一种疾病诊断系统的制作方法

本发明涉及医疗技术领域，具体的，本发明涉及一种疾病诊断系统。

背景技术：

糖尿病视网膜病变(简称“糖网病”)是由糖尿病引起的并发症，是一种常见致盲性眼病。中国是世界上糖尿病患病人数最多的国家，糖网病的患病率和致盲率也在逐年升高。因此，糖网病的防治成为越来越重要的社会问题。

定期眼底筛查并在早期采取适时以及有效的干预措施，可以显著降低糖网病的致盲率。但是，目前我国专业从事眼底服务和研究的医生稀缺而内分泌科医生都不具有眼底阅片的能力，使得不能对患者及时进行糖网病的筛查。

随着网络信息交互的研究和应用，以及人工智能技术的逐渐成熟，依托于互联网平台的疾病诊断具有越来越高的可行性。

因此，有必要提供一种基于人工智能的疾病诊断系统来辅助内分泌科的医生进行糖网病的筛查。

技术实现要素：

为了解决上述技术问题，本申请提供了一种疾病诊断系统以及装置。

第一方面，本发明披露了一种疾病诊断系统，包括:

图像获取模块，用于获取带标注的医学图像；

诊断模型建立模块，用于基于所述带标注的医学图像，构建深度神经网络并对所述深度神经网络进行优化训练，输出诊断模型；

疾病诊断模块，用于获取待诊患者的医学图像，并将所述待诊患者的医学图像输入所述诊断模型，利用所述诊断模型提取所述带标注的医学图像的标准特征集、所述待诊患者的医学图像的待诊特征集以及所述标准特征集中各个特征的权重，并将所述待诊特征集与所述标准特征集进行比对，基于所述权重和比对结果，获得与所述待诊患者的医学图像相匹配的带标注的医学图像，根据所述相匹配的带标注的医学图像，确定所述待诊患者的诊断结果。

在一些实施例中，所述医学图像为眼底图像。

在一些实施例中，所述医学图像存储在云端，所述云端包括数据备份单元，所述数据备份单元用于对所述医学图像进行备份以及跨区域复制。

在一些实施例中，所述图像获取模块还用于对所述医学图像进行加密处理。

在一些实施例中，所述深度神经网络为卷积神经网络。

在一些实施例中，所述疾病诊断模块包括：

图像获取单元，用于获取待诊患者的眼底图像；

预处理单元，用于基于图像分割算法对所述眼底图像进行分割，根据分割得到的各区域内的眼底血管，提取所述眼底图像中的异常区域；

提取单元，用于利用所述深度神经网络提取所述带标注的眼底图像异常区域的标准特征集、所述待诊患者的眼底图像异常区域的待诊特征集以及所述标准特征集中各个特征的权重；

对比单元，用于将所述标准特征集中的特征与所述待诊特征集中的对应特征进行比对，获得待诊特征集中每一特征与标准特征集中对应特征之间的相似度，基于所述相似度和权重，确定所述待诊特征集与标准特征集的匹配度；

诊断结果确定单元，用于基于所述匹配度和设定阈值，确定与所述待诊患者的眼底图像相匹配的带标注的眼底图像，根据所述相匹配的带标注的眼底图像确定所述待诊患者的诊断结果，所述诊断结果为糖网病的病变等级。

在一些实施例中，所述标准特征集包括：颜色特征、形状特征和空间位置关系特征中的至少一种。

在一些实施例中，所述系统还包括：

图像处理模块，用于对所述医学图像进行规范化处理和扩增处理。

在一些实施例中，所述扩增处理包括：裁剪、旋转、拉伸、平移、色彩空间调整、白化中的至少一种。

在一些实施例中，所述系统还包括：

用户终端：用于采集待诊患者的医学图像以及接收所述诊断结果。

第二方面，本发明披露了一种疾病诊断装置，包括：

至少一个处理器；以及

存储器，所述存储器上存储有可执行指令，所述可执行指令由所述至少一个处理器执行，导致所述装置实现疾病诊断方法。

第三方面，本发明披露了一种计算机可读储存介质，包括可执行指令，所述指令被至少一个处理器执行时，实现疾病诊断方法。

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，并不能限制本申请。

附图说明

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术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公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。

