专利名称:一种多专家融合胸部X线影像辅助诊断系统及方法
专利类型:发明专利
专利申请号:CN202311494684.0
专利申请(专利权)人:重庆师范大学
权利人地址:重庆市沙坪坝区大学城中路37号
专利发明(设计)人:唐智威,杨有
专利摘要:本发明涉及医疗信息技术领域,具体涉及一种多专家融合胸部X线影像辅助诊断系统及方法,包括输入模块、提取模块、第一胸部X射线多头网络模块、第二胸部X射线多头网络模块、病灶定位融合模块和疾病分类融合模块,本发明用于检测X光胸部射线影像中的疾病和病灶区域,该模型采用多专家融合的方法,由两个胸部X射线多头网络组成,使用不同的训练策略训练了这两个模型,然后将每个专家的诊断结论加权求和,得到更加准确的结果,从而解决了现有诊断模型准确性较低的问题。
主权利要求:
1.一种多专家融合胸部X线影像辅助诊断系统,其特征在于,包括输入模块、提取模块、第一胸部X射线多头网络模块、第二胸部X射线多头网络模块、病灶定位融合模块和疾病分类融合模块;
所述输入模块,用于输入胸部X射线影像;
所述提取模块,用于对所述胸部X射线影像进行提取,得到胸部感兴趣区影像和图像心肺掩码;
所述第一胸部X射线多头网络模块,用于对所述胸部感兴趣区影像进行计算,得到第一病灶候选区和第一疾病阳性概率;
所述第二胸部X射线多头网络模块,用于对所述胸部感兴趣区影像与所述图像心肺掩码进行计算,得到第二病灶候选区和第二疾病阳性概率;
所述病灶定位融合模块,基于所述第一病灶候选区和所述第二病灶候选区,输出对应病灶区域;
疾病分类融合模块,基于所述第一疾病阳性概率和所述第二疾病阳性概率,输出疾病数据;
病灶定位融合器是专门用于将病灶定位专家组得出的多个病灶定位建议加权求和以此生成更准确的病灶定位结果,病灶定位融合器采用了加权边界框融合算法融合多个定位建议框,每个定位建议框的权重由离散型粒子群优化器得到,将每个定位建议矩形框的4个
8×8
坐标合成为一个8维向量然后得到8个病灶定位专家输出的病灶定位建议矩阵Pn∈R ,另设在第n种疾病下,整个病灶定位专家组的权重矩阵设为 加权融合后的Pn设为 则 的计算公式为:其中,*代表矩阵乘法,sum代表对矩阵元素求和,然后构造离散型粒子群优化器的适应度函数Fit为:其中IoR()代表计算 和真实病灶标注框 之间的IoR分数,最后将公式(1)代入公式(2)并考虑所有K'种疾病建立优化目标T:离散型粒子群优化算法会在参数空间寻找一组最优参数 使得适应度函数Fit的值达到极小值,即最大程度地拉近 与 之间的距离。
2.如权利要求1所述的一种多专家融合胸部X线影像辅助诊断系统,其特征在于,所述提取模块包括区域提取单元和掩码提取单元;
所述区域提取单元,用于对所述胸部X射线影像进行提取,得到胸部感兴趣区影像;
所述掩码提取单元,用于对所述胸部X射线影像进行提取,得到图像心肺掩码。
3.如权利要求2所述的一种多专家融合胸部X线影像辅助诊断系统,其特征在于,所述第一胸部X射线多头网络模块和所述第二胸部X射线多头网络模块均包括多个病灶定位头和疾病分类头;
所述病灶定位头,用于病灶定位专家输出所述第一病灶候选区和所述第二病灶候选区;
所述疾病分类头,用于疾病分类专家输出所述第一疾病阳性概率和所述第二疾病阳性概率。
4.如权利要求3所述的一种多专家融合胸部X线影像辅助诊断系统,其特征在于,多个所述病灶定位头分别为GradCAM定位头、XGradCAM定位头、HiResCAM定位头和LayerCAM定位头。 说明书 : 一种多专家融合胸部X线影像辅助诊断系统及方法技术领域[0001] 本发明涉及医疗信息技术领域,尤其涉及一种多专家融合胸部X线影像辅助诊断系统及方法。背景技术[0002] 疾病分类和病灶定位是自动胸部X射线影像疾病诊断技术的重要研究课题,该技术被期待提高疾病诊断的准确性,并减轻射线医生的工作负担。这类技术很大程度上需要依赖大量的图像级别与病灶级别标注。