肺炎分类方法、装置、介质及电子设备转让专利
申请号 : CN202010189088.1
文献号 : CN111415743B
文献日 : 2021-07-09
发明人 : 王瑜 , 赵朝炜 , 张欢 , 孙岩峰 , 邹彤 , 刘丰恺 , 黄秋峰 , 俞剑舟 , 李新阳 , 王少康 , 陈宽
申请人 : 推想医疗科技股份有限公司
摘要 :
权利要求 :
1.一种电子设备,所述电子设备包括:处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于执行一种肺炎分类方法,包括:获取CT图像中肺部区域的肺炎征象图像;
获取所述CT图像对应的被检测者的临床信息,其中,所述临床信息包括以下信息中的一种或多种的组合:体温信息、咳嗽症状信息、病史信息;以及根据所述肺炎征象图像和所述临床信息,综合得到所述被检测者的肺炎类型;
其中,得到所述被检测者的肺炎类型的实现方式为:将所述肺炎征象图像和所述临床信息输入第一神经网络模型,得到所述被检测者的肺炎类型;
其中,所述获取CT图像中肺部区域的肺炎征象图像包括:基于CT图像中的肺部区域图像,分别生成多个肺部征象图像,其中,所述肺部征象图像包括如下征象图像中的任一种或多种的组合:肺实变图像、磨玻璃影图像、肿块图像、树芽征图像、结节图像、空洞图像、晕征图像;以及将所述多个肺部征象图像中与肺炎相关的肺部征象组合,得到肺炎征象图像;
其中,分别生成多个肺部征象图像的方式包括:将所述肺部区域图像分别输入多个第二神经网络模型,得到所述多个肺部征象图像,其中,所述多个第二神经网络模型为针对不同的肺部征象训练得到的不同的第二神经网络模型。
2.根据权利要求1所述的电子设备,其特征在于,所述肺部区域图像包括多层二维图像;所述将所述肺部区域图像分别输入多个第二神经网络模型,得到所述多个肺部征象图像包括:
逐次将所述多层二维图像中的一部分分别输入所述多个第二神经网络模型,或者将所述多层二维图像分别输入所述多个第二神经网络模型,得到分别对应所述多个肺部征象图像的多层二维征象图像;以及
分别将对应同一肺部征象图像的所述多层二维征象图像叠加,得到所述多个肺部征象图像。
3.根据权利要求2所述的电子设备,其特征在于,在所述得到所述多个肺部征象图像之后,还包括:
对所述多个肺部征象图像分别进行腐蚀膨胀操作。
4.根据权利要求1所述的电子设备,其特征在于,所述肺部区域图像的获取方式包括:获取所述CT图像中的肋骨区域图像;
获取所述CT图像中肺部区域的粗分割图像;以及以所述肋骨区域图像为所述肺部区域的边界,并且以所述粗分割图像为种子区域,以预设的步长向周围扩张至所述肺部区域的边界,得到所述肺部区域图像。
5.根据权利要求4所述的电子设备,其特征在于,在所述获取所述CT图像中肺部区域的粗分割图像之后,还包括:
对所述粗分割图像进行腐蚀操作,得到腐蚀后的粗分割图像;
所述以所述肋骨区域图像为所述肺部区域的边界,并且以所述粗分割图像为种子区域,以预设的步长向周围扩张至所述肺部区域的边界,得到所述肺部区域图像包括:以所述肋骨区域图像为所述肺部区域的边界,并且以所述腐蚀后的粗分割图像为种子区域扩张,以预设的步长向周围扩张至所述肺部区域的边界,得到所述肺部区域图像。
6.一种肺炎分类装置,其特征在于,包括:肺炎征象获取模块,用于获取CT图像中肺部区域的肺炎征象图像;
临床信息获取模块,用于获取所述CT图像对应的被检测者的临床信息,其中,所述临床信息包括以下信息中的一种或多种的组合:体温信息、咳嗽症状信息、病史信息;以及肺炎类型获取模块,用于根据所述肺炎征象图像和所述临床信息,综合得到所述被检测者的肺炎类型;
其中,肺炎类型获取模块进一步配置为:将所述肺炎征象图像和所述临床信息输入第一神经网络模型,得到所述被检测者的肺炎类型;
其中,所述肺炎征象获取模块进一步配置为:基于CT图像中的肺部区域图像,分别生成多个肺部征象图像,其中,所述肺部征象图像包括如下征象图像中的任一种或多种的组合:肺实变图像、磨玻璃影图像、肿块图像、树芽征图像、结节图像、空洞图像、晕征图像;以及将所述多个肺部征象图像中与肺炎相关的肺部征象组合,得到肺炎征象图像;
