3
- 238000003475 lamination Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 201000004624 Dermatitis Diseases 0.000 description 2
- 238000007630 basic procedure Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 201000001441 melanoma Diseases 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010008570 Chloasma Diseases 0.000 description 1
- 208000003351 Melanosis Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010029098 Neoplasm skin Diseases 0.000 description 1
- 208000024780 Urticaria Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 206010021198 ichthyosis Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000002752 melanocyte Anatomy 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 208000017520 skin disease Diseases 0.000 description 1
- 206010040882 skin lesion Diseases 0.000 description 1
- 231100000444 skin lesion Toxicity 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000011285 therapeutic regimen Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例公开了一种病例图像分类方法、装置、计算机设备及存储介质，包括：获取待分类的病例图像；将所述病例图像输入到预设的病例分类模型中；根据所述病例分类模型输出的分类结果，得到所述病例图像表征的疾病名称。由于病例分类模型在训练时，采用行业领域、行业专家或者已经确诊或治愈的疾病图片，进行训练使其具有了判断同类型图片中疾病名称的能力，且病例分类模型对图像表征的疾病判断能够代表本领域内的普遍判断结果。因此，通过病例分类模型能够避免疾病诊断时，仅仅依靠单个或者部分医护人员的经验判断的局限，使疾病的判断结果符合本领域内的通识标准，能够有效的提高疾病诊断的准确率。
Description
技术领域
本发明实施例涉及模型算法领域，尤其是一种病例图像分类方法、装置、计算机设备及存储介质。
背景技术
皮肤癌是一个主要的公共健康问题，在美国每年有超过500万的新诊断病例。黑素瘤是最致命的皮肤癌，导致绝大多数皮肤癌死亡。2015年，全球黑素瘤发病率估计超过35万例，近6万人死亡。尽管死亡率很高，但如果及早发现，黑色素瘤的存活率超过95％。
现有技术中，皮肤病的检查通过皮肤镜进行，皮肤镜检查是一种消除皮肤表面反射的成像技术。医护人员通过观察皮肤病例图像是否存在病灶图像，或者观察病灶图像的位置和形状来确诊患者所患的疾病。即现有技术中，对于用户所患疾病的确诊仅能够通过医护人员个人进行判断。受限于现有医护人员的医疗经验和学识问题，对于疾病的判断会出现较大的差异，且在无会诊的情况下，医护人员凭经验判断得出的诊断结果，无法通过其他人员的验证和质疑，往往会出现由于误诊耽误患者的最佳治疗时间，甚至造成患者身亡。
因此，现有技术中的皮肤镜病情诊断仅仅依靠医护人员的个人经验，会导致较高的误诊率，危及患者生命健康。同时，由于人为判断导致诊断过程耗时耗力，效率低下，导致社会医疗资源紧张。
发明内容
本发明实施例提供能够通过模型对患者的病例图像进行图像分类的病例图像分类方法、装置、计算机设备及存储介质。
为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种病例图像分类方法，包括：
获取待分类的病例图像；
将所述病例图像输入到预设的病例分类模型中，其中，所述病例分类模型包括训练至收敛状态的分割模型和分类模型，所述分割模型用于对所述病例图像进行处理，以获取所述病例图像中表征病灶图像所在位置的病灶二值掩码，所述分类模型根据所述病例图像图像和所述病灶二值掩码进行图像分类；
根据所述病例分类模型输出的分类结果，得到所述病例图像表征的疾病名称。
可选地，所述分类模型包括多个稠密块和交叉熵损失函数，所述将所述病例图像输入到预设的病例分类模型中包括：
将所述病例图像输入到所述分割模型中，以获取所述病例图像中表征病灶图像所在位置的病灶二值掩码；
将所述病例图像输入到所述分类模型中，并计算所述病灶二值掩码与所述分类模型的至少部分稠密块输出的分类二值掩码的相似度损失；
将所述相似度损失加权至所述交叉熵损失函数，以约束所述分类模型在分类时将提取的特征聚焦至所述病灶图像所在的位置。
可选地，所述根据所述病例分类模型输出的分类结果，得到所述病例图像表征的疾病名称之后，还包括：
在预设疾病数据库中查找与所述疾病名称具有映射关系治疗方案；
将所述治疗方案发送至目标用户终端作为参考治疗方案。
可选地，所述将所述治疗方案发送至目标用户终端作为参考治疗方案之后，还包括：
在预设的治疗周期完成后获取疗效图片；
将所述疗效图片与所述病例图像输入到预设的治愈度判断模型中，其中，所述治愈度判断模型为训练至收敛状态用于通过图片比对判断治愈度的神经网络模型；
根据所述治愈度判断模型输出的分类结果，得到所述治疗周期完成时疾病的治愈度。
可选地，所述根据所述治愈度判断模型输出的分类结果，得到所述治疗周期完成时疾病的治愈度之后，还包括：
将所述治愈度与预设的治愈阈值进行比对；
当所述治愈度小于所述治愈阈值时，向所述目标用户终端发送预设的提示信息，其中，所述提示信息为建议更换所述参考治疗方案的信息。
可选地，所述当所述治愈度小于所述治愈阈值时，向所述目标用户终端发送预设的提示信息之后，包括：
获取治愈患者的治疗方案信息；
以治疗方案为限定信息将所述治愈患者进行归类；
分析同一类别中治愈患者具有的共性信息，并将所述共性信息标记为对应类别的索引标签。
可选地，所述获取待分类的病例图像之前，还包括：
获取标记有分类参照信息的训练样本数据，其中，所述训练样本数据包括若干病例图像以及各病例图像对应的期望分类信息；
将所述训练样本数据输入神经网络模型获取所述训练样本数据的分类判断信息；
比对所述训练样本数据的分类参照信息与所述分类判断信息是否一致；
当所述分类参照信息与所述分类判断信息不一致时，反复循环迭代的更新所述神经网络模型中的权重，至所述比对结果一致时结束。
为解决上述技术问题，本发明实施例还提供一种病例图像分类装置，包括：
获取模块，用于获取待分类的病例图像；
处理模块，用于将所述病例图像输入到预设的病例分类模型中，其中，所述病例分类模型包括训练至收敛状态的分割模型和分类模型，所述分割模型用于对所述病例图像进行处理，以获取所述病例图像中表征病灶图像所在位置的病灶二值掩码，所述分类模型根据所述病例图像图像和所述病灶二值掩码进行图像分类；
执行模块，用于根据所述病例分类模型输出的分类结果，得到所述病例图像表征的疾病名称。
