一种医学超声图像分级方法、系统、服务器、介质及设备

摘要

本发明属于人工智能的深度学习领域，提供了一种医学超声图像分级方法、系统、服务器、介质及设备，该分级方法包括：获取医学超声图像和RGB图像数据集；基于RGB图像数据集对构建好的分级模型进行预训练得到第一分级模型，将第一分级模型迁移至医学超声图像进行微调训练，得到第二分级模型；基于待分级的医学超声图像和二分级模型得到分级结果。本发明通过注意力机制的使用，能够自适应地对不同通道和空间位置加权，解决类不平衡问题，提高了分类准确率，最终系统输出图像的分级等级，可为医生提供辅助参考意见，提高临床诊断准确率与效率。

权利要求

1.一种医学超声图像分级方法，其特征在于，包括如下步骤：

获取医学超声图像和RGB图像数据集；

基于RGB图像数据集对构建好的分级模型进行预训练得到第一分级模型，将第一分级模型迁移至医学超声图像进行微调训练，得到第二分级模型；

其中，所述分级模型的构建过程包括：在ResNeAt网络结构的基础上，引入残差块和注意力机制，在第一个残差块之前和最后一个残差块之后加入通道注意力模块和空间注意力模块，经过通道注意力模块得到第一特征图，第一特征图通过空间注意力模块，经过水平方向和竖直方向特征提取得到第二特征图，将第一特征图和第二特征图加权处理后，经过分类层输出分类结果；

基于待分级的医学超声图像和二分级模型得到分级结果；

所述ResNeAt网络包括四个不同数量的残差块、三个下采样层、注意力模块和分类层，每个残差块由一个深度可分离卷积层、两个普通卷积和一个Layer Norm层组成，下采样层由一个Layer Norm层和一个普通卷积层组成，分类层由一个全局平均池化层、一个Layer Norm层和一个全连接层组成。

2.如权利要求1所述的一种医学超声图像分级方法，其特征在于，在获取医学超声图像后，对医学超声图像的预处理，包括黑框的去除、图像灰度化处理、局部直方图自适应均衡化、图像增强处理和数据划分处理。

3.如权利要求1所述的一种医学超声图像分级方法，其特征在于，将医学超声图像划分为训练集、验证集和测试集，将保存的第一分级模型迁移到训练集和验证集上进行再训练和验证，得到第二分级模型，基于测试集对第二分级模型测试，直至达到使用标准。

4.如权利要求1所述的一种医学超声图像分级方法，其特征在于，在对分级模型进行预训练时，采用余弦退火学习率调节算法调整学习率。

5.如权利要求1所述的一种医学超声图像分级方法，其特征在于，得到第二分级模型后，对第二分级模型进行交叉验证，并计算交叉验证得到的准确率的平均值及方差。

6.一种服务器，其特征在于，包括：

获取模块，被配置为获取医学超声图像和RGB图像数据集；

训练模块，被配置为基于RGB图像数据集对构建好的分级模型进行预训练得到第一分级模型，将第一分级模型迁移至医学超声图像进行微调训练，得到第二分级模型；

其中，所述分级模型的构建过程包括：在ResNeAt网络结构的基础上，引入残差块和注意力机制，在第一个残差块之前和最后一个残差块之后加入通道注意力模块和空间注意力模块，经过通道注意力模块得到第一特征图，第一特征图通过空间注意力模块，经过水平方向和竖直方向特征提取得到第二特征图，将第一特征图和第二特征图加权处理后，经过分类层输出分类结果；

分级模块，被配置为基于待分级的医学超声图像和二分级模型得到分级结果；

所述ResNeAt网络包括四个不同数量的残差块、三个下采样层、注意力模块和分类层，每个残差块由一个深度可分离卷积层、两个普通卷积和一个Layer Norm层组成，下采样层由一个Layer Norm层和一个普通卷积层组成，分类层由一个全局平均池化层、一个Layer Norm层和一个全连接层组成。

7.一种医学超声图像分级系统，其特征在于，包括图像获取设备和图像处理设备；

所述图像获取设备用于采集医学超声图像和RGB图像数据集，并向所述医学处理设备发送所述医学超声图像和RGB图像数据集；

所述图像处理设备用于执行下述操作：

基于RGB图像数据集对构建好的分级模型进行预训练得到第一分级模型，将第一分级模型迁移至医学超声图像进行微调训练，得到第二分级模型；

其中，所述分级模型的构建过程包括：在ResNeAt网络结构的基础上，引入残差块和注意力机制，在第一个残差块之前和最后一个残差块之后加入通道注意力模块和空间注意力模块，经过通道注意力模块得到第一特征图，第一特征图通过空间注意力模块，经过水平方向和竖直方向特征提取得到第二特征图，将第一特征图和第二特征图加权处理后，经过分类层输出分类结果；