其中,分别生成多个肺部征象图像的方式包括:将所述肺部区域图像分别输入多个第二神经网络模型,得到所述多个肺部征象图像,其中,所述多个第二神经网络模型为针对不同的肺部征象训练得到的不同的第二神经网络模型。
7.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1‑5任一所述的肺炎分类方法。
说明书 :
肺炎分类方法、装置、介质及电子设备
技术领域
背景技术
对X射线的吸收能力(或称阻射率)不同,可以用电脑的三维技术重建出断层面影像,经由窗
宽、窗位处理,可以得到相应组织的断层影像,将断层影像层层堆叠,即可形成立体影像。
被检测者是否患有肺炎的具体做法通常是根据CT图像中的肺炎征象来判断,然而由于肺炎
征象包括多个,而且较为复杂,单纯的依靠一类或几类肺炎征象是很难准确判断是否患有
肺炎,同时,不同类型的肺炎是很难区分的,例如细菌性肺炎和病毒性肺炎,以及感冒病毒
性肺炎和新型冠状病毒性肺炎等都是很难不依靠专业医务人员而区分的,并且,由于不同
的被检测者其CT图像和症状都可能不同,因而其治疗的方式可能也会有所区别,需要对其
进行分类,因此,亟需一种能够自动区分各种肺炎类别的方法。
发明内容
模型,由第一神经网络模型自动识别肺炎的类型,在考虑肺炎征象等病理性特征的同时结
合被检测者的临床信息,从而更加准确的识别出肺炎的类型,不仅能够实现自动区分肺炎
类型,并且能够保证其准确性,从而为后续的治疗提供更为准确和细化的类型信息,保证后
续治疗更有针对性,也更有效果。
像和所述临床信息,综合得到所述被检测者的肺炎类型;其中,得到所述被检测者的肺炎类
型的实现方式为:将所述肺炎征象图像和所述临床信息输入第一神经网络模型,得到所述
被检测者的肺炎类型。
炎征象图像;其中,分别生成多个肺部征象图像的方式包括:将所述肺部区域图像分别输入
多个第二神经网络模型,得到所述多个肺部征象图像。
图像中的一部分分别输入所述多个第二神经网络模型,或者将所述多层二维图像分别输入
所述多个第二神经网络模型,得到分别对应所述多个肺部征象图像的多层二维征象图像;
以及分别将对应同一肺部征象图像的所述多层二维征象图像叠加,得到所述多个肺部征象
图像。
区域的边界,并且以所述粗分割图像为种子区域,以预设的步长向周围扩张至所述肺部区
域的边界,得到所述肺部区域图像。
所述以所述肋骨区域图像为所述肺部区域的边界,并且以所述粗分割图像为种子区域,以
预设的步长向周围扩张至所述肺部区域的边界,得到所述肺部区域图像包括:以所述肋骨
区域图像为所述肺部区域的边界,并且以所述腐蚀后的粗分割图像为种子区域扩张,以预
设的步长向周围扩张至所述肺部区域的边界,得到所述肺部区域图像。
应的被检测者的临床信息;以及肺炎类型获取模块,用于根据所述肺炎征象图像和所述临
床信息,综合得到所述被检测者的肺炎类型;其中,肺炎类型获取模块进一步配置为:将所
述肺炎征象图像和所述临床信息输入第一神经网络模型,得到所述被检测者的肺炎类型。
方法。
型自动识别肺炎的类型,在考虑肺炎征象等病理性特征的同时结合被检测者的临床信息,
从而更加准确的识别出肺炎的类型,不仅能够实现自动区分肺炎类型,并且能够保证其准
确性,从而为后续的治疗提供更为准确和细化的类型信息,保证后续治疗更有针对性,也更
有效果。
附图说明
书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,
相同的参考标号通常代表相同部件或步骤。
具体实施方式
示例实施例的限制。
侵袭肺部导致的肺炎,其中最为常见的肺炎球菌,和甲型溶血性链球菌这两种细菌细菌,大
部分的细菌性肺炎都是因为这两种细菌导致的;另一种就是病毒引起的病毒性的肺炎,最
常见的就是由一级巨细病毒引发的流感病毒,又例如2019新型冠状病毒等,病毒性的肺炎
相对来于细菌性的肺炎来说,不仅更严重一些,治疗的难度相对来说也会更高。