可选地，所述分类模型包括多个稠密块和交叉熵损失函数，所述病例图像分类装置还包括：
第一输入子模块，用于将所述病例图像输入到所述分割模型中，以获取所述病例图像中表征病灶图像所在位置的病灶二值掩码；
第一处理子模块，用于将所述病例图像输入到所述分类模型中，并计算所述病灶二值掩码与所述分类模型的至少部分稠密块输出的分类二值掩码的相似度损失；
第一执行子模块，用于将所述相似度损失加权至所述交叉熵损失函数，以约束所述分类模型在分类时将提取的特征聚焦至所述病灶图像所在的位置。
可选地，所述病例图像分类装置还包括：
第二处理子模块，用于在预设疾病数据库中查找与所述疾病名称具有映射关系治疗方案；
第二执行子模块，用于将所述治疗方案发送至目标用户终端作为参考治疗方案。
可选地，所述病例图像分类装置还包括：
第一获取子模块，用于在预设的治疗周期完成后获取疗效图片；
第三处理子模块，用于将所述疗效图片与所述病例图像输入到预设的治愈度判断模型中，其中，所述治愈度判断模型为训练至收敛状态用于通过图片比对判断治愈度的神经网络模型；
第三执行子模块，用于根据所述治愈度判断模型输出的分类结果，得到所述治疗周期完成时疾病的治愈度。
可选地，所述病例图像分类装置还包括：
第一比对子模块，用于将所述治愈度与预设的治愈阈值进行比对；
第四执行子模块，用于当所述治愈度小于所述治愈阈值时，向所述目标用户终端发送预设的提示信息，其中，所述提示信息为建议更换所述参考治疗方案的信息。
可选地，所述病例图像分类装置还包括：
第二获取子模块，用于获取治愈患者的治疗方案信息；
第四处理子模块，用于以治疗方案为限定信息将所述治愈患者进行归类；
第五执行子模块，用于分析同一类别中治愈患者具有的共性信息，并将所述共性信息标记为对应类别的索引标签。
可选地，所述病例图像分类装置还包括：
第三获取子模块，用于获取标记有分类参照信息的训练样本数据，其中，所述训练样本数据包括若干病例图像以及各病例图像对应的期望分类信息；
第五处理子模块，用于将所述训练样本数据输入神经网络模型获取所述训练样本数据的分类判断信息；
第二比对子模块，用于比对所述训练样本数据的分类参照信息与所述分类判断信息是否一致；
第六执行子模块，用于当所述分类参照信息与所述分类判断信息不一致时，反复循环迭代的更新所述神经网络模型中的权重，至所述比对结果一致时结束。
为解决上述技术问题，本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述病例图像分类方法的步骤。
为解决上述技术问题，本发明实施例还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述病例图像分类方法的步骤。
本发明实施例的有益效果是：由于病例分类模型在训练时，采用行业领域、行业专家或者已经确诊或治愈的疾病图片，进行训练使其具有了判断同类型图片中疾病名称的能力，且病例分类模型对图像表征的疾病判断能够代表本领域内的普遍判断结果。因此，通过病例分类模型能够避免疾病诊断时，仅仅依靠单个或者部分医护人员的经验判断的局限，使疾病的判断结果符合本领域内的通识标准，能够有效的提高疾病诊断的准确率。同时，通过病例分类模型的判断没有了医护人员的人为介入，能够有效的提高诊断效率，缓解社会医疗资源紧缺的问题。
病例分类模型分为分割模型和分类模型，分割模型能够提取病例图像中表征病灶图像所在位置的二值掩码，而分类模型则根据二值掩码和病例图像对病例图像进行分类，由于，分割模型输出的二值掩码能够使分类模型在特征提取时，将特征提取的范围精准的定位于病灶图像所在的位置。以此，使病例分类模型对病例图像进行分类时，避免病例图像中的染色、水珠、毛发图像对判断结果的影响，提高了病例分类模型的分类的准确率，使病例分类模型的鲁棒性更强。
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为本发明实施例病例图像分类方法的基本流程示意图；
图2为本发明实施例通过病灶二值掩码校准分类结果的流程示意图；
图3为本发明实施例训练分类模型的流程示意图；
图4为本发明实施例通过疾病名称获取对应治疗方案的流程示意图；
图5为本发明实施例判断治愈效果的流程示意图；
图6为本发明实施例建议替换参考治疗方案的流程示意图；
图7为本发明实施例建立共性信息标签的流程示意图；
图8为本发明实施例病例图像分类装置基本结构示意图；
图9为本发明实施例计算机设备基本结构框图。
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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(Personal Communications Service，个人通信***)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System，全球定位***)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。
具体请参阅图1，图1为本实施例病例图像分类方法的基本流程示意图。
如图1所示，一种病例图像分类方法，包括：
S1100、获取待分类的病例图像；
在进行病灶图像的分类之前需要获取包括病灶图像的病例图像。其中，病例图像为患者皮肤病变位置的皮肤镜图像，既包括病灶图像也包括其他未病变位置的图像。需要指出的是病例图像皮肤镜图像，在一些选择性实施例中，病例图像能够是通过智能设备集成的摄像头拍摄的病例图像，也能够是外设的的摄像头拍摄的皮肤的图片。
病灶图像是指病例图像中表征患者病变或者损伤所在位置的影像。
需要指出的是本实施例中的病例图像不仅仅是指皮肤的图像。在一些实施方式中，根据具体应用场景的不同，病例图像能够是患者任一病变位置的图像，包括(不限于)：X光图像、CT图像、核磁共振图像或者B超图像。
S1200、将所述病例图像输入到预设的病例分类模型中，其中，所述病例分类模型包括训练至收敛状态的分割模型和分类模型，所述分割模型用于对所述病例图像进行处理，以获取所述病例图像中表征病灶图像所在位置的病灶二值掩码，所述分类模型根据所述病例图像图像和所述病灶二值掩码进行图像分类；
获取到病例图像后，将该病例图像输入到预设的病例分类模型中。其中，病例分类模型中是已经训练至收敛，能够对病例图像进行特征提取，并根据提取的特征对病例图像进行分类的神经网络模型。
病例分类模型包括：分割模型和分类模型。其中，分割模型用于对病例图像进行处理，以获取病例图像中表征病灶图像所在位置的病灶二值掩码。分类模型根据病例图像图像和病灶二值掩码进行图像分类。
为排除掉绝大部分皮肤镜病例图像中的染色、水珠、毛发等的干扰，本实施方式中，采用分割模型的分割结果来辅助约束分类模型提取的特征聚焦到病灶区域；分割模型由卷积通道与反卷积通道组成，卷积通道由三个卷积层组成，反卷积通道则有三个反卷积层组成，因此，分割模型输入的图像大小与输出的图像大小相同。分割模型是用于对病例图像进行病灶像素标定的模型，经过分割模型的病例图像会输出一个与病例图像相同像素的二值掩码，即将标定了病灶位置的病例图像通过二值矩阵进行表征。
分类模型是密集神经网络模型。例如，DenseNets网络模型。
构建以DenseNets网络模型为基础的端对端神经网络模型。DenseNets网络模型一定程度上减轻在训练过程中梯度消散的问题。在反传时每一层都会接受其后所有层的梯度信号，所以不会随着网络深度的增加，靠近输入层的梯度会变得越来越小。由于大量的特征被复用，使得使用少量的卷积核就可以生成大量的特征，最终模型的尺寸也比较小。