图1为疾病诊断系统的一种示例系统配置示意图；

图2为用于实现本发明技术方案的专用系统的示例性计算设备的框图；

图3为用于实现本发明技术方案的专用系统的示例性移动设备的框图；

图4为其中一个实施例提供的一种疾病诊断系统的模块图；

图5为其中一个实施例提供的一种疾病诊断模块的示意图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。本发明的前述和其它目的、特征、方面和优点将变得更加明显，以令本领域技术人员参照说明书文字能够据以实施。

可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以应对于方法、函数、规程、子例程、子程序等等。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

图1所示的是疾病诊断系统的一种示例系统配置示意图。

示例性疾病诊断系统100可以包括疾病诊断装置110、网络120、用户终端130和存储模块140。在一些实施例中，所述疾病诊断装置110可以用于对获取的带标注的医学图像和待诊患者的医学图像进行分析处理生成诊断结果。所述疾病诊断装置110可以是单个服务器，也可以是一个服务器群组。一个服务器群组可以是集中式的，例如数据中心。一个服务器群组也可以是分布式的，例如一个分布式系统。所述疾病诊断装置110可以是本地的，也可以是远程的。疾病诊断装置110可以用于对获取的待诊患者的医学图像进行分析处理以生成诊断结果。在一些实施例中，疾病诊断装置110可以包括用于执行疾病诊断装置110的指令(程序代码)的控制处理器112。例如，控制处理器112能够执行疾病诊断程序的指令，进而通过一定的算法对待诊患者的医学图像进行分析处理确定诊断结果，并将所述诊断结果传输给用户终端130。用户终端130是指发布服务请求的个人、工具或者其他实体。用户终端130包括但不限于手机130-1、平板电脑130-2、笔记本电脑130-3等中的一种或几种的组合。疾病诊断装置110可以访问存取或储存在存储模块140的医学图像信息，也可以通过网络120将诊断结果传输给用户终端130。

在一些实施例中，存储模块140可以泛指具有存储功能的设备。存储模块140主要用于存储从用户终端130发送的医学图像信息和疾病诊断装置110工作中产生的各种数据。存储模块140可以是本地的，也可以是远程的。系统数据库与系统其他模块间的连接或通信可以是有线的，也可以是无线的。网络120可以提供信息交换的渠道。网络120可以是单一网络，也可以是多种网络的组合。网络120可以包括但不限于局域网、广域网、公用网络、专用网络、无线局域网、虚拟网络、都市城域网、公用开关电话网络等中的一种或几种的组合。网络120可以包括多种网络接入点，如有线或无线接入点、基站(如120-1，120-2)或网络交换点，通过以上接入点使数据源连接网络120并通过网络发送信息。

图2是用于实现本发明技术方案的专用系统的示例性计算设备200的框图。如图2所示，计算设备200可以包括处理器210、存储器220、输入/输出接口230和通信端口240。

处理器210可以执行计算指令(程序代码)并执行本发明描述的疾病诊断系统100的功能。所述计算指令可以包括程序、对象、组件、数据结构、过程、模块和功能(所述功能指本发明中描述的特定功能)。例如，处理器210可以处理从疾病诊断系统100的其他任何组件获得医学图像信息。在一些实施例中，处理器210可以包括微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)、应用特定指令集处理器(ASIP)、中央处理器(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高级RISC机(ARM)、可编程逻辑器件以及能够执行一个或多个功能的任何电路和处理器等，或其任意组合。仅为了说明，图2中的计算设备200只描述了一个处理器，但需要注意的是本发明中的计算设备200还可以包括多个处理器。