基于待分级的医学超声图像和二分级模型得到分级结果；

所述ResNeAt网络包括四个不同数量的残差块、三个下采样层、注意力模块和分类层，每个残差块由一个深度可分离卷积层、两个普通卷积和一个Layer Norm层组成，下采样层由一个Layer Norm层和一个普通卷积层组成，分类层由一个全局平均池化层、一个Layer Norm层和一个全连接层组成。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑5中任一项所述的一种医学超声图像分级方法中的步骤。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑5中任一项所述的一种医学超声图像分级方法中的步骤。

说明书

一种医学超声图像分级方法、系统、服务器、介质及设备

技术领域

[0001] 本发明属于人工智能的深度学习领域，尤其涉及一种医学超声图像分级方法、系统、服务器、介质及设备。

背景技术

[0002] 本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

[0003] 基于医学影像的人工智能分类是指利用计算机视觉技术和人工智能算法对医学影像进行分析和诊断的方法。医学影像包括X光、CT、MRI、超声等多种类型，医学影像的分析和诊断对于疾病的早期发现和治疗起着重要作用。在医学影像分类中，人工智能技术可以大大提高诊断的准确性和效率，缩短了诊断时间，有助于医生做出更精确的诊断和治疗决策。同时，医学影像分类技术也面临着一些问题和挑战，例如：数据量不足、数据不平衡、缺乏标注信息等，需要进一步完善和改进。

[0004] 发明人发现，目前的病理学的检查需要手术或穿刺取样等操作，例如，脂肪肝是一种常见的代谢性疾病。目前，脂肪肝分级的金标准是肝组织病理学检查。病理学检查是通过取得肝脏组织标本，通过显微镜下的观察和评价，确定肝脏的脂肪含量、纤维化程度和炎症反应等方面的信息，该侵入性诊断方法对患者有一定的创伤性和风险性，且费用昂贵，不适用于大规模筛查或动态监测。因此，开发基于医学影像的非侵入性诊断技术，成为当前研究的热点和难点。

[0005] 临床上用于病理学的检查的主要技术是超声影像、CT和MRI等医学影像技术，但这些技术存在操作者的主观性强、操作流程繁琐、诊断成本高、分级结果不够精准且不规范等问题。

发明内容

[0006] 为了解决上述背景技术中存在的至少一项技术问题，本发明提供一种医学超声图像分级方法、系统、服务器、介质及设备，其使用深度卷积神经网络模型实现了医学超声图像的自动分级，提高医生的诊断效率。

[0007] 根据本公开的第一方面，提供了一种医学超声图像分级方法，该方法包括：

[0008] 获取医学超声图像和RGB图像数据集；

[0009] 基于RGB图像数据集对构建好的分级模型进行预训练得到第一分级模型，将第一分级模型迁移至医学超声图像进行微调训练，得到第二分级模型；

[0010] 其中，所述分级模型的构建过程包括：在ResNeAt网络结构的基础上，引入残差块和注意力机制，在第一个残差块之前和最后一个残差块之后加入通道注意力模块和空间注意力模块，经过通道注意力模块得到第一特征图，第一特征图通过空间注意力模块，经过水平方向和竖直方向特征提取得到第二特征图，将第一特征图和第二特征图加权处理后，经过分类层输出分类结果；

[0011] 基于待分级的医学超声图像和二分级模型得到分级结果。

[0012] 在一些实施例中，在获取医学超声图像后，对医学超声图像的预处理，包括黑框的去除、图像灰度化处理、局部直方图自适应均衡化、图像增强处理和数据划分处理。

[0013] 在一些实施例中，将医学超声图像划分为训练集、验证集和测试集，将保存的第一分级模型迁移到训练集和验证集上进行再训练和验证，得到第二分级模型，基于测试集对第二分级模型测试，直至达到使用标准。