其中，DenseNets网络模型包括：稠密块和过渡块。其中，稠密块由多个conv_block(卷积层)组成，每块使用相同的输出通道数。但在正向传播时，我们将每块的输出在通道维上同其输出合并进入下一个块。过渡块(transition block)则用来控制模型复杂度。它通过1×1卷积层来减小通道数，同时使用步幅为2的平均池化层来将高宽减半来进一步降低复杂度。
在最后一个稠密块连接Batch Norm(加速收敛)模块，其中，Batch Norm是深度网络中经常用到的加速神经网络训练,加速收敛速度及稳定性的算法,可以说是目前深度网络必不可少的一部分。加上Batch Norm，即使输入数据的分布会有变化，但是他们的均值方差可控，从而使变化带来的影响减小，使各个层之间更加独立，更利于每层‘专门做自己的事情’。
通过了Batch Norm模块的数据经过激活函数后进入到分类层进行分类得到最终的分类结果。
采用DenseNets网络模型能够解决训练过程中梯度消散的问题，使模型能够进行更加深度的特征提取，提高了模型判断的准确率。
分类模型在对病例图像进行分类时，最后两个dense block(稠密块)得到的特征图，加权后以阈值t获取一个分类二值掩码，与分割模型得到的病灶二值掩码计算一个jaccard loss(相似度损失，即差值计算)，把这个jaccard loss加权到交叉熵损失函数上，来约束模型提取的特征聚焦到病灶区域。由于，分割模型被预先训练至收敛状态，因此，其输出的二值掩码中标定了皮肤图片中病灶的位置(在二值掩码中像素值为255的数值表征的位置即病灶像素所在的位置)，将其与分类模型最后两个稠密块输出的数据进行计算，求取相似度损失能够快速的确定出分类数据中错误提取的病灶像素，然后通过损失函数进行计算后，通过反向传播算法，快速调整稠密块部分卷积层中的权重，减少非病灶像素位置的像素权重，加大病灶像素位置的权重，来约束皮肤分类模型提取的特征聚焦到病灶区域。
训练至收敛状态的分类模型的分类结果能够是(不限于)：皮肤过敏、鱼鳞病、皮肤肿瘤、皮炎、黄褐斑、荨麻疹和正常等疾病或者表示用户患病状态的结果。分类模型根据提取的特征计算得到的置信度，判断病例图像的分类结果是上述分类信息中的那一个。
S1300、根据所述病例分类模型输出的分类结果，得到所述病例图像表征的疾病名称。
将病例图像输入到病例分类模型后，病例分类模型输出病例图像的分类结果，该分类结果就是病例图像所表征的疾病名称。
上述实施方式中，由于病例分类模型在训练时，采用行业领域、行业专家或者已经确诊或治愈的疾病图片，进行训练使其具有了判断同类型图片中疾病名称的能力，且病例分类模型对图像表征的疾病判断能够代表本领域内的普遍判断结果。因此，通过病例分类模型能够避免疾病诊断时，仅仅依靠单个或者部分医护人员的经验判断的局限，使疾病的判断结果符合本领域内的通识标准，能够有效的提高疾病诊断的准确率。同时，通过病例分类模型的判断没有了医护人员的人为介入，能够有效的提高诊断效率，缓解社会医疗资源紧缺的问题。
病例分类模型分为分割模型和分类模型，分割模型能够提取病例图像中表征病灶图像所在位置的二值掩码，而分类模型则根据二值掩码和病例图像对病例图像进行分类，由于，分割模型输出的二值掩码能够使分类模型在特征提取时，将特征提取的范围精准的定位于病灶图像所在的位置。以此，使病例分类模型对病例图像进行分类时，避免病例图像中的染色、水珠、毛发图像对判断结果的影响，提高了病例分类模型的分类的准确率，使病例分类模型的鲁棒性更强。
在一些选择性实施例中，分类模型需要将分割模型输出的病灶二值掩码与其部分稠密块输出的分类二值掩码进行计算，得到二者之间的相似度损失，并根据相似度损失校准损失函数，以约束分类模型在分类时将提取的特征聚焦至病灶图像所在的位置。请参阅图2，图2为本实施例通过病灶二值掩码校准分类结果的流程示意图。
如图2所示，步骤S1200还包括：
S1211、将所述病例图像输入到所述分割模型中，以获取所述病例图像中表征病灶图像所在位置的病灶二值掩码；
为排除掉绝大部分皮肤镜病例图像中的染色、水珠、毛发等的干扰，本实施方式中，采用分割模型的分割结果来辅助约束分类模型提取的特征聚焦到病灶区域；分割模型由卷积通道与反卷积通道组成，卷积通道由三个卷积层组成，反卷积通道则有三个反卷积层组成，因此，分割模型输入的图像大小与输出的图像大小相同。分割模型是用于对病例图像进行病灶像素标定的模型，经过分割模型的病例图像会输出一个与病例图像相同像素的二值掩码，即将标定了病灶位置的病例图像通过二值矩阵进行表征。
S1212、将所述病例图像输入到所述分类模型中，并计算所述病灶二值掩码与所述分类模型的至少部分稠密块输出的分类二值掩码的相似度损失；
分类模型在对病例图像进行分类时，最后两个dense block(稠密块)得到的特征图，加权后以阈值t获取一个分类二值掩码，与分割模型得到的病灶二值掩码计算一个jaccard loss(相似度损失，即差值计算)。把这个jaccard loss加权到交叉熵损失函数上，来约束模型提取的特征聚焦到病灶区域。
S1213、将所述相似度损失加权至所述交叉熵损失函数，以约束所述分类模型在分类时将提取的特征聚焦至所述病灶图像所在的位置。
把这个jaccard loss加权到交叉熵损失函数上，来约束模型提取的特征聚焦到病灶区域。由于，分割模型被预先训练至收敛状态，因此，其输出的二值掩码中标定了皮肤图片中病灶的位置(在二值掩码中像素值为255的数值表征的位置即病灶像素所在的位置)，将其与分类模型最后两个稠密块输出的数据进行计算，求取相似度损失能够快速的确定出分类数据中错误提取的病灶像素，然后通过损失函数进行计算后，通过反向传播算法，快速调整稠密块部分卷积层中的权重，减少非病灶像素位置的像素权重，加大病灶像素位置的权重，来约束皮肤分类模型提取的特征聚焦到病灶区域。
在一些选择性实施例中，在进行病例图像的分类之前，需要针对性的将分类模型训练至收敛状态。请参阅图3，图3为本实施例中训练分类模型的流程示意图。
如图3所示，步骤S1100之前还包括：
S1010、获取标记有分类参照信息的训练样本数据，其中，所述训练样本数据包括若干病例图像以及各病例图像对应的期望分类信息；
训练样本数据是由病例图像以及对病例图像进行标记的分类判断信息组成的。
分类判断信息是指人们根据输入DenseNets网络模型的训练方向，通过普适性的判断标准和事实状态对训练样本数据做出的人为的判断，也就是人们对DenseNets网络模型输出数值的期望目标。如，在一个训练样本数据中，人工标定训练样本中的皮肤镜图片表征的用户疾病为皮肤肿瘤，该则皮肤肿瘤为DenseNets网络模型输出分类数据的期望目标。其中，参与训练的病例图像均为已经治愈或者经过专家团队一致确认的病例图像。根据相同的方法，将作为训练样本数据的病例图像均进行分类判断信息标定。
S1020、将所述训练样本数据输入神经网络模型获取所述训练样本数据的分类判断信息；
将训练样本集依次输入到DenseNets网络模型中，训练样本输入后模型首先对样本图像中的特征进行提取，然后根据权重计算该样本图像的分类结果，即输出样本图像的分类参照信息。
本实施方式中，在训练DenseNets网络模型时，还需要使用到已经训练至收敛状态的分割模型。
分割模型由卷积通道与反卷积通道组成，卷积通道由三个卷积层组成，反卷积通道则有三个反卷积层组成，因此，分割模型输入的图像大小与输出的图像大小相同。分割模型是用于对病例图像进行病灶像素标定的模型，经过分割模型的病例图像会输出一个与病例图像相同像素的二值掩码，即将标定了病灶位置的病例图像通过二值矩阵进行表征。