存储器220可以存储从疾病诊断系统100的任何其他组件获得的医学图像/信息。在一些实施例中，存储器220可以包括大容量存储器、可移动存储器、易失性读取和写入存储器和只读存储器(ROM)等，或其任意组合。示例性大容量存储器可以包括磁盘、光盘和固态驱动器等。可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘和磁带等。易失性读取和写入存储器可以包括随机存取存储器(RAM)。RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容(Z-RAM)等。ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(PEROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字通用盘ROM等。

输入/输出接口230可以用于输入或输出信号、数据或信息。在一些实施例中，输入/输出接口230可以使用户终端与疾病诊断系统100进行联系。在一些实施例中，输入/输出接口230可以包括输入装置和输出装置。示例性输入装置可以包括键盘、鼠标、触摸屏等，或其任意组合。示例性输出设备可以包括显示设备、打印机、投影仪等，或其任意组合。示例性显示装置可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、曲面显示器、电视设备、阴极射线管(CRT)等，或其任意组合。通信端口240可以连接到网络以便数据通信。所述连接可以是有线连接、无线连接或两者的组合。有线连接可以包括电缆、光缆或电话线等，或其任意组合。无线连接可以包括蓝牙、Wi-Fi、WiMax、WLAN、ZigBee、移动网络(例如，3G、4G或5G等)等，或其任意组合。在一些实施例中，通信端口240可以是标准化端口，如RS232、RS485等。在一些实施例中，通信端口240可以是专门设计的端口。例如，通信端口240可以根据数字成像和医学通信协议(DICOM)进行设计。

图3是用于实现本发明技术方案的专用系统的示例性移动设备300的框图。移动设备300可以包括智能手机、平板电脑、全球定位系统(GPS)接收器、笔记本电脑等。如图3所示，所述移动设备300可以包括通信平台310、显示器320、图形处理器(GPU)330、中央处理器(CPU)340、输入/输出接口350、内存360、存储器370等。在一些实施例中，操作系统361(如，iOS，Android，Windows Phone等)和应用程序362可以从存储器370加载到内存360中，以便由CPU 340执行。应用程序362可以包括浏览器或用于从疾病诊断系统100接收文字、医学图像处理或其他相关信息的应用程序。

为了实现在本发明中描述的各种模块、单元及其功能，计算设备或移动设备可以用作本发明所描述的一个或多个组件的硬件平台。这些计算机或移动设备的硬件元件、操作系统和编程语言本质上是常规的，并且本领域技术人员熟悉这些技术后可将这些技术适应于本发明所描述的疾病诊断系统。具有用户界面元件的计算机可以用于实现个人计算机(PC)或其他类型的工作站或终端设备，如果适当地编程，计算机也可以充当服务器。

参见图4，为其中一个实施例提供的一种疾病诊断系统的模块图。所述疾病诊断系统包括了：图像获取模块401、图像处理模块402、诊断模型建立模块403以及疾病诊断模块404。

图像获取模块401：用于获取带标注的医学图像。

在一些实施例中，所述医学图像存储在云端，所述云端提供全冗余的基础架构，消除了单点隐患，保障了服务的高可用性。在其中的一些实施例中，所述云端包括有数据备份单元，所述数据备份单元用于对所述医学图像进行备份以及跨区域复制。跨区域复制使得图像数据自动备份在不同的城市，实现异地容灾。例如，当备份在上海的医学图像数据因为各种因素(如火灾、地震等)遭到破坏时，数据备份单元将本地的医学图像数据实时备份到北京的服务器中，可以通过异地备份的图像数据进行数据的远程恢复。同时所述云端备份有多个副本进行保存，能够有效应对各类硬件故障，保证了图像数据持久存储。例如，在云端备份有三个医学图像数据的副本，当原始的医学图像数据遭到损坏时，可以从其他三个副本中获取到医学图像信息。

在一些实施例中，所述医学图像为眼底图像，所述眼底图像来源于三甲医院提供的糖尿病性视网膜眼底照片，专业的眼科医生对所述眼底照片进行标注。例如，专业的眼科医生将眼底照片中的异常区域(如出血点、新生血管等)进行打框。又例如，眼科医生对每一张眼底照片按照我国糖网病临床分期和国际糖尿病黄斑水肿临床分级标准进行五分类，并在每一张眼底照片上标注类别。