[0014] 在一些实施例中，在对分级模型进行预训练时，采用余弦退火学习率调节算法调整学习率。

[0015] 在一些实施例中，得到第二分级模型后，对第二分级模型进行交叉验证，并计算交叉验证得到的准确率的平均值及方差。

[0016] 在一些实施例中，所述ResNeAt网络包括四个不同数量的残差块、三个下采样层、注意力模块和分类层，每个残差块由一个深度可分离卷积层、两个普通卷积和一个Layer Normalization (Layer Norm)层组成，下采样层由一个Layer Norm层和一个普通卷积层组成，分类层由一个全局平均池化层、一个Layer Norm层和一个全连接层组成。

[0017] 根据本发明的第二方面，提供一种服务器，该服务器包括获取模块、训练模块和分级模块，获取模块，被配置为获取医学超声图像和RGB图像数据集；训练模块，被配置为基于RGB图像数据集对构建好的分级模型进行预训练得到第一分级模型，将第一分级模型迁移至医学超声图像进行微调训练，得到第二分级模型；分级模块，被配置为基于待分级的医学超声图像和二分级模型得到分级结果。

[0018] 根据本发明的第三方面，提供一种基于深度模型的医学超声图像分级系统，包括图像获取设备和图像处理设备；所述图像获取设备用于采集医学超声图像和RGB图像数据集，并向所述医学处理设备发送所述医学超声图像和RGB图像数据集；所述图像处理设备用于执行如上述方面中的任一种的方法。

[0019] 根据本发明的第四方面，提供一种计算机程序指令的非瞬时性计算机可读介质，当由处理器执行所述计算机程序指令使所述处理器执行如上述方面中的任一种的方法。

[0020] 根据本发明的第五方面，提供一种计算机设备，包括处理器和其上存储计算机程序的存储器，所述计算机程序被配置成当在所述处理器上执行如上述方面中的任一种的方法。

[0021] 与现有技术相比，本发明的有益效果是：

[0022] 1、本发明提供一种基于深度模型的超声图像智能分级方法及系统，基于使用深度卷积神经网络模型实现了超声图像的自动分级，构建的ResNeAt网络含有残差块（residual block）和convolutional block attention module (CBAM)注意力机制，第一个残差块之前和最后一个残差块之后加入CBAM注意力模块，将每个通道的特征乘以对应的权重，经过通道注意力模块的特征图输入到空间注意力模块中进行两次处理，分别是水平方向的GAP和竖直方向的GAP，以及对应的权重系数，将经过通道注意力机制和空间注意力机制处理过的特征图相乘，得到最终的特征图，实现了自适应地对不同通道和空间位置进行加权，使网络能够在通道和空间上聚焦于最重要的特征，从而提高了网络对图像中重要特征的关注度，提升了模型的性能；有效解决网络梯度爆炸和数据不平衡的问题。最终实现基于超声图像的疾病例如脂肪肝的高效、准确、低成本、可重复性高的分级诊断，具有广泛的应用前景。

[0023] 2、本发明的分级模型采用了Layer Normalization (Layer Norm)，相比 Batch Normalization，Layer Norm在小样本上的表现更稳定，且Layer Norm 对每个样本的每个特征进行归一化，而不是整个批次，这使得它对于训练深度网络时抑制梯度消失问题非常有效；同时分级模型使用余弦退火学习率（CosineAnnealingLR）调节算法来降低学习率，并且使用改进的Focal Loss作为损失函数，降低数据不平衡带来的影响。

[0024] 3、本发明采用了多种设备采集的图像，图像差异性大，建立了一种普适高效的分级模型。

[0025] 4、本发明的分级模型采用了深度可分离卷积，首先应用深度空间卷积，然后应用逐点卷积，这样可以大幅减少参数数量，提升了模型的速度。

[0026] 根据下文描述的实施例，本公开的这些和其他优点将变得清楚，并且参考下文描述的实施例来阐明本公开的这些和其他优点。

附图说明

[0027] 现在将更详细地并且参考附图来描述本公开的实施例，其中：

[0028] 图1是本发明实施例提供的基于深度模型的医学超声图像分级方法流程图；

[0029] 图2是本发明实施例提供的ResNeAt网络结构示意图；

[0030] 图3是本发明实施例提供的对医学超声图像进行分级的服务器的示意图；

[0031] 图4是本发明实施例提供的基于深度模型的医学超声图像分级系统示意图；

[0032] 图5是一个示例系统，其包括代表可以实现本文描述的各种技术的一个或多个系统和/或设备的示例计算设备。

具体实施方式

[0033] 下面的说明提供用于充分理解和实施本公开的各种实施例的特定细节。本领域的技术人员应当理解，本公开的技术方案可以在没有这些细节中的一些的情况下被实施。在某些情况下，并没有示出或详细描述一些熟知的结构和功能，以避免不必要地使对本公开的实施例的描述模糊不清。在本公开中使用的术语以其最宽泛的合理方式来理解，即使其是结合本公开的特定实施例被使用的。