[0003] 又由于公开数据集中存在类别不平衡问题,使用公开数据集训练出来的模型往往存在“偏心”诊断现象,影响诊断准确性。发明内容[0004] 本发明的目的在于提供一种多专家融合胸部X线影像辅助诊断系统及方法,旨在解决现有诊断模型准确性较低的问题。[0005] 为实现上述目的,第一方面,本发明提供了一种多专家融合胸部X线影像辅助诊断系统,包括输入模块、提取模块、第一胸部X射线多头网络模块、第二胸部X射线多头网络模块、病灶定位融合模块和疾病分类融合模块;[0006] 所述输入模块,用于输入胸部X射线影像;[0007] 所述提取模块,用于对所述胸部X射线影像进行提取,得到胸部感兴趣区影像和图像心肺掩码;[0008] 所述第一胸部X射线多头网络模块,用于对所述胸部感兴趣区图像进行计算,得到第一病灶候选区和第一疾病阳性概率;[0009] 所述第二胸部X射线多头网络模块,用于对所述胸部感兴趣区图像与所述图像心肺掩码进行计算,得到第二病灶候选区和第二疾病阳性概率;[0010] 所述病灶定位融合模块,基于所述第一病灶候选区和所述第二病灶候选区,输出对应病灶区域;[0011] 疾病分类融合模块,基于所述第二疾病阳性概率和所述第二疾病阳性概率,输出疾病数据。[0012] 其中,所述提取模块包括区域提取单元和掩码提取单元;[0013] 所述区域提取单元,用于对所述胸部X射线影像进行提取,得到胸部感兴趣区影像;[0014] 所述掩码提取单元,用于对所述胸部X射线影像进行提取,得到图像心肺掩码。[0015] 其中,所述第一胸部X射线多头网络模块和所述第二胸部X射线多头网络模块均包括多个病灶定位头和疾病分类头;[0016] 所述病灶定位头,用于病灶定位专家输出所述第一病灶候选区和所述第二病灶候选区;[0017] 所述疾病分类头,用于疾病分类专家输出所述第一疾病阳性概率和所述第二疾病阳性概率。[0018] 其中,多个所述病灶定位头分别为GradCAM定位头、XGradCAM定位头、HiResCAM定位头和LayerCAM定位头。[0019] 第二方面,一种多专家融合胸部X线影像辅助诊断方法,应用于第一方面所述的一种多专家融合胸部X线影像辅助诊断系统,包括以下步骤:[0020] 输入胸部X射线影像;[0021] 对胸部X射线影像进行提取得到胸部感兴趣区影像和图像心肺掩码;[0022] 对所述胸部感兴趣区图像进行计算得到第一病灶候选区和第一疾病阳性概率;[0023] 对所述胸部感兴趣区图像与所述图像心肺掩码进行计算得到第二病灶候选区和第二疾病阳性概率;[0024] 基于所述第一病灶候选区和所述第二病灶候选区输出对应病灶区域;[0025] 基于所述第二疾病阳性概率和所述第二疾病阳性概率输出疾病数据。[0026] 本发明的一种多专家融合胸部X线影像辅助诊断系统及方法,输入胸部X射线影像;对胸部X射线影像进行提取得到胸部感兴趣区影像和图像心肺掩码;对所述胸部感兴趣区图像进行计算得到第一病灶候选区和第一疾病阳性概率,对所述胸部感兴趣区图像与图像心肺掩码进行计算得到第二病灶候选区和第二疾病阳性概率;基于所述第一病灶候选区和所述第二病灶候选区输出对应病灶区域;基于所述第二疾病阳性概率和所述第二疾病阳性概率输出疾病数据,提出了一种名为多专家融合胸部X射线影像辅助诊断模型的疾病诊断模型,用于检测X光胸部X射线影像中的疾病和病灶区域,该模型采用多专家融合的方法,由两个胸部X射线多头网络组成,包含8个疾病定位专家和28个疾病分类专家,使用不同的训练策略训练了这两个模型,以使每个专家获得不同的诊断“特长”,然后将每个专家的诊断结论加权求和,得到更加准确的结果,从而解决了现有诊断模型准确性较低的问题。附图说明[0027] 本发明可以通过附图给出的非限定性实施例进一步说明。[0028] 图1是多专家融合胸部X射线影像辅助诊断模型整体架构图。[0029] 图2是胸部X射线多头网络的架构。[0030] 图3是12例病灶定位表现图。[0031] 图4是8个CAMHaad输出的病灶定位图。