在进行分类模型训练时，分类模型最后两个dense block(稠密块)得到的特征图，加权后以阈值t获取一个分类二值掩码，与分割模型得到的病灶二值掩码计算一个jaccardloss(相似度损失，即差值计算)。把这个jaccard loss加权到分类模型的交叉熵损失函数上，来约束模型提取的特征聚焦到病灶区域。交叉熵损失函数通过闭环反馈的方式校准分类模型中的权重因子，使权重因子能够体现病灶所在位置处图像的权重。分割模型的设置能够加速分类模型的训练，且使分类模型具有更高的鲁棒性。
在训练过程中，随着反向算法不断地调整模型内部的权值，使模型提取的特征向能够区分病症的特征像素靠拢(例如，皮肤镜图像中的病变位置，病变轮廓等)，即随着训练的不断继续，加重上述图像在卷积层中的权重，以使在进行卷积提取时，提取的聚类中心点集中在上述特征像素所在的地方，在提高了的辨识度的同时，提高了分类的准确性。
模型分类参照信息是DenseNets网络模型根据输入的病例图像而输出的激励数据，在DenseNets网络模型未被训练至收敛之前，分类参照信息为离散性较大的数值，当DenseNets网络模型被训练至收敛之后，分类参照信息为相对稳定的数据。
S1030、比对所述训练样本数据的分类参照信息与所述分类判断信息是否一致；
通过损失函数计算期望输出与激励输出是否一致，损失函数是用于检测DenseNets网络模型中模型分类参照信息，与期望的分类判断信息是否具有一致性的检测函数。当DenseNets网络模型的输出结果与分类判断信息的期望结果不一致时，需要对DenseNets网络模型中的权重进行校正，以使DenseNets网络模型的输出结果与分类判断信息的期望结果相同。
损失函数可以反映出模型预测结果与真实类别的差距，根据差距的大小进行反向传播算法对DenseNets网络模型中的权重进行调整，以使DenseNets网络模型的输出结果与分类判断信息的期望结果趋于一致。
本实施方式中，采用的损失函数特征描述为：
L表示期望输出与激励输出之间的交叉熵损失，y表示期望输出，表示激励输出。L越大表示两者差异越大。
S1040、当所述分类参照信息与所述分类判断信息不一致时，反复循环迭代的更新所述神经网络模型中的权重，至所述比对结果一致时结束。
训练时采用多张训练样本进行训练(例如1万皮肤镜图像)，通过反复的训练与校正，当DenseNets网络模型输出分类数据与各训练样本的分类参照信息比对达到(不限于)99％时，训练结束。
训练至收敛状态的DenseNets网络模型能够以高准确率对皮肤镜图像进行分类得到疾病的名称。
在一些实施方式中，由于用于训练的样本病例图像不足，需要对已有的样本图像进行图像处理，以派生出较多的样本图像，且通过图像处理，能够使分类模型在训练时，能够学习到派生图像与原始图像之间的不变性，使训练至收敛的分类模型的鲁棒性更强。
本实施方式中的图像处理包括(不限于)：翻转(水平，垂直)，旋转(90度，180度，270度)，镜像或从256*256原始图像中大小随机截取224*224大小的图像等。通过上述方法，获取到派生于元图片的增强图片，不仅仅增加了训练样本的数量同时，也能够使训练出来的模型更加稳定，鲁棒性更强。
本实施方式中，分割模型的训练方式与分类模型的训练方式大致相同，区别点在于，分割模型训练样本中标定的分类判断信息为病灶的位置，分割模型输出分类参照信息，则为表征病灶位置的二值掩码。且分割模型的训练过程无需已经训练至收敛状态的其他模型进行辅助训练。
在一些选择性实施例中，病例图像分类作为AI疾病治疗的组成部分，需要进一步地根据疾病名称获取对应的治疗方案。请参阅图4，图4为本发明实施例通过疾病名称获取对应治疗方案的流程示意图。
如图4所示，步骤S1300之后还包括下述步骤：
S1411、在预设疾病数据库中查找与所述疾病名称具有映射关系治疗方案；
本实施方式中，设置有疾病数据库，疾病数据库中记载现有所有疾病的名称，以及对应该疾病名称的一个或者多个治疗方案。
在获取到疾病名称后，将疾病名称作为检索关键字在疾病数据库中进行检索，检索得到的召回结果即为该疾病的档案信息。其中，档案信息中包括该疾病的症状、该疾病对应的治疗方案以及各治疗方案的治愈几率。
当该疾病对应的治疗方案有且只有一个时，将该治疗方案定义为疾病名称具有映射关系治疗方案。当该疾病对应的治疗方案有多个时，选用方案中治愈几率最高的一个治疗方案，定义为疾病名称具有映射关系治疗方案。由于，个体差异性的存在，不同的治疗方案在不同的人身上取得的治疗效果不同，因此，通过统计各个治疗方案的治愈率能够得到适合大众的最佳治疗方案。
S1412、将所述治疗方案发送至目标用户终端作为参考治疗方案。
获取到与疾病名称具有映射关系的治疗方案后，将该治疗方案发送至对应的目标用户终端作为参考治疗方案。其中，目标用户终端能够是医护人员终端，病例图像分类作为一种辅助治疗手段，能够为医护人员提供参考性意见。但是目标用户终端的对象不局限于此，在一些选择性实施例中，病例图像分类作为一种独立的医疗***，能够单独的对用户进行治疗时，目标用户终端能够是前来问诊的患者持有的终端设备。
通过疾病名称为患者提供具有指导意义的参考治疗方案，能够加快医护人员的工作效率。
在一些实施方式中，为了验证选定的参考治疗方案对用户是否有效，需要对参考治疗方案的至于效果进行判断。请参阅图5，图5为本实施例判断治愈效果的流程示意图。
如图5所示，步骤S1413之后还包括：
S1421、在预设的治疗周期完成后获取疗效图片；
在患者使用选定的参考治疗方案进行治疗后，完成设定的治疗周期完成后再一次采集包括治疗部位的疗效图片。
其中，治疗周期能够是在每完成一个疗程后进行疗效图片的采集，也能够是完成多个疗程的治疗之后进行采集。具体的采集时间能够根据具体的应用场景的变化而进行适应性的确定。采集疗效图片能够是一次，也能够是具有延续性的定时进行采集。
S1422、将所述疗效图片与所述病例图像输入到预设的治愈度判断模型中，其中，所述治愈度判断模型为训练至收敛状态用于通过图片比对判断治愈度的神经网络模型；
将疗效图片与病例图像输入到预设的治愈度判断模型中，进行治愈度判断。治愈度判断模型为训练至收敛状态用于通过图片比对判断治愈度的神经网络模型。治愈度判断模型是卷积神经网络模型(CNN)，但是治愈度判断模型还能够是：深度神经网络模型(DNN)、循环神经网络模型(RNN)或者上述三种网络模型的变形模型。
其中，治愈度判断模型的训练方式与分类模型的训练方式大致相同。不同点在于，构成训练样本数据的的样本图像与期望分类信息不同。训练时训练样本数据的样本图像由一对图像组成分别为：疗效图片和病例图像组成，对应的期望分类信息则为通过专家团队确定的该疗效图片相对于病例图像的治愈度。例如，疗效图片相对于病例图像的治愈度为70％时，疗效图片和病例图像的期望分类信息为70％。
治愈度判断模型的分类结果分别为不同比例的治愈度。例如：10％、20％、30％、40％、50％、60％、70％、80％、90％和100％。
S1423、根据所述治愈度判断模型输出的分类结果，得到所述治疗周期完成时疾病的治愈度。
将疗效图片与病例图像输入到治愈度判断模型后，治愈度判断模型输出病例图像的分类结果，该分类结果就是疗效图片病灶图像相对于病例图像病灶图像的相对面积比值的百分数。
通过治愈度判断模型对疗效图片与病例图像进行比对分类，能够是医护人员和患者准确的掌握治疗效果，有助于优化调整治疗方案，加速患者疾病的治愈速度。
在一些实施方式中，由于个体差异化的原因，参考治疗方案对于用户无效时，需要建议重新替换治疗方案。请参阅图6，图6为本实施例建议替换参考治疗方案的流程示意图。
如图6所示，步骤S1423之后还包括:
S1431、将所述治愈度与预设的治愈阈值进行比对；