部区域进行分割,以得到肺部区域图像,然后对肺部区域内的肺炎征象进行分割,最后由医
生根据分割得到的肺炎征象来判断被检测者是否患有肺炎,现有的肺炎分类的工作通常是
由专业的医护人员手动实现,显然这样的效率是较低的,特别是应对传染性很强的新型冠
状病毒所造成的肺炎的检测,因为其具有高传染性而导致大量的人有感染隐患,这就需要
对大量的人做CT图像检测,而其又与其他的病毒性肺炎(如感冒病毒肺炎)相似,其分类难
度较大,相对有限甚至紧缺的医务人员显然不能满足大量且难度较大的CT图像检测的需
求。
括多个,其中有的征象在CT图像中与其他组织的密度(在CT图像中表象为CT值)区别较大,
可以较为容易的分割出来,而有的征象在CT图像中与其他组织的密度区别较小,很难通过
密度的比较进行分割,或者分割的精度不高;同时,由于肺炎患者常常因为咳嗽和吸气不足
而导致图像的运动噪声较大,并且肺部内密度升高,从而导致肺部区域分割时存在较大的
难度,同时,肺炎病灶的区域较大会影响到肺部的形状和结构,从而导致肺部的分割难度进
一步提高,这样会影响到分割肺炎征象的精度,产生一定的误差,并且该误差的传递和累积
会最终影响医生的判断,造成不可估量的后果,并且,由于不同的被检测者其CT图像和症状
都可能不同,因而其治疗的方式可能也会有所区别,因此,需要对其进行分类。
在考虑肺炎征象等病理性特征的同时结合被检测者的临床信息,从而更加准确的识别出肺
炎的类型,不仅能够实现自动区分肺炎类型,并且能够保证其准确性,从而为后续的治疗提
供更为准确和细化的类型信息,保证后续治疗更有针对性,也更有效果。
的蔓延,就需要将患有肺炎或携带该病毒的患者与其他人群隔离开来,如此就需要对疑似
人员进行甄别,而作为甄别肺炎患者的有效措施之一的CT图像检测是特别重要的。肺炎患
者的肺部区域在CT图像下会存在一定的征象的,因此,肺炎征象可以作为判断是否患有肺
炎和区分肺炎类型的一个依据。
中的肺炎征象也会有所区别,单纯依据CT图像中的肺炎征象可能会导致结果不准确,从而
会导致后续治疗不是最有效的,例如有的被检测者的CT图像中肺炎征象显示其只是轻度肺
炎,但是其有常年的肺炎病史或者其有高烧、咳嗽等症状,针对这样的被检测者可以考虑将
其认定为中度或重度肺炎患者。因此,需要综合考虑肺炎征象信息和被检测者的临床信息,
以得到更为准确和更为精确的肺炎类型,从而为后续的精确治疗提供更好的数据指导。
型,得到被检测者的肺炎类型。
在一实施例中,第一神经网络模型可以是深度学习神经网络模型,优选地,第一神经网络模
型可以是Unet神经网络模型。在一实施例中,第一神经网络模型在训练方式可以是:选取已
经分割并标注出肺炎征象的肺部区域图像、被检测者的临床信息以及对应的肺炎类型作为
第一神经网络模型的训练样本来训练第一神经网络模型;并且第一神经网络模型在分类的
过程中得到的分类结果也可以由第三方检测机构进行验证和修改,并且可以将修改后的结
果作为样本再次训练第一神经网络模型,从而进一步提高第一神经网络模型的分类精度。
理性特征的同时结合被检测者的临床信息,从而更加准确的识别出肺炎的类型,不仅能够
实现自动区分肺炎类型,并且能够保证其准确性,从而为后续的治疗提供更为准确和细化
的类型信息,保证后续治疗更有针对性,也更有效果。
到多个肺部征象图像。
些征象的获取难度较大,这也进一步增加了CT图像检测的难度。因此,本申请实施例中通过
将肺部区域图像分别输入多个第二神经网络模型,针对不同的肺部征象训练得到不同的第
二神经网络模型,可以有针对性的得到精度较高的各个肺部征象图像,从而为后续肺炎的
甄别提供了准确的数据依据。
是指终末细支气管远侧的含气腔隙被病理性液体、细胞、组织所代替,其最主要的特点是病
变区致密,血管不能显影。磨玻璃影是指各种原因引起的肺泡充填或间质增厚,导致肺密度
轻度增高,但其内仍可见血管纹理的病变阴影。肿块是指团块状密度增高影,其最大直径≧
3cm。结节是指结节状密度增高影,其最大直径<3cm。空洞是指肺内病变坏死、液化,经引流