在一些实施例中，所述图像获取模块还用于对所述医学图像进行加密处理。在获取到医学图像后，可以对所述医学图像数据自动进行加密处理。在其中一些实施例中，加密后的医学图像数据使用SSL加密进行网络传输，在数据和传输两层都进行了加密保护，保证了数据在传输过程中的安全性。在一些实施例中，通过使用SSL加密技术在发送方对图像数据进行加密，然后在接收方进行解密，发送方和接收方之间规定一对密钥，加密和解密需要发送方和接收方通过交换共知的密钥来实现。在其中的一些实施例中，解密可以在后台进行，后台将所述一对密钥进行对比并输出比对结果。对图像进行传输加密处理，可以控制图像数据的多重访问，实现了细粒度的授权管理，同时对图像加密又可以保障图像数据的安全性。

在一些实施例中，所述疾病诊断系统还包括有图像处理模块402，用于对所述医学图像进行规范化处理和扩增处理。

具体的，通过对所述医学图像进行预处理，消除待处理的医学图像中存在的干扰和噪声，以实现对所述医学图像的规范化处理。所述预处理方法包括：裁剪图像背景、防止边缘效应、局部色调归一化、差值缩放、降采样、重采样等中的至少一种。例如，由于工作环境的光照变化造成的数据噪音，通过局部色调归一化处理所述医学图像，保证所述医学图像归一到统一的颜色空间。又例如，对不同大小的医学图像进行插值缩放处理，统一所述医学图像尺寸。再例如，通过降采样和重采样相结合的方式来平衡医学图像数据的分布。

在一些实施例中，通过裁剪、旋转、拉伸、平移、色彩空间调整、白化等中的一种或多种方式对所述医学图像进行处理，可以实现所述医学图像的扩增，从而解决医学图像数据不足的问题。例如，通过对同一张医学图像做不同角度的随机旋转，可以获得多张医学图像。又例如，通过对一张医学图像做随机明暗度调整，可以获得多张医学图像。值得注意的是，当所述医学图像中的待识别物对一个或多个特征(如尺寸、颜色)敏感时，对该医学图像做扩增处理时不能改变所述特征。具体的，当所述医学图像中的待识别物对尺寸敏感时，不能对该医学图像进行拉伸处理。当所述医学图像的待识别物对颜色敏感时，不能对该图像进行色彩空间调整。例如，当医学图像内的待识别物为血点时，不能对所述医学图像进行拉伸处理，以免将所述血点识别为血斑。又例如，当眼底图像的待识别物为黄斑时，不能对所述眼底图像进行色彩空间调整。在一些实施例中，可以通过将医学图像分割成多个区域，然后将两张不同医学图像的对应区域进行切换来实现图像的扩增。例如，将两幅眼底图像分别切割成两个区域，两个区域分别为背景区域和眼底血管区域，将两幅眼底图像的背景区域进行切换，可以获得两张与原眼底图像均不同的眼底图像。在一些实施例中，当所述医学图像中的待识别物对一个或多个特征敏感时，可以将所述图像分割成多个区域，其中，待识别物被单独划分区域，通过对不包含待识别物的区域进行旋转、拉伸、平移、色彩空间调整、白化等来实现对所述医学图像的扩增。例如，将带标注的眼底图像中医生标注的区域单独划分出来，对未标注区域进行随机拉伸，可以获得多张不同的带标注的眼底图像。

所述疾病诊断系统还包括诊断模型建立模块403，用于基于所述带标注的医学图像，构建深度神经网络并对所述深度神经网络进行优化训练，输出诊断模型。

具体的，针对特定类型的医学图像处理(比如糖尿病患者的眼底图像)，首先根据深度神经网络构建模型，所述深度神经网络通过对大量的医学图像数据的深度挖掘，对数据背后包含的本质信息自动抽取，无需人工干预，所述深度神经网络可以对所述医学图像数据进行自动建模。