[0034] 本发明针对小样本问题使用数据增强RandAugment方法增加数据的多样性和数量；使用迁移学习方法提高分类性能并通过五折交叉验证得到更加可靠的模型评估结果，本发明通过注意力机制的使用，能够自适应地对不同通道和空间位置加权，解决类不平衡问题，提高了分类准确率，最终系统输出病变等级，可为医生提供辅助参考意见，提高临床诊断准确率与效率。

[0035] 图1示意性示出了一种基于深度模型的超声图像智能分级方法100，包括如下步骤：

[0036] 步骤101：数据获取，获取超声图像；

[0037] 步骤102：数据预处理，对超声图像进行预处理并且划分为训练集、验证集和测试集三个部分；

[0038] 步骤103：分级模型构建，基于ResNeAt网络模型，加入了残差块（residual block）和convolutional block attention module(CBAM)注意力机制，使用余弦退火学习率（CosineAnnealingLR）调节算法来降低学习率，并且使用改进的Focal Loss作为损失函数，降低数据不平衡带来的影响；

[0039] 步骤104：迁移学习，采用ImageNet数据集对构建的ResNeAt网络进行预训练，将得到的模型迁移到预处理后的数据集上进行微调训练，从而得到最终的超声图像分级模型；

[0040] 步骤105：将训练集和验证集的图像平均分成五份，其中每一份当作验证集，剩下四份当作训练集，通过步骤104得到的分级模型进行五次交叉验证，从而证明模型的泛化能力；

[0041] 步骤106：将测试集图像输入到训练好的ResNeAt网络中得到分级结果，测试网络是否达到临床使用的标准。

[0042] 本实施例中，以肝组织病理学检查的脂肪肝分级为例；

[0043] 数据获取模块中，所述超声图像为腹部超声图像，通过GE Healthcare、SAMSUNG、TOSHIBA和HITACHI四种不同的设备采集获取的；

[0044] 获取图像分辨率为720ⅹ576 1920ⅹ1080不等，通过影像医生对其进行标注，最终~获得包括正常、轻度脂肪肝、中度脂肪肝各2000张图像，重度脂肪肝500张图像。

[0045] 所述数据预处理的过程包括如下步骤：

[0046] 步骤201：去除收集的超声图像中存在大量黑色区域的质量不佳的图像；

[0047] 步骤202：裁剪掉每张超声图像中的黑色边框，只保留中间的扇形区域；

[0048] 步骤203：对所有图像进行灰度化处理；

[0049] 步骤204：对所有图像使用局部直方图自适应均衡化，增强对比度；

[0050] 步骤205：使用开源数据增强算法RandAugment得到增强后的重度脂肪肝图像2000张，具体为：将重度脂肪肝超声图像旋转90°/180°/270°，垂直和水平方向做镜像等；

[0051] 步骤206：将处理好的所有图像按照8：1：1的比例划分为训练集、验证集和测试集三个部分。

[0052] 步骤103中，所述步骤103中构建的ResNeAt网络结构如图2所示，由四个不同数量的残差块、三个下采样层、注意力模块和最后的分类层组成。每个残差块由一个深度可分离卷积层、两个普通卷积和一个Layer Norm层组成，卷积核大小分别为 ， ， ，步长都为1，四个残差块的数量分别为3、3、9、3；下采样层由一个Layer Norm层和一个普通卷积层组成，卷积核大小为2 2，步长为2；分类层由一个全局平均池化层、一个Layer Norm层和一个全连接层组成；在第一个残差块之前和最后一个残差块之后加入Convolutional Block Attention Module（CBAM）注意力模块，包括一个通道注意力模块和一个空间注意力模块，使用余弦退火学习率（CosineAnnealingLR）调节算法来降低学习率，并且使用改进的Focal Loss作为损失函数，降低数据不平衡带来的影响。