支气管排除及气体进入而形成的透亮区,对于感染性疾病,空洞临床上会倾向于化脓性感
染。树芽征是指由终末细支气管和肺泡腔内病变形成的小结节影与分支细线影构成的酷似
春天的树枝发芽状,多在肺外围支气管末梢呈2‑4mm大小结节与树枝状的高密度影。晕征是
指结节/空洞周围环绕的类环形玻璃样密度影,通常代表渗出、出血或水肿。可以根据各个
征象的不同特征设置不同的第二神经网络模型来分别分割,以提高整体的分割精度。
以是:选取已经由专业医务人员分割并标注出肺炎征象的肺部区域图像作为第二神经网络
模型的训练样本来训练该第二神经网络模型;并且第二神经网络模型在分割过程中得到的
分割结果也可以由第三方检测机构进行验证和修改,并且可以将修改后的结果作为样本再
次训练第二神经网络模型,从而进一步提高第二神经网络模型的分割精度。应当理解,本申
请实施例中的多个第二神经网络模型可以是一个神经网络模型,也可以是多个神经网络模
型,且多个第二神经网络模型的类型可以相同,也可以不同,本申请实施例对于分割各个肺
部征象的第二神经网络模型的具体类型不做限定。
像(通常是在CT图像中标注出各个肺部征象的区域)后,将多个肺部征象图像综合起来确定
是否为肺炎,并且在确定肺炎后将相关的肺部征象组合得到肺炎征象图像(即肺炎征象只
是肺部征象中能够确定肺炎的部分),以方便医务人员或者其他的检测机构根据该肺炎综
合征象图像准确判断被检测者是否为肺炎患者。
多层二维征象图像。
可以将肺部区域图像的多层二维图像分为多个部分,将这多个部分以多次输入的方式输入
多个第二神经网络模型,或者是将肺部区域图像的多层二维图像作为一个整体分别输入多
个第二神经网络模型,由多个第二神经网络模型分别多次分割二维图像来得到对应的多层
二维征象图像,从而提高分割效率。应当理解,本申请实施例可以根据神经网络或处理机器
的处理能力适当选取单次输入第二神经网络模型的二维图像的层数,可以是一层,也可以
是多层,还可以是将所有的二维图像单次输入第二神经网络模型,只要所选取的层数不超
过第二神经网络模型或处理机器所能承载的负荷即可,本申请实施例对于单次输入第二神
经网络模型的二维图像的具体层数不做限定。
部分二维图像之间存在交叉部分。通过设置交叉部分,可以避免边缘二维图像之间的差异
较大,而且可以通过交叉部分的定位更好的实现叠加。
具体操作过程与腐蚀操作正好相反,即沿着图像中物体边界增加像素并扩大物体的大小。
通过腐蚀膨胀操作,可以有效去除分割过程中产生的噪声,同时由于相邻的二维征象图像
之间是存在相互关联的,通过对叠加后的肺部征象图像进行腐蚀膨胀操作,可以利用相邻
的二维征象图像之间的相互关联性,可以去除个别层的分割误差,例如通过上下两层或多
层二维征象图像可以调整中间层的二维征象图像,从而提高肺部征象图像整体的分割精
度。
取CT图像中的肋骨区域来得到肺部区域的外边界,从而提高分割肺部区域的精度。
识别CT图像中的肺部区域,其中第三神经网络模型可以是Unet网络等神经网络模型,并且
第三神经网络模型在训练方式可以是:选取已经由专业医务人员识别并标注出肺部区域的
CT图像作为第三神经网络模型的训练样本来训练该第三神经网络模型。由于该步骤中仅仅
是获取CT图像中肺部区域的粗分割图像,并非肺部区域的准确分割图像,因此,可以选取适
当数量的训练样本来训练该第三神经网络模型,从而提高整个肺部分割的效率。
官密度大小的一种计量单位,通常称亨氏单位(hounsfield unit,HU),其中,空气的CT值
为‑1000,致密骨的CT值为+1000。实际上CT值是CT图像中各组织与X线衰减系数相当的对应
值,CT值不是绝对不变的数值,它不仅与人体内在因素如呼吸、血流等有关,而且与X线管电
压、CT装置、室内温度等外界因素有关。人体组织中除了骨骼以为,其他组织的CT值都在300
以下且在‑80以上,其中钙化点的CT值为80‑300、脂肪的CT值为‑20—‑80。由于肺部区域内
基本为空气,其CT值相对其他组织较低,因此可以设定CT值范围,选取CT值在该CT值范围内