将治愈度判断模型输出的治愈度与设定的治愈阈值进行比对。其中治愈阈值是判断参考治疗方案是否有效的治愈度阈值。例如，设定治愈阈值为10％。但是治愈阈值的取值不局限于此，根据具体应用场景的不同，治愈阈值能够适应新的确定为任一百分数。
S1432、当所述治愈度小于所述治愈阈值时，向所述目标用户终端发送预设的提示信息，其中，所述提示信息为建议更换所述参考治疗方案的信息。
通过比对确定治愈度小于治愈阈值时，即认定参考治疗方案对于该用户无实际治疗效果。因此，需要向目标用户终端发送提示信息。其中，提示信息为建议更换参考治疗方案的信息。
当确定治愈度大于等于治愈阈值时，即认定参考治疗方案对于患者具有治疗效果。
通过治愈阈值的设定能够是医护人员和患者准确的掌握治疗效果，有助于优化调整治疗方案，加速患者疾病的治愈速度。
在一些实施方式中，为了能够对个体差异化在一开始就做出最优化的参考治疗方案。需要对已经治愈的患者的信息进行收集，然后进行分类，再从分类结果中获取患者共性的共性信息，以便于在遇到相对应的患者后，能够给出最适合该患者的参考治疗方案。请参阅图7，图7为本发明实施例建立共性信息标签的流程示意图。
如图7所示，步骤S1432之后还包括：
S1441、获取治愈患者的治疗方案信息；
对于已经治愈的患者或者治疗卓有成效的患者，对其采用的治疗方案进行收集。在收集患者治疗方案的同时，收录患者的病史信息，例如：患者的名称、患病时长、生活区域、种族、日常饮食、身体强壮程度、年龄和性别等等能够体现个体差异化的信息。
S1442、以治疗方案为限定信息将所述治愈患者进行归类；
收集完成患者的治疗方案信息和病史信息后。以患者使用的治疗方案为限定条件，对患者进行分类。将使用同样治疗方案的用户划分为同一个类别。
S1443、分析同一类别中治愈患者具有的共性信息，并将所述共性信息标记为对应类别的索引标签。
然后在同一类别的患者病史信息中，提取该类别患者中是否具有共性的信息。其中共性信息不仅仅指该类别中所有人均具有的信息，也能够是该类别中大多数人或者某几个人的共同的特征。且同一类别中共性信息的数量能够为对个，即该类别能够设置多个索引标签。
将获取的共性信息作为对应类别的索引标签。在新的患者就诊时，如果采集到该患者具有某个索引标签时，将该患者划归至对应的类别中，并将该类别对应的治疗方案作为患者的治疗方案。
例如，通过共性信息的提取确定在一个类别中，患者的年龄段均分布在45-60岁这一个年龄段中，即证明该治疗方案更适用于该年龄段的患者。则在患者被确诊患有该疾病时，通过年龄匹配确认患者年龄为50岁时，将该类别的对应的治疗方案作为参考治疗方案推荐给患者作为首选治疗方案。
对已经治愈的患者的信息进行收集，然后进行分类，再从分类结果中获取患者共性的共性信息，在遇到相对应的患者后，根据检查患者具有何种共性信息后，给出最适合该患者的参考治疗方案。
为解决上述技术问题，本发明实施例还提供一种商户权限管理装置。
具体请参阅图8，图8为本实施例病例图像分类装置基本结构示意图。
如图8所示，一种病例图像分类装置，包括：获取模块2100、处理模块2200、执行模块2300。其中，获取模块2100用于获取待分类的病例图像；处理模块2200用于将病例图像输入到预设的病例分类模型中，其中，病例分类模型包括训练至收敛状态的分割模型和分类模型，分割模型用于对病例图像进行处理，以获取病例图像中表征病灶图像所在位置的病灶二值掩码，分类模型根据病例图像图像和病灶二值掩码进行图像分类；执行模块2300用于根据病例分类模型输出的分类结果，得到病例图像表征的疾病名称。
病例图像分类装置由于病例分类模型在训练时，采用行业领域、行业专家或者已经确诊或治愈的疾病图片，进行训练使其具有了判断同类型图片中疾病名称的能力，且病例分类模型对图像表征的疾病判断能够代表本领域内的普遍判断结果。因此，通过病例分类模型能够避免疾病诊断时，仅仅依靠单个或者部分医护人员的经验判断的局限，使疾病的判断结果符合本领域内的通识标准，能够有效的提高疾病诊断的准确率。同时，通过病例分类模型的判断没有了医护人员的人为介入，能够有效的提高诊断效率，缓解社会医疗资源紧缺的问题。
病例分类模型分为分割模型和分类模型，分割模型能够提取病例图像中表征病灶图像所在位置的二值掩码，而分类模型则根据二值掩码和病例图像对病例图像进行分类，由于，分割模型输出的二值掩码能够使分类模型在特征提取时，将特征提取的范围精准的定位于病灶图像所在的位置。以此，使病例分类模型对病例图像进行分类时，避免病例图像中的染色、水珠、毛发图像对判断结果的影响，提高了病例分类模型的分类的准确率，使病例分类模型的鲁棒性更强。
在一些选择性实施例中，分类模型包括多个稠密块和交叉熵损失函数，病例图像分类装置还包括：第一输入子模块、第一处理子模块和第一执行子模块。其中，第一输入子模块用于将病例图像输入到分割模型中，以获取病例图像中表征病灶图像所在位置的病灶二值掩码；第一处理子模块用于将病例图像输入到分类模型中，并计算病灶二值掩码与分类模型的至少部分稠密块输出的分类二值掩码的相似度损失；第一执行子模块用于将相似度损失加权至交叉熵损失函数，以约束分类模型在分类时将提取的特征聚焦至病灶图像所在的位置。
在一些选择性实施例中，病例图像分类装置还包括：第二处理子模块和第二执行子模块。其中，第二处理子模块用于在预设疾病数据库中查找与疾病名称具有映射关系治疗方案；第二执行子模块用于将治疗方案发送至目标用户终端作为参考治疗方案。
在一些选择性实施例中，病例图像分类装置还包括：第一获取子模块、第三处理子模块和第三执行子模块。其中，第一获取子模块用于在预设的治疗周期完成后获取疗效图片；第三处理子模块用于将疗效图片与病例图像输入到预设的治愈度判断模型中，其中，治愈度判断模型为训练至收敛状态用于通过图片比对判断治愈度的神经网络模型；第三执行子模块用于根据治愈度判断模型输出的分类结果，得到治疗周期完成时疾病的治愈度。
在一些选择性实施例中，病例图像分类装置还包括：第一比对子模块和第四执行子模块。其中，第一比对子模块用于将治愈度与预设的治愈阈值进行比对；第四执行子模块用于当治愈度小于治愈阈值时，向目标用户终端发送预设的提示信息，其中，提示信息为建议更换参考治疗方案的信息。
在一些选择性实施例中，病例图像分类装置还包括：第二获取子模块、第四处理子模块和第五执行子模块。其中，第二获取子模块用于获取治愈患者的治疗方案信息；第四处理子模块用于以治疗方案为限定信息将治愈患者进行归类；第五执行子模块用于分析同一类别中治愈患者具有的共性信息，并将共性信息标记为对应类别的索引标签。
在一些选择性实施例中，病例图像分类装置还包括：第三获取子模块、第五处理子模块、第二比对子模块和第六执行子模块。其中，第三获取子模块用于获取标记有分类参照信息的训练样本数据，其中，训练样本数据包括若干病例图像以及各病例图像对应的期望分类信息；第五处理子模块用于将训练样本数据输入神经网络模型获取训练样本数据的分类判断信息；第二比对子模块用于比对训练样本数据的分类参照信息与分类判断信息是否一致，第六执行子模块用于当分类参照信息与分类判断信息不一致时，反复循环迭代的更新神经网络模型中的权重，至比对结果一致时结束。
为解决上述技术问题，本发明实施例还提供计算机设备。具体请参阅图9，图9为本实施例计算机设备基本结构框图。
如图9所示，计算机设备的内部结构示意图。该计算机设备包括通过***总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作***、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种病例图像分类方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种病例图像分类方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本实施方式中处理器用于执行图8中获取模块2100、处理模块2200和执行模块2300的具体功能，存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有人脸图像关键点检测装置中执行所有子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