在一些实施例中，所述深度神经网络为卷积神经网络，利用所述带标注的医学图像对所述卷积神经网络进行优化训练后，可以获得诊断模型，所述诊断模型可以对医学图像进行分类，例如，所述诊断模型可以对根据我国糖网病临床分期和国际糖尿病黄斑水肿临床分级标准对眼底图像进行五分类，所述五分类包括：无病灶，轻度非增值性视网膜病变(轻度NPDR)，中度非增值性视网膜病变(中度NPDR)，重度非增值性视网膜病变(重度NPDR)和增值性视网膜病变(PDR)五类。在其中一些实施例中，在训练所述卷积神经网络时，通过将inception架构和residual connection与所述卷积神经网络进行结合，可以增强所述卷积神经网络的深度和泛化能力，提高卷积神经网络模型的拟合能力，同时没有明显增加训练时间。

在一些实施例中，通过在GPU集群上对利用带标注的医学图像对所述深度神经网络进行反复迭代，可以获得最优的诊断模型。在对所述深度神经网络进行反复迭代时，通过不断调整模型的参数(如权重)，使得模型的预测输出与实际输出之间的误差不断缩小，当所述误差小于阈值时，则认为此时的模型为最优的诊断模型。所述诊断模型可以嵌入在云端，也可以在终端、集中式系统或分布式系统上运行。在一些实施例中，所述诊断模型在云端服务中部署，针对每个服务子系统，在不同的服务器上至少部署两套以上相同的服务系统，从而可以消除单点故障，并可以根据实时监控到的硬件资源使用情况，随时新增计算资源，保证服务的高可靠性。例如，在服务器上部署有两套相同的云端服务系统，当其中一个云端服务系统出现故障，使得嵌入在所述云端中的诊断模型无法使用时，可以调用另一套服务系统上的诊断模型。

所述疾病诊断系统还包括：疾病诊断模块404，用于获取待诊患者的医学图像，并将所述待诊患者的医学图像输入所述诊断模型，利用所述诊断模型提取所述带标注的医学图像的标准特征集、所述待诊患者的医学图像的待诊特征集以及所述标准特征集中各个特征的权重，并将所述待诊特征集与所述标准特征集进行比对，基于所述权重和比对结果，获得与所述待诊患者的医学图像相匹配的带标注的医学图像，根据所述相匹配的带标注的医学图像，确定所述待诊患者的诊断结果。

具体的，将待诊患者的医学图像输入所述诊断模型，所述诊断模型为应用卷积神经网络构建的模型，所述卷积神经网络是包含卷积核的一种特殊结构的神经网络，通过所述一个卷积核可以提取所述医学图像的一种特征，通过不同的卷积核可以提取医学图像中的不同特征。利用所述卷积神经网络可以提取带标注的医学图像的特征，建立标准特征集，将待诊患者的医学图像输入所述诊断模型后，再利用所述卷积神经网络提取所述待诊患者的医学图像中的对应特征，建立待诊特征集。所述标准特征集包括了所述医学图像的颜色特征、形状特征和空间位置关系特征中的一种或多种。在一些实施例中，所述医学图像为眼底图像，所述眼底图像的形状特征包括血点及血斑形态、动脉瘤形态、视网膜微血管形态、新生血管形态等；所述眼底图像的颜色特征包括了血斑颜色、黄斑颜色等；所述眼底图像的空间位置关系特征包括视网膜的神经上皮层和色素上皮层的位置关系等。例如，所述卷积神经网络可以从轻度NPDR的眼底图像中提取到微动脉瘤形态特征。又例如，所述卷积神经网络可以从PDR的眼底图像中提取到新生血管形态特征。