[0053] 具体通过该模型处理超声图像数据如下：

[0054] 首先将步骤102中得到的图像（大小为HⅹWⅹC，H为高度，W为宽度，C为通道数）输入到第一个CBAM注意力模块的通道注意力模块，通过全局平均池化(Global Average Pooling，GAP)对每个通道进行池化操作得到一个大小为C的向量（每个元素代表一个通道的平均激活值），然后将得到的向量通过一个全连接（fully connected，FC）层映射成两个向量，分别表示通道的最大激活值和平均激活值，然后将两个向量分别进行 Softmax 激活，得到对应的权重系数，再将这两个权重系数分别应用到原始特征图上，即将这两个权重系数分别与对应通道的特征相乘。

[0055] 经过通道注意力模块的特征图输入到空间注意力模块中进行两次处理，分别是水平方向的GAP和竖直方向的GAP，得到两个大小为Hⅹ1ⅹ1和1ⅹWⅹ1的向量，将得到的两个向量分别通过两个全连接层进行映射。然后将两个向量进行 Softmax 激活，得到对应的权重系数，表示在水平和竖直方向的重要性。将这两个权重系数分别应用到原始特征图上，即将这两个权重系数与对应像素的特征相乘。最终，将经过通道注意力机制和空间注意力机制处理过的特征图相乘，得到最终的特征图，使网络能够在通道和空间上聚焦于最重要的特征。

[0056] 将经过第一个CBAM注意力模块所得特征图输入到残差块1，残差块1由一个深度可分离卷积层、两个普通卷积和一个Layer Norm层组成，卷积核大小分别为 ， ， ，步长都为1，残差块1重复3次。然后输入到下采样层，下采样层由一个Layer Norm层和一个普通卷积层组成，卷积核大小为2 2，步长为2。然后输入到残差块2，残差块2与残差块1的结构相同，同样重复3次后经过下采样层输入到残差块3，残差块3与残差块1结构相同，重复9次后经过下采样层输入到残差块4，残差块4与残差块1结构相同，重复3次后输入到第二个CBAM注意力模块，进行与第一个CBAM注意力模块相同的操作，最终输入分类层。分类层由一个全局平均池化层、一个Layer Norm层和一个全连接层组成，输出最终的分类概率。所述使用余弦退火学习率（CosineAnnealingLR）调节算法来降低学习率，具体包括：

[0057] 让学习率从一个较大的值开始，然后以余弦函数的形式逐渐减小的算法，能够在训练期间自动调整学习率，改善模型泛化能力，原理如下：，其中，i表示第几次运行， 和 分别表示学习
率的最大值和最小值，定义了学习率的范围， 则表示当前执行了多少个epoch，但是是在每个batch运行之后就会更新，而此时一个epoch还没有执行完，所以 的值可以为小数， 表示第i次重启，一共需要训练多少个epoch。这样在一个周期内，学习率将会按照余弦衰减的趋势从 减小到 ，然后进入下一个周期。

[0058] 所述采用ImageNet数据集对构建的ResNeAt网络进行预训练，包括：

[0059] 步骤401：首先采用ImageNet数据集对搭建好的ResNeAt网络进行预先训练，并将经过n次训练迭代后的模型进行保存；本实施例中，n优选10000。

[0060] 步骤402：将步骤401保存的模型迁移到经过步骤2预处理后的训练集和验证集上进行再训练和验证，从而得到最终的超声图像分级模型。

[0061] 所述步骤5中，将训练集和验证集的图像平均分成五份，其中每一份当作验证集，剩下四份当作训练集，通过步骤4得到的分级模型进行五次交叉验证；计算五次准确率及方差的平均值，从而证明模型的泛化能力。

[0062] 所述步骤106中，将步骤2预处理后的测试集图像作为输入，得到ResNeAt网络分级结果；

[0063] 计算每个分级评价指标，包括准确率(Accuracy)、精确度(Precision)、召回率(Recall)、特异性(Specificity)、F1‑score，测试网络是否达到临床使用的标准。

[0064] 所述步骤106中的分级评价指标，具体为，评价公式为其中，TP表示预测为正例，实际为正例；TN表示预测为负
例，实际为负例；FP表示预测为正例，实际为负例；FN表示预测为正例，实际为负例。

[0065] 图3示意性示出了根据本公开一个实施例对医学超声图像进行分级的服务器500的示意图。服务器500包括获取模块501、训练模块502和分级模块503。获取模块501被配置为获取医学超声图像和RGB图像数据集。训练模块502被配置为基于RGB图像数据集对构建好的分级模型进行预训练得到第一分级模型，将第一分级模型迁移至医学超声图像进行微调训练，得到第二分级模型。分级模块503被配置为基于待分级的医学超声图像和二分级模型得到分级结果图4示意性示出了根据本公开一个实施例对基于深度模型的医学超声图像分级系统600的示意图。