计算机设备由于病例分类模型在训练时，采用行业领域、行业专家或者已经确诊或治愈的疾病图片，进行训练使其具有了判断同类型图片中疾病名称的能力，且病例分类模型对图像表征的疾病判断能够代表本领域内的普遍判断结果。因此，通过病例分类模型能够避免疾病诊断时，仅仅依靠单个或者部分医护人员的经验判断的局限，使疾病的判断结果符合本领域内的通识标准，能够有效的提高疾病诊断的准确率。同时，通过病例分类模型的判断没有了医护人员的人为介入，能够有效的提高诊断效率，缓解社会医疗资源紧缺的问题。
病例分类模型分为分割模型和分类模型，分割模型能够提取病例图像中表征病灶图像所在位置的二值掩码，而分类模型则根据二值掩码和病例图像对病例图像进行分类，由于，分割模型输出的二值掩码能够使分类模型在特征提取时，将特征提取的范围精准的定位于病灶图像所在的位置。以此，使病例分类模型对病例图像进行分类时，避免病例图像中的染色、水珠、毛发图像对判断结果的影响，提高了病例分类模型的分类的准确率，使病例分类模型的鲁棒性更强。
本发明还提供一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例病例图像分类方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
Claims (10)
1.一种病例图像分类方法，其特征在于，包括：
获取待分类的病例图像；
将所述病例图像输入到预设的病例分类模型中，其中，所述病例分类模型包括训练至收敛状态的分割模型和分类模型，所述分割模型用于对所述病例图像进行处理，以获取所述病例图像中表征病灶图像所在位置的病灶二值掩码，所述分类模型根据所述病例图像图像和所述病灶二值掩码进行图像分类；
根据所述病例分类模型输出的分类结果，得到所述病例图像表征的疾病名称。
2.根据权利要求1所述的病例图像分类方法，其特征在于，所述分类模型包括多个稠密块和交叉熵损失函数，所述将所述病例图像输入到预设的病例分类模型中包括：
将所述病例图像输入到所述分割模型中，以获取所述病例图像中表征病灶图像所在位置的病灶二值掩码；
将所述病例图像输入到所述分类模型中，并计算所述病灶二值掩码与所述分类模型的至少部分稠密块输出的分类二值掩码的相似度损失；
将所述相似度损失加权至所述交叉熵损失函数，以约束所述分类模型在分类时将提取的特征聚焦至所述病灶图像所在的位置。
3.根据权利要求1所述的病例图像分类方法，其特征在于，所述根据所述病例分类模型输出的分类结果，得到所述病例图像表征的疾病名称之后，还包括：
在预设疾病数据库中查找与所述疾病名称具有映射关系治疗方案；
将所述治疗方案发送至目标用户终端作为参考治疗方案。
4.根据权利要求3所述的病例图像分类方法，其特征在于，所述将所述治疗方案发送至目标用户终端作为参考治疗方案之后，还包括：
在预设的治疗周期完成后获取疗效图片；
将所述疗效图片与所述病例图像输入到预设的治愈度判断模型中，其中，所述治愈度判断模型为训练至收敛状态用于通过图片比对判断治愈度的神经网络模型；
根据所述治愈度判断模型输出的分类结果，得到所述治疗周期完成时疾病的治愈度。
5.根据权利要求4所述的病例图像分类方法，其特征在于，所述根据所述治愈度判断模型输出的分类结果，得到所述治疗周期完成时疾病的治愈度之后，还包括：
将所述治愈度与预设的治愈阈值进行比对；
当所述治愈度小于所述治愈阈值时，向所述目标用户终端发送预设的提示信息，其中，所述提示信息为建议更换所述参考治疗方案的信息。
6.根据权利要求5所述的病例图像分类方法，其特征在于，所述当所述治愈度小于所述治愈阈值时，向所述目标用户终端发送预设的提示信息之后，包括：
获取治愈患者的治疗方案信息；
以治疗方案为限定信息将所述治愈患者进行归类；
分析同一类别中治愈患者具有的共性信息，并将所述共性信息标记为对应类别的索引标签。
7.根据权利要求1所述的病例图像分类方法，其特征在于，所述获取待分类的病例图像之前，还包括：
获取标记有分类参照信息的训练样本数据，其中，所述训练样本数据包括若干病例图像以及各病例图像对应的期望分类信息；
将所述训练样本数据输入神经网络模型获取所述训练样本数据的分类判断信息；
比对所述训练样本数据的分类参照信息与所述分类判断信息是否一致；
当所述分类参照信息与所述分类判断信息不一致时，反复循环迭代的更新所述神经网络模型中的权重，至所述比对结果一致时结束。
8.一种病例图像分类装置，其特征在于，包括：
获取模块，用于获取待分类的病例图像；
处理模块，用于将所述病例图像输入到预设的病例分类模型中，其中，所述病例分类模型包括训练至收敛状态的分割模型和分类模型，所述分割模型用于对所述病例图像进行处理，以获取所述病例图像中表征病灶图像所在位置的病灶二值掩码，所述分类模型根据所述病例图像图像和所述病灶二值掩码进行图像分类；
执行模块，用于根据所述病例分类模型输出的分类结果，得到所述病例图像表征的疾病名称。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述病例图像分类方法的步骤。
10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述病例图像分类方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811348842.0A CN109346159B (zh) | 2018-11-13 | 2018-11-13 | 病例图像分类方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811348842.0A CN109346159B (zh) | 2018-11-13 | 2018-11-13 | 病例图像分类方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109346159A true CN109346159A (zh) | 2019-02-15 |
| CN109346159B CN109346159B (zh) | 2024-02-13 |
Family
ID=65315018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811348842.0A Active CN109346159B (zh) | 2018-11-13 | 2018-11-13 | 病例图像分类方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109346159B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109820507A (zh) * | 2019-03-25 | 2019-05-31 | 钟霁媛 | 疾病辅助诊断方法及装置 |
| CN110569875A (zh) * | 2019-08-07 | 2019-12-13 | 清华大学无锡应用技术研究院 | 一种基于特征复用的深度神经网络目标检测方法 |