的连通区域作为肺部区域的粗分割图像。
域图像。由于肺部是被肋骨紧紧包裹的,即肋骨区域为肺部区域的外边界,因此,可以将粗
分割图像作为种子区域或者感兴趣区域,并且以肋骨区域图像作为边界,通过活动轮廓模
型、以预设的步长对CT图像进行分割,即由感兴趣区域开始、以预设的步长向周围扩张,直
至扩张到肋骨区域为止,以得到精确分割的肺部区域的图像,为后续的肺叶分割、肺炎判断
等提供了准确的基础图像数据。其中,预设的步长可以根据实际需求而调整,为了得到更高
的精度,可以适当减小预设的步长。在进一步的实施例中,活动轮廓模型可以包括LevelSet
模型或Snake模型。应当理解,本申请实施例可以根据实际应用场景的需求而选取不同的活
动轮廓模型,只要所选取的活动轮廓模型可以以肋骨区域图像为边界、粗分割图像为种子
区域得到精确的肺部区域的图像即可,本申请实施例对于活动轮廓模型的具体结构不做限
定。
域,通过腐蚀操作可以将粗分割图像中的干扰噪声区域去除,以保证腐蚀后的粗分割图像
为肺部区域图像的一部分,而不包含肺部区域以外的区域图像。
融入更多的非肺部区域,并且种子区域在扩张过程中是不会去除已存在于该种子区域内的
区域的,因此,保证种子区域内只包含肺部区域是保证分割肺部区域的精度的前提条件。
的连通区域作为骨头区域图像。其中,第一CT值阈值小于骨头的CT值且大于其他组织的CT
值,通过设定第一CT值阈值,获取CT图像中CT值大于或等于第一CT值阈值的连通区域,即可
得到骨头区域图像。
的过大时可能会遗漏部分骨头区域,而第一CT值阈值设定的过小时,由于钙化点的CT值较
大,又可能会出现肺部或者心脏区域存在一定的钙化点成为骨头区域图像中的干扰噪声,
因此,需要将其去除。通常钙化点的面积较小,因此,可以通过去除连通区域中面积小于预
设的面积阈值的区域来排出钙化点对骨头区域图像的干扰,其中面积阈值可以根据实际应
用而预先设定。
除,可以避免肺部或者心脏区域内的钙化点对最终的分割结果造成的影响,从而可以提高
后续的分割精度。
区域图像。由于肋骨相对其他骨头比较规则,肋骨通常是规则的排列在肺部外侧且呈现一
定的弧形且为左右对称结构,通过多平面重建的三维视图中可以区分出肋骨与其他骨头的
区别,特别是在矢状位上,可以清晰获知肋骨的上述特性,即肋骨的排列和形状有其特殊
性,因此,可以通过标准的肋骨图像去比对,选取骨头区域图像中与该标准肋骨图像的相似
度满足一定要求(大于预设相似度)的骨头区域,以分割出骨头区域图像中的肋骨区域图
像。应当理解,本申请实施例也可以根据实际应用场景的需求而选取其他获取肋骨区域图
像的方式,例如可以根据肋骨的弧度是否在预设弧度范围内来判断,也可以根据肋骨之间
的间隙是否在预设距离范围内(因为肋骨的排列有一定的规则,相邻的肋骨之间各处的垂
直距离都在一定的范围内),还可以直接通过神经网络模型来获取肋骨区域图像,只要所选
取的获取肋骨区域图像的方式满足精度需求即可,本申请实施例对于获取肋骨区域图像的
具体方式不做限定。
范围,获取该CT值范围内的连通区域,并且只保留连通区域内面积最大的连通区域,其他区
域均设置为背景区域,从而排除了其他区域的干扰。去除白噪声的具体实现方式可以是:通
过高斯滤波器去除拍摄CT图像过程中引起的白噪声。裁剪图像的具体实现方式可以是:将
背景去除,只保留有效区域,以降低后续图像处理的复杂度。变换窗宽和窗位的具体实现方
式可以是:通过设定窗宽和窗位的值来重点突出感兴趣区域,从而避免不感兴趣的区域对
后续处理的干扰,在本申请实施例中,可以选取窗位为‑500、窗宽为1500,当然应当理解,窗
位和窗宽的设定值可以根据实际情况而调整。
像后,对该肺部区域图像的边界进行光滑化处理,可以得到更为精确的肺部区域图像。
据肺炎征象图像和临床信息,综合得到被检测者的肺炎类型;其中,肺炎类型获取模块93进
一步配置为:将肺炎征象图像和临床信息输入第一神经网络模型,得到被检测者的肺炎类
型。