[0066] 图5图示了示例系统700，其包括代表可以实现本文描述的各种技术的一个或多个系统和/或设备的示例计算设备710。计算设备710可以是例如服务提供商的服务器、与客户端（例如，客户端设备）相关联的设备、片上系统、和/或任何其他合适的计算设备或计算系统。上面关于图4用于对医学图像进行分类的服务器500可以采取计算设备710的形式。替换地，用于对医学图像进行分类的服务器500可以以医学超声图像分级应用716的形式被实现为计算机程序。

[0067] 如图示的示例计算设备710包括彼此通信耦合的处理系统711、一个或多个计算机可读介质712以及一个或多个I/O接口713。尽管未示出，但是计算设备710还可以包括系统总线或其他数据和命令传送系统，其将各种组件彼此耦合。系统总线可以包括不同总线结构的任何一个或组合，所述总线结构诸如存储器总线或存储器控制器、外围总线、通用串行总线、和/或利用各种总线架构中的任何一种的处理器或局部总线。还构思了各种其他示例，诸如控制和数据线。

[0068] 处理系统711代表使用硬件执行一个或多个操作的功能。因此，处理系统711被图示为包括可被配置为处理器、功能块等的硬件元件714。这可以包括在硬件中实现为专用集成电路或使用一个或多个半导体形成的其他逻辑器件。硬件元件714不受其形成的材料或其中采用的处理机构的限制。例如，处理器可以由（多个）半导体和/或晶体管（例如，电子集成电路（IC））组成。在这样的上下文中，处理器可执行指令可以是电子可执行指令。

[0069] 计算机可读介质712被图示为包括存储器/存储装置715。存储器/存储装置715表示与一个或多个计算机可读介质相关联的存储器/存储容量。存储器/存储装置315可以包括易失性介质（诸如随机存取存储器（RAM））和/或非易失性介质（诸如只读存储器（ROM）、闪存、光盘、磁盘等）。存储器/存储装置715可以包括固定介质（例如，RAM、ROM、固定硬盘驱动器等）以及可移动介质（例如，闪存、可移动硬盘驱动器、光盘等）。计算机可读介质712可以以下面进一步描述的各种其他方式进行配置。

[0070] 一个或多个I/O接口713代表允许用户向计算设备710输入命令和信息并且可选地还允许使用各种输入/输出设备将信息呈现给用户和/或其他组件或设备的功能。输入设备的示例包括键盘、光标控制设备（例如，鼠标）、麦克风（例如，用于语音输入）、扫描仪、触摸功能（例如，被配置为检测物理触摸的容性或其他传感器）、相机（例如，可以采用可见或不可见的波长（诸如红外频率）将不涉及触摸的运动检测为手势）等等。输出设备的示例包括显示设备（例如，监视器或投影仪）、扬声器、打印机、网卡、触觉响应设备等。因此，计算设备[0071] 710可以以下面进一步描述的各种方式进行配置以支持用户交互。

[0072] 计算设备710还包括医学超声图像分级716。医学超声图像分级716可以例如是关于图5描述的用于对医学图像进行分类的服务器500的软件实例，并且与计算设备710中的其他元件相组合地实现本文描述的技术。

[0073] 本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。一般地，这些模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元素、组件、数据结构等。本文所使用的术语“模块”，“功能”和“组件”一般表示软件、固件、硬件或其组合。本文描述的技术的特征是与平台无关的，意味着这些技术可以在具有各种处理器的各种计算平台上实现。

[0074] 所描述的模块和技术的实现可以存储在某种形式的计算机可读介质上或者跨某种形式的计算机可读介质传输。计算机可读介质可以包括可由计算设备710访问的各种介质。作为示例而非限制，计算机可读介质可以包括“计算机可读存储介质”和“计算机可读信号介质”。与单纯的信号传输、载波或信号本身相反，“计算机可读存储介质”是指能够持久存储信息的介质和/或设备，和/或有形的存储装置。因此，计算机可读存储介质是指非信号承载介质。计算机可读存储介质包括诸如易失性和非易失性、可移动和不可移动介质和/或以适用于存储信息（诸如计算机可读指令、数据结构、程序模块、逻辑元件/电路或其他数[0075] 据）的方法或技术实现的存储设备之类的硬件。计算机可读存储介质的示例可以包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD‑ROM、数字通用盘（DVD）或其他光学存储装置、硬盘、盒式磁带、磁带，磁盘存储装置或其他磁存储设备，或其他存储设备、有形介质或适于存储期望信息并可以由计算机访问的制品。