在卷积神经网络提取到所述标准特征集和待诊特征集后，将所述标准特征集中的特征和待诊特征集中的特征一一进行比对，可以获得待诊特征集中各个特征与标准特征集中对应特征之间的相似度。在利用卷积神经网络在对图像特征进行提取时，获得的输出为表示该特征的特征向量。在一些实施例中，通过计算标准特征集中特征的特征向量与待诊特征集中对应特征的特征向量之间的距离来规定两个特征之间的相似度。例如，当所述标准特征集中的一个特征的特征向量为(x1，x2，x3)，待诊特征集中对应特征的特征向量为(y1，y2，y3)，两特征向量之间的距离d可以用如下公式进行计算：

两个特征向量之间的距离越小，则表明两个特征向量之间的相似度越高。例如，当两个特征向量之间的距离小于2时，两个特征之间的相似度规定为90％，当两个特征向量之间的距离大于等于2小于4时，两个特征之间的相似度规定为80％。

在对诊断模型进行训练前，所述卷积神经网络对所述医学图像的每一个特征都随机分配了一个权重，在对所述卷积神经网络训练过程中会对所述权重不断进行调整，当卷积神经网络训练完成后调整得到的特征的权重可以达到稳定，利用所述卷积神经网络可以将调整后的所述权重抽取出来。所述医学图像的不同特征的重要程度不同，所以权重也不同，权重越大，表明此特征更为重要。例如，卷积神经网络提取到的眼底图像中新生血管形态特征的对应权重为10，而出血点形态特征的权重为5，则表明在眼底图像中新生血管形态特征对眼底图像更为重要。

基于所述待诊特征集中各个特征的相似度和对应的权重，可以确定所述待诊特征集与标准特征集的匹配度。确定所述匹配度的方式如下：将待诊特征集中的每个特征与标准特征集中对应特征的相似度分别与该特征对应的权重相乘后相加，最后再除以全部特征的权重之和，即可获得所述匹配度。可以利用如下公式进行匹配度的计算：其中，c表示匹配度，ai表示特征的权重，bi表示相似度。例如，当卷积神经网络提取到待诊患者的眼底图像中的待诊特征集包括三个特征分别为血斑形态特征、新生血管形态特征以及动脉瘤形态特征，这三个特征与一个带标注的眼底图像的标准特征集中的对应特征的相似度分别为而卷积神经网络提取到这三个特征的权重分别为4,10,8，所述待诊特征集与所述标准特征集的匹配度按如下计算：可以获得所述匹配度为(即77％)。

根据所述匹配度和设定阈值，可以确定与待诊患者的医学图像相匹配的带标注的医学图像，其中，当所述匹配度大于设定阈值时，则可认为所述待诊患者的医学图像与带标注的医学图像匹配。例如，当待诊患者的医学图像的待诊特征集与一张带标注的医学图像的标准特征集的匹配度为88％时，所述设定阈值为85％，则可认为所述待诊患者的医学图像与该带标注的医学图像相匹配。所述诊断模型可以对带标注的医学图像进行分类，当确定了待诊患者的医学图像相匹配的带标注的医学图像，即可获得该待诊患者的医学图像的分类结果，该分类结果即为所述待诊患者的诊断结果。例如，所述医学图像为眼底图像时所述诊断结果为糖网病的病变等级，即糖网病的五分类(无病灶、轻度NPDR、中度NPDR、重度NPDR以及PDR)。

所述疾病诊断系统还包括用户终端，用于采集待诊患者的医学图像以及接收所述诊断结果，所述用户终端可以包括但不限于手机、平板电脑、笔记本电脑等中的一种或几种的组合。例如，医生在平板电脑上启用云端，通过平板电脑将待诊患者的眼底图像输入嵌入在云端的诊断模型中，诊断模型输出待诊患者的糖网病的病变等级，医生可以通过所述平板电脑即可接收到所述诊断结果。

如图5所示，为其中一个实施例提供的一种疾病诊断模块的示意图。所述疾病诊断模块包括了：图像获取单元510，预处理单元520，提取单元530，对比单元540，诊断结果确定单元550。