| CN110717060A (zh) * | 2019-09-04 | 2020-01-21 | 平安科技（深圳）有限公司 | 图像mask的过滤方法、装置及存储介质 |
| CN111178428A (zh) * | 2019-12-27 | 2020-05-19 | 上海联影智能医疗科技有限公司 | 软骨损伤分类方法、装置、计算机设备和存储介质 |
| CN111223555A (zh) * | 2019-12-26 | 2020-06-02 | 北京安德医智科技有限公司 | 一种面向医学影像人工智能辅助诊断结果表征的dicom扩展方法 |
| CN111461049A (zh) * | 2020-04-13 | 2020-07-28 | 武汉联影智融医疗科技有限公司 | 空间注册识别方法、装置、设备及计算机可读存储介质 |
| CN111915584A (zh) * | 2020-07-29 | 2020-11-10 | 杭州健培科技有限公司 | 一种基于ct影像的病灶随访评估方法及*** |
| CN112203053A (zh) * | 2020-09-29 | 2021-01-08 | 北京市政建设集团有限责任公司 | 地铁施工人员行为智能监管方法及其*** |
| CN112509688A (zh) * | 2020-09-25 | 2021-03-16 | 卫宁健康科技集团股份有限公司 | 压疮图片自动分析***、方法、设备和介质 |
| CN112767329A (zh) * | 2021-01-08 | 2021-05-07 | 北京安德医智科技有限公司 | 图像处理方法及装置、电子设备 |
| CN113139517A (zh) * | 2021-05-14 | 2021-07-20 | 广州广电卓识智能科技有限公司 | 人脸活体模型训练方法、检测方法、存储介质和检测*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150206022A1 (en) * | 2014-01-22 | 2015-07-23 | Cognizant Technology Solutions India Pvt. Ltd. | System and method for classifying a skin infection |
| WO2016159726A1 (ko) * | 2015-04-01 | 2016-10-06 | 고려대학교 산학협력단 | 의료 영상으로부터 병변의 위치를 자동으로 감지하는 장치 및 그 방법 |
| CN106446004A (zh) * | 2016-07-30 | 2017-02-22 | 北京航空航天大学 | 数字病理全切片图像检索方法 |
| CN106778002A (zh) * | 2016-12-26 | 2017-05-31 | 中国科学院苏州生物医学工程技术研究所 | 一种医疗信息查询方法、设备和*** |
| CN107229826A (zh) * | 2017-05-23 | 2017-10-03 | 深圳市菲森科技有限公司 | 一种用于牙齿矫正的正畸影像管理装置和方法 |
| CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术（北京）有限公司 | 用于分析医学影像的方法和装置 |
| CN108171709A (zh) * | 2018-01-30 | 2018-06-15 | 北京青燕祥云科技有限公司 | 肝占位性病灶区域的检测方法、装置和实现装置 |
| CN108288506A (zh) * | 2018-01-23 | 2018-07-17 | 雨声智能科技（上海）有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
| CN108806793A (zh) * | 2018-04-17 | 2018-11-13 | 平安科技（深圳）有限公司 | 病变监测方法、装置、计算机设备和存储介质 |
-
2018
- 2018-11-13 CN CN201811348842.0A patent/CN109346159B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150206022A1 (en) * | 2014-01-22 | 2015-07-23 | Cognizant Technology Solutions India Pvt. Ltd. | System and method for classifying a skin infection |
| WO2016159726A1 (ko) * | 2015-04-01 | 2016-10-06 | 고려대학교 산학협력단 | 의료 영상으로부터 병변의 위치를 자동으로 감지하는 장치 및 그 방법 |
| CN106446004A (zh) * | 2016-07-30 | 2017-02-22 | 北京航空航天大学 | 数字病理全切片图像检索方法 |
| CN106778002A (zh) * | 2016-12-26 | 2017-05-31 | 中国科学院苏州生物医学工程技术研究所 | 一种医疗信息查询方法、设备和*** |
| CN107229826A (zh) * | 2017-05-23 | 2017-10-03 | 深圳市菲森科技有限公司 | 一种用于牙齿矫正的正畸影像管理装置和方法 |
| CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术（北京）有限公司 | 用于分析医学影像的方法和装置 |
| CN108288506A (zh) * | 2018-01-23 | 2018-07-17 | 雨声智能科技（上海）有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
| CN108171709A (zh) * | 2018-01-30 | 2018-06-15 | 北京青燕祥云科技有限公司 | 肝占位性病灶区域的检测方法、装置和实现装置 |
| CN108806793A (zh) * | 2018-04-17 | 2018-11-13 | 平安科技（深圳）有限公司 | 病变监测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 黄奕晖 等: ""基于三维全卷积DenseNet的脑胶质瘤MRI分割"", 《南方医科大学学报》, pages 661 - 668 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109820507B (zh) * | 2019-03-25 | 2024-03-08 | 钟霁媛 | 疾病辅助诊断方法及装置 |
| CN109820507A (zh) * | 2019-03-25 | 2019-05-31 | 钟霁媛 | 疾病辅助诊断方法及装置 |
| CN110569875B (zh) * | 2019-08-07 | 2022-04-19 | 清华大学无锡应用技术研究院 | 一种基于特征复用的深度神经网络目标检测方法 |
| CN110569875A (zh) * | 2019-08-07 | 2019-12-13 | 清华大学无锡应用技术研究院 | 一种基于特征复用的深度神经网络目标检测方法 |
| CN110717060A (zh) * | 2019-09-04 | 2020-01-21 | 平安科技（深圳）有限公司 | 图像mask的过滤方法、装置及存储介质 |