[0032] 图5是本发明的一种多专家融合胸部X线影像辅助诊断系统的结构示意图。[0033] 图6是多专家融合胸部X射线影像辅助诊断模型的流程图。[0034] 图7是本发明的一种多专家融合胸部X线影像辅助诊断系统的流程图。[0035] 1‑输入模块、2‑提取模块、3‑第一胸部X射线多头网络模块、4‑第二胸部X射线多头网络模块、5‑病灶定位融合模块、6‑疾病分类融合模块。具体实施方式[0036] 下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。[0037] 请参阅图1至图5,第一方面,本发明提供一种多专家融合胸部X线影像辅助诊断系统,包括输入模块21、提取模块、第一胸部X射线多头网络模块3、第二胸部X射线多头网络模块4、病灶定位融合模块5和疾病分类融合模块6;[0038] 所述输入模块21,用于输入胸部X射线影像;[0039] 所述提取模块,用于对所述胸部X射线影像进行提取,得到胸部感兴趣区影像和图像心肺掩码;[0040] 所述第一胸部X射线多头网络模块3,用于对所述胸部感兴趣区图像进行计算,得到第一病灶候选区和第一疾病阳性概率;[0041] 所述第二胸部X射线多头网络模块4,用于对所述胸部感兴趣区图像与所述图像心肺掩码进行计算,得到第二病灶候选区和第二疾病阳性概率;[0042] 所述病灶定位融合模块5,基于所述第一病灶候选区和所述第二病灶候选区,输出对应病灶区域;[0043] 疾病分类融合模块6,基于所述第二疾病阳性概率和所述第二疾病阳性概率,输出疾病数据。[0044] 在本实施方式中,病灶定位融合器是专门用于将病灶定位专家组得出的多个病灶定位建议加权求和以此生成更加准确的病灶定位结果。病灶定位融合器采用了加权边界框融合算法融合多个定位建议框,每个定位建议框的权重由离散型粒子群优化器(DPSO)得到。这里,将每个定位建议矩形框的4个坐标合成为一个8维向量然后得到8个病灶定位专家8×8输出的病灶定位建议矩阵Pn∈R ,另设在第n种疾病下,整个病灶定位专家组的权重矩阵设为 加权融合后的Pn设为 则 的计算公式为:[0045][0046] 其中,*代表矩阵乘法,sum代表对矩阵元素求和。然后构造离散型粒子群优化器的适应度函数Fit为:[0047][0048] 其中IoR()代表计算 和真实病灶标注框 之间的IoR分数。最后将公式(1)代入公式(2)并考虑所有K′种疾病建立优化目标T:[0049][0050] 离散型粒子群优化算法会在参数空间寻找一组最优参数 使得适应度函数Fit的值达到极小值,即最大程度地拉近 与 之间的距离。最后的实验结果由表1可得:[0051][0052] 采用了病灶定位融合器之后的多专家融合胸部X射线影像辅助诊断模型在所有K′种疾病的病灶定位IoR分数均超出了单个胸部X射线多头网络的最高分数;[0053] 类别融合器本质上是一个选择器,他会选择两组疾病分类专家中分类置信度最高的那一组作为疾病的最终预测结果。这里,设第一组疾病分类专家预测第n种疾病为阳性的概率为 同样设第二组的概率为 则经过类别融合器融合后的最终预测结果 的计算公式为:[0054][0055] 其中max()会返回两个参数中值最大的那个参数。最后的实验结果由表1可得,采用了疾病分类融合器之后的多专家融合胸部X射线影像辅助诊断模型在所有K种疾病的分类AUC分数均超出了单个胸部X射线多头网络的最高分数。[0056] 所述第一胸部X射线多头网络模块3还包括全局注意力对齐单元(GAA);GAA负责将An限制在影像的心肺区域中。GAA的输入是显著性图An和输入影像心肺区域掩码B,GAA能够将An限制在影像的心肺区域中,可以使模型在得出诊断结果时更多地去关注输入影像的心肺区域,使模型在某些疾病诊断上获得性能提升,即让模型获得不同的“特长”。要将An限制在影像的心肺区域中就需要一种损失来衡量An有多少注意力成分被包含在输入影像心肺区域掩码B当中。