图像获取单元510，用于获取待诊患者的眼底图像。所述眼底图像可以由用户终端上传。

预处理单元520：用于基于图像分割算法对所述眼底图像进行分割，根据分割得到的各区域内的眼底血管，提取所述眼底图像中的异常区域。

其中，图像分割算法包括：阈值分割算法、区域生长算法、分裂合并算法、基于统计学的算法等中的至少一种。利用所述图像分割算法可以将所述眼底图像分割成多个区域，然后根据每个区域内的眼底血管，进行初次预测，提取到眼底异常区域。例如，所述分裂合并算法将所述眼底图像先看成一个区域，然后所述区域不断被分裂为四个矩形区域，直到每个区域内部都是相似的，然后根据每个区域内的眼底血管进行识别判断，获得眼底异常区域。在一些实施例中，所述眼底图像的分割可以由同一个学习神经网络实现。在其他一些实施例中，添加了一个额外的学习神经网络，用于对所述眼底图像进行分割。

提取单元530，用于利用深度神经网络提取所述带标注的眼底图像异常区域的标准特征集、所述待诊患者的眼底图像异常区域的待诊特征集以及所述标准特征集中各个特征的权重。

具体的，所述深度神经网络为卷积神经网络，所述卷积神经网络是包含卷积核的一种特殊结构的神经网络，通过所述卷积核可以提取所述眼底图像的一种特征，通过不同的卷积核可以提取眼底图像中的不同特征。利用所述卷积神经网络提取出带标注的眼底图像的异常区域的特征，建立标准特征集，将待诊患者的眼底图像输入所述诊断模型后，再利用所述卷积神经网络提取所述待诊患者的眼底图像的异常区域的对应特征，建立待诊特征集。所述标准特征集包括了所述眼底图像的颜色特征、形状特征和空间位置关系特征中的一种或多种。在一些实施例中，所述眼底图像的形状特征包括血点及血斑形态、动脉瘤形态、视网膜微血管形态、新生血管形态等，所述眼底图像的颜色特征包括了血斑颜色、黄斑颜色等，所述眼底图像的空间位置关系特征包括视网膜的神经上皮层和色素上皮层的位置关系等。例如，卷积神经网络可以从划分为轻度NPDR的眼底图像中提取到微动脉瘤形态特征。又例如，卷积神经网络可以从划分为PDR的眼底图像中提取到新生血管形态特征。

对比单元540，用于将所述标准特征集中的特征与所述待诊特征集中的对应特征进行比对，获得待诊特征集中每一特征与标准特征集中的对应特征的相似度，基于所述相似度和对应的权重，确定所述待诊特征集与标准特征集的匹配度。

在卷积神经网络提取到所述标准特征集和待诊特征集后，将所述标准特征集和待诊特征集中的特征一一进行比对，可以获得待诊特征集中各个特征与标准特征集中对应特征的相似度。在利用卷积神经网络在对眼底特征进行提取时，获得的输出为表示该特征的特征向量。在一些实施例中，通过计算标准特征集中特征的特征向量与待诊特征集中对应特征的特征向量之间的距离来规定两个特征之间的相似度。例如，当两个特征向量之间的距离小于2时，两个特征之间的相似度为90％，当两个特征向量之间的距离大于等于2小于4时，两个特征之间的相似度为80％。

在对诊断模型进行训练前，所述卷积神经网络对所述眼底图像的每一个特征都随机分配了一个权重，在对所述卷积神经网络训练过程中会对所述权重不断进行调整，当卷积神经网络训练完成后调整得到的特征的权重可以达到稳定，可以利用所述卷积神经网络将调整后的所述权重抽取出来。所述眼底图像的不同特征的重要程度不同，所以权重也不同，权重越大，表明此特征更为重要。例如，卷积神经网络提取到的眼底图像中新生血管形态特征的对应权重为10，而出血点形态特征的权重为5，则表明在眼底图像中新生血管形态特征对眼底图像更为重要。