| CN110717060B (zh) * | 2019-09-04 | 2023-08-18 | 平安科技（深圳）有限公司 | 图像mask的过滤方法、装置及存储介质 |
| CN111223555A (zh) * | 2019-12-26 | 2020-06-02 | 北京安德医智科技有限公司 | 一种面向医学影像人工智能辅助诊断结果表征的dicom扩展方法 |
| CN111223555B (zh) * | 2019-12-26 | 2021-03-26 | 北京安德医智科技有限公司 | 一种面向医学影像人工智能辅助诊断结果表征的dicom扩展方法 |
| CN111178428A (zh) * | 2019-12-27 | 2020-05-19 | 上海联影智能医疗科技有限公司 | 软骨损伤分类方法、装置、计算机设备和存储介质 |
| CN111178428B (zh) * | 2019-12-27 | 2024-03-22 | 上海联影智能医疗科技有限公司 | 软骨损伤分类方法、装置、计算机设备和存储介质 |
| CN111461049B (zh) * | 2020-04-13 | 2023-08-22 | 武汉联影智融医疗科技有限公司 | 空间注册识别方法、装置、设备及计算机可读存储介质 |
| CN111461049A (zh) * | 2020-04-13 | 2020-07-28 | 武汉联影智融医疗科技有限公司 | 空间注册识别方法、装置、设备及计算机可读存储介质 |
| CN111915584A (zh) * | 2020-07-29 | 2020-11-10 | 杭州健培科技有限公司 | 一种基于ct影像的病灶随访评估方法及*** |
| CN111915584B (zh) * | 2020-07-29 | 2024-06-07 | 杭州健培科技有限公司 | 一种基于ct影像的病灶随访评估方法及*** |
| CN112509688A (zh) * | 2020-09-25 | 2021-03-16 | 卫宁健康科技集团股份有限公司 | 压疮图片自动分析***、方法、设备和介质 |
| CN112509688B (zh) * | 2020-09-25 | 2024-06-11 | 卫宁健康科技集团股份有限公司 | 压疮图片自动分析***、方法、设备和介质 |
| CN112203053A (zh) * | 2020-09-29 | 2021-01-08 | 北京市政建设集团有限责任公司 | 地铁施工人员行为智能监管方法及其*** |
| CN112767329B (zh) * | 2021-01-08 | 2021-09-10 | 北京安德医智科技有限公司 | 图像处理方法及装置、电子设备 |
| CN112767329A (zh) * | 2021-01-08 | 2021-05-07 | 北京安德医智科技有限公司 | 图像处理方法及装置、电子设备 |
| CN113139517A (zh) * | 2021-05-14 | 2021-07-20 | 广州广电卓识智能科技有限公司 | 人脸活体模型训练方法、检测方法、存储介质和检测*** |
| CN113139517B (zh) * | 2021-05-14 | 2023-10-27 | 广州广电卓识智能科技有限公司 | 人脸活体模型训练方法、检测方法、存储介质和检测*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109346159B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109346159A (zh) | 病例图像分类方法、装置、计算机设备及存储介质 | |
| CN109685102A (zh) | 胸部病灶图像分类方法、装置、计算机设备及存储介质 | |
| CN111340819B (zh) | 图像分割方法、装置和存储介质 | |
| Hemanth et al. | An enhanced diabetic retinopathy detection and classification approach using deep convolutional neural network | |
| CN105138993B (zh) | 建立人脸识别模型的方法及装置 | |
| Hou et al. | Classification of tongue color based on CNN | |
| CN106709511A (zh) | 基于深度学习的城市轨道交通全景监控视频故障检测方法 | |
| CN109919928A (zh) | 医学影像的检测方法、装置和存储介质 | |
| Guo et al. | Retinal vessel segmentation combined with generative adversarial networks and dense U-Net | |
| WO2022127500A1 (zh) | 基于多个神经网络的mri图像分割方法、装置及设备 | |
| CN106909938A (zh) | 基于深度学习网络的视角无关性行为识别方法 | |
| CN109377441A (zh) | 具有隐私保护功能的舌像采集方法和*** | |
| CN110427881A (zh) | 基于人脸局部区域特征学习的跨数据库微表情识别方法及装置 | |
| Li et al. | Cow individual identification based on convolutional neural network | |
| CN110490028A (zh) | 基于深度学习的人脸识别网络训练方法、设备及存储介质 | |
| CN108734145A (zh) | 一种基于密度自适应人脸表征模型的人脸识别方法 | |
| Guo et al. | Mgtr: End-to-end mutual gaze detection with transformer | |
| Hu et al. | Lightweight multi-scale network with attention for facial expression recognition | |
| Soundrapandiyan et al. | AI-based wavelet and stacked deep learning architecture for detecting coronavirus (COVID-19) from chest X-ray images | |
| Al Jannat et al. | Detection of multiple sclerosis using deep learning | |
| CN110175588A (zh) | 一种基于元学习的少样本面部表情识别方法及*** | |
| CN112990339B (zh) | 胃病理切片图像分类方法、装置及存储介质 | |
| CN110473176A (zh) | 图像处理方法及装置、眼底图像处理方法、电子设备 | |
| Patil et al. | Melanoma skin cancer disease detection using convolutional neural network | |
| CN108875909A (zh) | 医学影像的分类方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |