【技术实现步骤摘要】
疾病预测方法、疾病预测模型训练方法及装置、存储介质
[0001]本专利技术涉及深度学习
，具体地，涉及一种疾病预测方法、疾病预测模型训练方法及装置、存储介质。
技术介绍
[0002]目前，随着深度学习技术的发展，深度学习模型已经逐步应用到疾病预测中，例如，基于疾病预测深度学习模型对肺部等器官的CT照片进行疾病预测等。现有技术中，通常采用经过标注的CT照片等直接作为训练样本，对建立的深度学习模型进行训练；然而，现有技术中训练得到的疾病预测深度学习模型往往仅能对疾病情况进行分类，难以对具体的病灶位置等内容进行预测，进而导致疾病预测效果较差。
技术实现思路
[0003]针对现有技术中的缺陷，本专利技术的目的是提供一种疾病预测方法、疾病预测模型训练方法及装置、存储介质，用以解决现有技术难以对具体的病灶位置等内容进行预测，疾病预测效果较差的问题。
[0004]根据本专利技术提供的疾病预测模型训练方法，包括：
[0005]建立初始疾病预测模型，所述初始疾病预测模型包括初始病灶分割网络与初始疾病等级预测网络，其中，所述初始病灶分割网络的输出端连接所述初始疾病等级预测网络的输入端；
[0006]依据第一训练数据以及针对所述第一训练数据进行病灶分割标注得到的第一标注数据，对所述初始病灶分割网络进行训练，获得目标病灶分割模块；
[0007]依据第二训练数据以及针对所述第二训练数据进行疾病等级标注得到的第二标注数据，对所述初始疾病等级预测网络进行训练，获得目标疾病等级预测模块；>[0008]依据所述目标病灶分割模块与所述目标疾病等级预测模块，得到疾病预测模型。
[0009]本专利技术实施例还提供了一种疾病预测方法，包括：
[0010]获取待预测数据；
[0011]将所述待预测数据输入至疾病预测模型中，得到疾病预测结果，所述疾病预测模型为通过上述的疾病预测模型训练方法训练得到的。
[0012]本专利技术实施例还提供了一种疾病预测模型训练装置，包括：
[0013]建立单元，用于建立初始疾病预测模型，所述初始疾病预测模型包括初始病灶分割网络与初始疾病等级预测网络，其中，所述初始病灶分割网络的输出端连接所述初始疾病等级预测网络的输入端；
[0014]第一训练单元，用于依据第一训练数据以及针对所述第一训练数据进行病灶分割标注得到的第一标注数据，对所述初始病灶分割网络进行训练，获得目标病灶分割模块；
[0015]第二训练单元，用于依据第二训练数据以及针对所述第二训练数据进行疾病等级标注得到的第二标注数据，对所述初始疾病等级预测网络进行训练，获得目标疾病等级预
测模块；
[0016]第一获取单元，用于依据所述目标病灶分割模块与所述目标疾病等级预测模块，得到疾病预测模型。
[0017]本专利技术实施例还提供了一种疾病预测装置，包括：
[0018]第二获取单元，用于获取待预测数据；
[0019]预测单元，用于将所述待预测数据输入至疾病预测模型中，得到疾病预测结果，所述疾病预测模型为基于上述的疾病预测模型训练装置训练得到的。
[0020]本专利技术实施例还提供了一种智能终端，包括健康提示装置与上述的疾病预测装置；
[0021]所述健康提示装置用于获取来自所述疾病预测装置的疾病预测结果，并根据所述疾病预测结果发布健康提示信息。
[0022]本专利技术实施例还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上存储计算机程序，所述计算机程序被处理器执行时实现上述的疾病预测模型训练方法的步骤，或者实现上述的疾病预测方法。
[0023]本专利技术实施例提供的疾病预测模型训练方法，建立由初始病灶分割网络与初始疾病等级预测网络连接形成的初始疾病预测模型，使用第一训练数据以及针对所述第一训练数据进行病灶分割标注得到的第一标注数据，对初始病灶分割网络进行训练，获得目标病灶分割模块，使用第二训练数据以及针对所述第二训练数据进行疾病等级标注得到的第二标注数据，对初始疾病等级预测网络进行训练，获得目标疾病等级预测模块，并依据目标病灶分割模块与目标疾病等级预测模块，得到疾病预测模型。本专利技术实施例通过目标病灶分割模块与目标疾病等级预测模块的获取，有助于使得疾病预测模型能够从多病种病灶分割以及各个病种疾病严重性预测两个角度对疾病进行预测，可以有效提高疾病预测的准确性，提升疾病预测效果。
附图说明
[0024]通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
[0025]图1为本专利技术实施例提供的疾病预测模型训练方法的流程图；
[0026]图2为本专利技术一个示例中针对疾病预测模型构建的网络框架示意图；
[0027]图3为本专利技术一个示例中基于Unet的多分支病灶分割网络架构示意图；
[0028]图4为本专利技术实施例提供的疾病预测方法的流程图；
[0029]图5为本专利技术实施例提供的疾病预测模型训练装置的结构示意图；
[0030]图6为本专利技术实施例提供的疾病预测装置的结构示意图；
具体实施方式
[0031]下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变形和改进。这些都属于本专利技术的保护范围。
[0032]在本专利技术的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0033]如图1所示，本专利技术实施例提供的疾病预测模型训练方法，包括：
[0034]步骤101，建立初始疾病预测模型，所述初始疾病预测模型包括初始病灶分割网络与初始疾病等级预测网络，其中，所述初始病灶分割网络的输出端连接所述初始疾病等级预测网络的输入端；
[0035]步骤102，依据第一训练数据以及针对所述第一训练数据进行病灶分割标注得到的第一标注数据，对所述初始病灶分割网络进行训练，获得目标病灶分割模块；
[0036]步骤103，依据第二训练数据以及针对所述第二训练数据进行疾病等级标注得到的第二标注数据，对所述初始疾病等级预测网络进行训练，获得目标疾病等级预测模块；
[0037]步骤104，依据所述目标病灶分割模块与所述目标疾病等级预测模块，得到疾病预测模型。
[0038]本实施例中，上述初始病灶分割网络与初始疾病等级预测网络均可以是基于深度卷积神经网络搭建的初始网络，初始疾病预测模型可以认为是尚未经过训练的网络模型。
[0039]本实施例的目的可以简单理解为通过训练数据对初始疾病预测模型进行训练，以得到一疾病本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种疾病预测模型训练方法，其特征在于，包括：建立初始疾病预测模型，所述初始疾病预测模型包括初始病灶分割网络与初始疾病等级预测网络，其中，所述初始病灶分割网络的输出端连接所述初始疾病等级预测网络的输入端；依据第一训练数据以及针对所述第一训练数据进行病灶分割标注得到的第一标注数据，对所述初始病灶分割网络进行训练，获得目标病灶分割模块；依据第二训练数据以及针对所述第二训练数据进行疾病等级标注得到的第二标注数据，对所述初始疾病等级预测网络进行训练，获得目标疾病等级预测模块；依据所述目标病灶分割模块与所述目标疾病等级预测模块，得到疾病预测模型。2.根据权利要求1所述的方法，其特征在于，所述初始病灶分割网络包括N个输出端，所述初始疾病等级预测网络的数量为N个，其中，所述初始病灶分割网络所包括的N个输出端，与N个所述初始疾病等级预测网络的输入端一一对应连接，N为大于1的整数；所述依据第一训练数据以及针对所述第一训练数据进行病灶分割标注得到的第一标注数据，对所述初始病灶分割网络进行训练，获得目标病灶分割模块，包括：获取第一训练数据，以及针对所述第一训练数据进行病灶分割标注得到的第一标注数据；依据所述第一标注数据对所述第一训练数据进行预处理，得到第一预处理数据；将所述第一预处理数据输入至所述初始病灶分割网络，输出N个病灶分割预测掩码；依据所述N个病灶分割预测掩码与所述第一标注数据，求取所述初始病灶分割网络中构建的第一损失函数的损失值；在所述第一损失函数的损失值满足第一损失阈值时，获得目标病灶分割模块。3.根据权利要求1所述的方法，其特征在于，所述依据第二训练数据以及针对所述第二训练数据进行疾病等级标注得到的第二标注数据，对所述初始疾病等级预测网络进行训练，获得目标疾病等级预测模块，包括：针对所述第二初始数据进行疾病等级标注得到第二标注数据；将所述第二初始数据输入到所述目标病灶分割模块中，得到病灶分割预测掩码；依据所述第二初始数据与所述病灶分割预测掩码，得到病灶数据；依据所述第二标注数据与所述病灶数据，对所述初始疾病等级预测网络进行训练，获得目标疾病等级预测模块。4.根据权利要求3所述的方法，其特征在于，所述依据所述第二标注数据与所述病灶数据，对所述初始疾病等级预测网络进行训练，获得目标疾病等级预测模块，包括：对所述病灶数据进行预处理得到第二预处理数据；...
【专利技术属性】
技术研发人员：王昊，党康，丁晓伟，张政，
申请(专利权)人：苏州体素信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。