该损失应该满足以下两个条件:第一,An与B的交集越多则损失越低,当An完全包含在B中时损失降到0。第二,与IOU指标不同,该损失不要求An与B的形状相似或者面积相同。设该损失函数的符号为Lc1,命名为收敛损失,其计算方式称为收敛度计算,计算符号设为θ,则Lcl的计算公式为。[0057] Lcl=AθB,(8)[0058] AθB=SASA∩B,(9)[0059] 其中SA和SA∩B的计算公式为:[0060][0061][0062][0063] SA代表对A进行求和得到的结果,SA∩B代表对A与B的交集进行求和得到的结果,代表对A归一化得到的结果,⊙代表矩阵按位相乘。为了得到第n种疾病对应的收敛损失将公式(8)到公式(11)中的A替换为第n种疾病对应的An即可。应用GAA模块就是将收敛损失应用在模型中,应用GAA并不会改变模型的网络结构;[0064] 输入胸部X射线影像;对胸部X射线影像进行提取得到胸部感兴趣区影像和图像心肺掩码;对所述胸部感兴趣区图像进行计算得到第一病灶候选区和第一疾病阳性概率;对所述胸部感兴趣区图像与图像心肺掩码进行计算得到第二病灶候选区和第二疾病阳性概率;基于所述第一病灶候选区和所述第二病灶候选区输出对应病灶区域;基于所述第二疾病阳性概率和所述第二疾病阳性概率输出疾病数据,提出了一种名为多专家融合胸部X射线影像辅助诊断模型的疾病诊断模型,用于检测X光胸部X射线影像中的疾病和病灶区域,该模型采用多专家融合的方法,由两个胸部X射线多头网络组成,包含8个疾病定位专家和28个疾病分类专家,使用不同的训练策略训练了这两个模型,以使每个专家获得不同的诊断“特长”,然后将每个专家的诊断结论加权求和,得到更加准确的结果,从而解决了现有诊断模型准确性较低的问题。[0065] 进一步的,所述提取模块包括区域提取单元和掩码提取单元;[0066] 所述区域提取单元,用于对所述胸部X射线影像进行提取,得到胸部感兴趣区影像;[0067] 所述掩码提取单元,用于对所述胸部X射线影像进行提取,得到图像心肺掩码。[0068] 在本实施方式中,请参阅图2,其中,X′代表经过胸部ROI提取器裁剪后的X射线影像,M代表最后一个卷积层输出的特征图,An代表第n种疾病的显著性图,白色部分为显著性区域,B代表对应输入影像心肺区域掩码影像,K代表疾病种类总数,K′代表具有病灶级别标注的疾病种类总数, 为收敛度计算, 为Sigmoid,fn代表第n种疾病的全连接层全局分类头主要用于预测疾病分类结果;全局注意力对齐模块(GAA)主要用于生成显著性区域并将显著性区域限制在输入影像的心肺区域中;CAM头用于提供病灶区域建议,一个胸部X射线多头网络中具有四种不同的CAM头;融合块是胸部X射线多头网络中的特征融合模块,用于融合多个不同尺度的特征。提取器裁剪后的X射线影像X′和对应输入影像心肺区域掩码影像B,输出为K种疾病的阳性概率和K′种疾病的4K′个病灶候选框,胸部X射线多头网络由四个模块构成:类似UNet++的特征提取器用于得到输入影像X的高分辨率特征图M;全局分类头模块根据特征图M生成显著性图An和分类结果Yn,n∈[1,K];全局注意力对齐模块模块将全局分类头输出的显著性区域An限制到输入影像心肺区域B当中;四个CAM头模块利用WeightHook技术获取到特征提取器中的最后一个卷积层的权重,并根据权重提供四种不同的病灶区域建议 在胸部X射线多头网络中每一个全局分类头实例负责一种疾病的预测,每一个GAA模块实例负责生成一种疾病的生成显著性区域并将显著性区域限制到输入影像心肺区域当中。[0069] 进一步的,所述第一胸部X射线多头网络模块3和所述第二胸部X射线多头网络模块4均包括多个病灶定位头和疾病分类头;[0070] 所述病灶定位头,用于病灶定位专家输出所述第一病灶候选区和所述第二病灶候选区;[0071] 所述疾病分类头,用于疾病分类专家输出所述第一疾病阳性概率和所述第二疾病阳性概率。[0072] 在本实施方式中,疾病分类头用于生成显著性图和预测分类结果。GCH的输出预测类别Yn的计算公式为:[0073] Yn=σ(fn(g(M))),(5)[0074] 其中,Yn表示第n种疾病为阳性的概率,n∈[0,K)。fn为第n种疾病的全连接层,g为最大池化层,σ为Sigmoid。为了获取第n种疾病的显著性图An,经典的CAM的做法是使用特征提取网络最后一层卷积层输出的特征图乘以最后一个全连接层的权重参数然后求和。而本案做法稍有不同,这里,M为特征提取网络的最后一层输出,fn为第n种疾病的全连接层,公式(1)和公式(2)中的fn共享参数。fn被定义为:[0075][0076] 其中,M∈RC×W×H,An∈RW×H,B∈RW×H,W,H分别为特征图的高和宽,C为特征图的通道1×1数。 为fn的转置权重矩阵,bn∈R 为fn的偏置矩阵。最终输出的An被定义为:[0077] An=σ(fn(M)),(7)[0078] 其中,σ(·)为Sigmoid函数,唯一不同的是本案将全连接层中的偏置bn也加入到了An的计算当中,两者得出的结果相似,但是本案的使用的方法更为简洁更方便实现。[0079] 多个所述病灶定位头分别为GradCAM定位头、XGradCAM定位头、HiResCAM定位头和LayerCAM定位头。[0080] 由于每个CAM头为一张输入X光胸部影像的K′种疾病分别提供一个病灶定位建议,故将其称为病灶定位专家,多个病灶定位专家组成一个病灶定位专家组。在多专家融合胸部X射线影像辅助诊断模型中包含着两个胸部X射线多头网络,故共计组成了八个病灶定位专家,因此能够为一张输入X光胸部影像的一种疾病提供4*8个病灶定位建议。使用XGradCAM在肺膨胀不全疾病上的病灶定位准确度比LayerCAM高出5%,而使用GradCAM在结节疾病上的病灶定位准确度比HiResCAM高出3%。同时,使用不同的胸部X射线多头网络也会对病灶定位效果产生影响。例如,使用GAA策略训练得到的胸部X射线多头网络在肺膨胀不全、渗透、结节、肺炎和气胸疾病的定位效果上超过了未使用GAA策略训练的版本,但在心脏肥大、积液和肿块等疾病上,使用GAA策略训练得到的胸部X射线多头网络明显不及后者。因此,在多专家融合胸部X射线影像辅助诊断模型中,将这8个具有不同“特长”的病灶定位专家组成一个病灶定位专家组,每个病灶定位专家的“特长”都能够影响它们在目标疾病的病灶定位结果中的权重。这样,在目标疾病的病灶定位时,将这8个病灶定位专家的结论进行加权求和,能够得到更加准确的病灶定位结果。[0081] 每个全局分类头都有能力负责预测一种疾病的阳性概率,故将其称为疾病分类专家,多个疾病分类专家组成一个疾病分类专家组。多专家融合胸部X射线影像辅助诊断模型包含着两个胸部X射线多头网络,故共计组成了28个疾病分类专家,因此能够为一张输入X光胸部影像提供2*14个疾病诊断建议。[0082] 同的训练策略也会导致胸部X射线多头网络的疾病分类结果不同,类似于前文提到的,不同的胸部X射线多头网络在疾病分类上也具有不同的“特长”,[0083][0084] 如表2所示。因此,在多专家融合胸部X射线影像辅助诊断模型中,将这两组具有不同“特长”的疾病分类专家组成一个疾病分类专家组,每个疾病分类专家的“特长”都能够影响它们在目标疾病阳性预测的结果中的权重。这样,在目标疾病分类时,将这两组疾病分类专家的结论进行加权求和,能够得到更加准确的疾病分类结果。[0085] 由图3所示,可视化了12例由多专家融合胸部X射线影像辅助诊断模型生成的病灶定位,影像被分为了上下两组,每组有六幅影像,每幅影像中黄色框为多专家融合胸部X射线影像辅助诊断模型输出的病灶定位建议,红色框为病灶定位标注。上边六幅影像的离散粒子群优化算法(DPSO)的优化迭代次数设置为1,这时多专家融合胸部X射线影像辅助诊断模型得出的病灶定位建议框会倾向于填满整个病灶区域。