疾病分类方法、模型训练方法、装置、电子设备、介质制造方法及图纸

本公开涉及图像分类的技术领域，公开了一种疾病分类方法、模型训练方法、装置、电子设备、介质。疾病分类方法包括：获取目标扫描图像的多个子图像；确定与目标扫描图像相关的病情描述文本；基于多个子图像、病情描述文本和疾病分类模型，获得每种预设疾病的预测概率。上述方法将一个尺寸较大的目标扫描图像转换为多个尺寸较小的子图像，疾病分类模型可以依次处理各个子图像的数据，这可以避免图像处理过程超出硬件条件的限制。与此同时，将目标扫描图像转换为多个子图像并不会大幅度降低图像分辨率，这可以使疾病分类模型能够基于较高分辨率的图像进行疾病分类，有助于提高疾病分类模型对疾病的分类准确率。

【技术实现步骤摘要】

本公开涉及图像分类的，例如涉及一种疾病分类方法、模型训练方法、装置、电子设备、介质。

技术介绍

1、基于深度学习的计算机辅助诊断技术正在迅速发展，在相关技术中，可以将一定数量的带标注的扫描图像(如x光胸片图像)和病情描述文本(如临床报告或病史资料等)作为训练数据，使用训练数据对神经网络模型进行训练，得到能够在扫描图像中分类疾病的疾病分类模型。这样一来，利用疾病分类模型即可在扫描图像对多种疾病进行分类，减轻医生的工作负担，同时可以提高疾病分类的准确率。

2、然而，由于受到硬件条件或训练数据质量的限制，疾病分类模型易出现分类不准确的情况，因此，相关技术对疾病的分类准确较低。

3、需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细本文档来自技高网...

【技术保护点】

1.一种疾病分类方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述基于多个所述子图像、所述病情描述文本和疾病分类模型，获得每种预设疾病的预测概率，包括：

3.根据权利要求2所述的方法，其特征在于，所述获取多个所述子图像与所述病情描述文本的多模态信息，包括：

4.根据权利要求2所述的方法，其特征在于，所述多模态信息包括每个所述子图像的图像编码和所述病情描述文本的文本编码；所述基于所述多模态信息和疾病分类模型，获得每种预设疾病的预测概率，包括：

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述获取目标扫描图像的多...

【技术特征摘要】

1.一种疾病分类方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述基于多个所述子图像、所述病情描述文本和疾病分类模型，获得每种预设疾病的预测概率，包括：

3.根据权利要求2所述的方法，其特征在于，所述获取多个所述子图像与所述病情描述文本的多模态信息，包括：

4.根据权利要求2所述的方法，其特征在于，所述多模态信息包括每个所述子图像的图像编码和所述病情描述文本的文本编码；所述基于所述多模态信息和疾病分类模型，获得每种预设疾病的预测概率，包括：

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述获取目标扫描图像的多个子图像，包括：

6.根据权利要求1至4中任一项所述的方法，其特征在于，在所述获取目标扫描图像的多个子图像之前，还包括：

7.一种模型训练方法，用于训练得到如权利要求1至6中任一项所述的疾病分类模型，其特征在于，包...

【专利技术属性】
技术研发人员：万钇良，
申请(专利权)人：东软医疗系统股份有限公司，
类型：发明
国别省市：