取模块93将获取的肺炎征象和被检测者的临床信息输入第一神经网络模型,由第一神经网
络模型自动识别肺炎的类型,在考虑肺炎征象等病理性特征的同时结合被检测者的临床信
息,从而更加准确的识别出肺炎的类型,不仅能够实现自动区分肺炎类型,并且能够保证其
准确性,从而为后续的治疗提供更为准确和细化的类型信息,保证后续治疗更有针对性,也
更有效果。
像,分别生成多个肺部征象图像;以及组合子模块912,用于将多个肺部征象图像组合,得到
肺炎征象图像;其中,生成子模块911进一步配置为:将肺部区域图像分别输入多个第二神
经网络模型,得到多个肺部征象图像。
施例中,第二神经网络模型可以是深度学习神经网络模型,优选地,第二神经网络模型可以
是Unet神经网络模型。
象图像的多层二维征象图像;叠加单元9112,用于分别将对应同一肺部征象图像的多层二
维征象图像叠加,得到多个肺部征象图像。
以及精分割模块96,用于以肋骨区域图像为肺部区域的边界,并且以粗分割图像为种子区
域,以预设的步长向周围扩张至所述肺部区域的边界,得到肺部区域图像。
域图像。其中,活动轮廓模型可以包括LevelSet模型或Snake模型。
图像为肺部区域的边界,并且以腐蚀后的粗分割图像为种子区域,以预设的步长向周围扩
张至肺部区域的边界,得到肺部区域图像。
出骨头区域图像中的肋骨区域图像。
作为肋骨区域图像。
除背景、去除白噪声、裁剪图像、变换窗宽和窗位。
和第二设备进行通信,以从它们接收所采集到的输入信号。
器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存
储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存
储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申
请的各个实施例的肺炎分类方法以及/或者其他期望的功能。在所述计算机可读存储介质
中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
用于从第一设备和第二设备接收所采集的输入信号。
备等等。
可以包括任何其他适当的组件。
“示例性方法”部分中描述的根据本申请各种实施例的肺炎分类方法中的步骤。
Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程
序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软
件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备
或服务器上执行。
法”部分中描述的根据本申请各种实施例的肺炎分类方法中的步骤。
磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的
例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储
器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘
只读存储器(CD‑ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作
用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具
有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇
“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使
用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在
此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
术人员将认识到其某些变型、修改、改变、添加和子组合。