下边六幅影像的离散粒子群优化算法的优化迭代次数设置为100,这时多专家融合胸部X射线影像辅助诊断模型得出的病灶定位建议框会倾向于收敛成一个点出现在病灶区域中。这是由于将IoR指标直接应用于离散粒子群优化算法的目标函数造成的,因为IoR指标只考虑预测框和真实框之间的相交面积与预测框的面积之比,而忽略了预测框的大小。因此,当离散粒子群优化算法的优化迭代次数设置得足够大时,病灶定位建议框会逐渐收缩成一个点。[0086] 图3为多专家融合胸部X射线影像辅助诊断模型的12例病灶定位表现,其中黄色框为多专家融合胸部X射线影像辅助诊断模型输出的病灶定位建议,红色框为病灶定位标注。[0087] 由图4所示,可视化了多专家融合胸部X射线影像辅助诊断模型中8个CAM头输出的病灶定位建议(右)以及最终融合后的病灶定位建议(左)。右边影像被分为了上下两组,每组有四幅影像。上边四幅影像由未使用GAA的胸部X射线多头网络生成,下边四幅影像由使用了GAA的胸部X射线多头网络生成,可以通过观察上下两组影像发现,使用了GAA的胸部X射线多头网络生成的病灶定位建议更加接近影像的心肺区域,而未使用GAA的胸部X射线多头网络生成的病灶定位建议更加接近影像的边缘,由此可知GAA确实可以使模型学习到关注影像的心肺区域。此外GradCAM与XGradCAM得出的病灶定位建议更加倾向于覆盖整个病灶区域,而LayerCAM与HiResCAM得出的病灶定位建议则倾向于精细地指示出病灶的位置。实际上可以理解为多专家融合胸部X射线影像辅助诊断模型使用了GradCAM与XGradCAM去估计病灶区域的面积与粗略位置,然后使用LayerCAM与HiResCAM去微调前面的定位结果,从而得到了一个更加合理,准确的病灶区域定位建议。[0088] 图4为多专家融合胸部X射线影像辅助诊断模型中8个CAMHaad输出的病灶定位建议(右),和最终融合结果(左)。其中黄色框为多专家融合胸部X射线影像辅助诊断模型输出的融合后病灶定位建议,黑色框为CAM头输出的病灶定位建议框,红色框为病灶定位标注。此外,GradCAM与XGradCAM,LayerCAM与HiResCAM得出的病灶定位建议框在视觉上是相似的。[0089] 请参阅图6‑图7,第二方面,一种多专家融合胸部X线影像辅助诊断方法,应用于第一方面所述的一种多专家融合胸部X线影像辅助诊断系统,包括以下步骤:[0090] S1输入胸部X射线影像;[0091] 具体的,输入X胸部X射线影像。[0092] S2对所述胸部X射线影像进行提取得到胸部感兴趣区影像和图像心肺掩码;[0093] 具体的,通过所述提取模块对胸部X射线影像进行提取,得到胸部感兴趣区影像和图像心肺掩码。[0094] S3对所述胸部感兴趣区图像进行计算得到第一病灶候选区和第一疾病阳性概率;[0095] 具体的,所述第一胸部X射线多头网络模块3对所述胸部感兴趣区图像进行计算,得到第一病灶候选区和第一疾病阳性概率;[0096] S4对所述胸部感兴趣区图像与图像心肺掩码进行计算得到第二病灶候选区和第二疾病阳性概率;[0097] 具体的,所述第二胸部X射线多头网络模块4对所述胸部感兴趣区图像与所述图像心肺掩码进行计算,得到第二病灶候选区和第二疾病阳性概率。[0098] S5基于所述第一病灶候选区和所述第二病灶候选区输出对应病灶区域;[0099] 具体的,所述病灶定位融合模块5基于所述第一病灶候选区和所述第二病灶候选区,输出对应病灶区域。[0100] S6基于所述第二疾病阳性概率和所述第二疾病阳性概率输出疾病数据。[0101] 具体的,疾病分类融合模块6基于所述第二疾病阳性概率和所述第二疾病阳性概率,输出疾病数据。[0102] 以上所揭露的仅为本发明专利名称较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
专利地区:重庆
专利申请日期:2023-11-09
专利公开日期:2024-09-03
专利公告号:CN117437207B