基于所述待诊特征集中各个特征的相似度和对应的权重，可以确定所述待诊特征集与标准特征集的匹配度。确定所述匹配度的方式如下：将待诊特征集中的每个特征与标准特征集中对应特征的相似度分别与该特征对应的权重相乘后相加，最后再除以全部特征的权重之和，即可获得所述匹配度。可以利用如下公式进行匹配度的计算：其中，c表示匹配度，ai表示特征的权重，bi表示相似度。例如，当卷积神经网络提取到待诊患者的眼底图像中的待诊特征集包括三个特征分别为血斑形态特征、新生血管形态特征及动脉瘤形态特征，这三个特征与一个带标注的眼底图像的标准特征集中的对应特征的相似度分别为而卷积神经网络提取到这三个特征的权重分别为4,10,8，则所述待诊特征集与所述标准特征集的匹配度可以得出所述匹配度为(即77％)。

诊断结果确定单元550，用于基于所述匹配度和设定阈值，确定与所述待诊患者的眼底图像相匹配的带标注的眼底图像，根据所述相匹配的带标注的眼底图像确定所述待诊患者的诊断结果，所述诊断结果为糖网病的病变等级。

具体的，根据所述匹配度和设定阈值，可以确定与待诊患者的眼底图像相匹配的带标注的眼底图像，其中，当所述匹配度大于设定阈值时，则可认为所述待诊患者的眼底图像与带标注的眼底图像匹配。例如，当待诊患者的眼底图像的待诊特征集与一张带标注的眼底图像的标准特征集的匹配度为88％时，所述设定阈值为85％，则可认为所述待诊患者的眼底图像与该带标注的眼底图像相匹配。所述诊断模型可以对带标注的眼底图像进行分类，当确定了待诊患者的眼底图像相匹配的带标注的眼底图像，即可获得该待诊患者的眼底图像的分类结果，该分类结果即为糖网病的病变等级。

本发明还公开了一种疾病诊断装置，所述装置包括：

至少一个处理器；以及

存储器，所述存储器上存储有可执行指令，所述可执行指令由所述至少一个处理器执行，导致所述装置实现如下方法：

获取带标注的医学图像；

基于所述带标注的医学图像，构建深度学习神经网络并对所述深度学习神经网络进行优化训练，输出诊断模型；

获取待诊患者的医学图像，并将所述待诊患者的医学图像输入所述诊断模型，利用所述诊断模型提取所述带标注的医学图像的标准特征集、所述待诊患者的医学图像的待诊特征集以及所述标准特征集中各个特征的权重，并将所述待诊特征集与所述标准特征集中进行比对，基于所述权重和比对结果，获得与所述待诊患者的医学图像相匹配的带标注的医学图像，根据所述相匹配的带标注的医学图像，确定所述待诊患者的诊断结果。

本发明还公开了一种计算机可读储存介质，包括可执行指令，所述指令被至少一个处理器执行时，实现如下方法：

获取带标注的医学图像；

基于所述带标注的医学图像，构建深度学习神经网络并对所述深度学习神经网络进行优化训练，输出诊断模型；

获取待诊患者的医学图像，并将所述待诊患者的医学图像输入所述诊断模型，利用所述诊断模型提取所述带标注的医学图像的标准特征集、所述待诊患者的医学图像的待诊特征集以及所述标准特征集中各个特征的权重，并将所述待诊特征集与所述标准特征进行比对，基于所述权重和比对结果，获得与所述待诊患者的医学图像相匹配的带标注的医学图像，根据所述相匹配的带标注的医学图像，确定所述待诊患者的诊断结果。

对于装置以及存储介质的实施例而言，由于其与系统实施例基本相似，所以描述的比较简单，相关之处参见系统实施例的部分说明即可。

通过采用以上的一个或者多个实施例的组合，本发明的实施例至少具备以下的有益效果：本发明可以实现基于云端的眼底识别系统，用户只需上传眼底图像，疾病诊断系统就可以给出患者是否患有糖网病的提示，并进一步判别患者当前所处的患病阶段，预测准确率高，提高了眼底图像处理能力以及糖网病的诊断效率；将人工智能技术应用到疾病诊断系统中，辅助医生进行疾病的诊断，实现了疾病筛查诊断的规范化、标准化、均质化。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。