[0076] “计算机可读信号介质”是指被配置为诸如经由网络将指令发送到计算设备710的硬件的信号承载介质。信号介质典型地可以将计算机可读指令、数据结构、程序模块或其他数据体现在诸如载波、数据信号或其他传输机制的调制数据信号中。信号介质还包括任何信息传递介质。术语“调制数据信号”是指以这样的方式对信号中的信息进行编码来设置或改变其特征中的一个或多个的信号。作为示例而非限制，通信介质包括诸如有线网络或直接连线的有线介质以及诸如声、RF、红外和其他无线介质的无线介质。

[0077] 如前所述，硬件元件714和计算机可读介质712代表以硬件形式实现的指令、模块、可编程器件逻辑和/或固定器件逻辑，其在一些实施例中可以用于实现本文描述的技术的至少一些方面。硬件元件可以包括集成电路或片上系统、专用集成电路（ASIC）、现场可编程门阵列（FPGA）、复杂可编程逻辑器件（CPLD）以及硅中的其他实现或其他硬件设备的组件。

[0078] 在这种上下文中，硬件元件可以作为执行由硬件元件所体现的指令、模块和/或逻辑所定义的程序任务的处理设备，以及用于存储用于执行的指令的硬件设备，例如，先前描述的计算机可读存储介质。

[0079] 前述的组合也可以用于实现本文所述的各种技术和模块。因此，可以将软件、硬件或程序模块和其他程序模块实现为在某种形式的计算机可读存储介质上和/或由一个或多个硬件元件714体现的一个或多个指令和/或逻辑。计算设备710可以被配置为实现与软件和/或硬件模块相对应的特定指令和/或功能。因此，例如通过使用处理系统的计算机可读存储介质和/或硬件元件714，可以至少部分地以硬件来实现将模块实现为可由计算设备710作为软件执行的模块。指令和/或功能可以由一个或多个制品（例如，一个或多个计算设备710和/或处理系统711）可执行/可操作以实现本文所述的技术、模块和示例。

[0080] 在各种实施方式中，计算设备710可以采用各种不同的配置。例如，计算设备710可以被实现为包括个人计算机、台式计算机、多屏幕计算机、膝上型计算机、上网本等的计算机类设备。计算设备710还可以被实现为包括诸如移动电话、便携式音乐播放器、便携式游戏设备、平板计算机、多屏幕计算机等移动设备的移动装置类设备。计算设备710还可以实现为电视类设备，其包括具有或连接到休闲观看环境中的一般地较大屏幕的设备。这些设备包括电视、机顶盒、游戏机等。

[0081] 本文描述的技术可以由计算设备710的这些各种配置来支持，并且不限于本文所描述的技术的具体示例。功能还可以通过使用分布式系统、诸如通过如下所述的平台722而在“云”720上全部或部分地实现。

[0082] 云720包括和/或代表用于资源724的平台722。平台722抽象云720的硬件（例如，服务器）和软件资源的底层功能。资源724可以包括在远离计算设备710的服务器上执行计算机处理时可以使用的应用和/或数据。资源724还可以包括通过因特网和/或通过诸如蜂窝或Wi‑Fi网络的订户网络提供的服务。

[0083] 平台722可以抽象资源和功能以将计算设备710与其他计算设备连接。平台722还可以用于抽象资源的分级以提供遇到的对于经由平台722实现的资源324的需求的相应水平的分级。因此，在互连设备实施例中，本文描述的功能的实现可以分布在整个系统700内。

[0084] 例如，功能可以部分地在计算设备710上以及通过抽象云720的功能的平台722来实现。

[0085] 应当理解，为清楚起见，参考不同的功能模块对本公开的实施例进行了描述。然而，将明显的是，在不偏离本公开的情况下，每个功能模块的功能性可以被实施在单个模块中、实施在多个模块中或作为其他功能模块的一部分被实施。例如，被说明成由单个模块执行的功能性可以由多个不同的模块来执行。因此，对特定功能模块的参考仅被视为对用于提供所描述的功能性的适当模块的参考，而不是表明严格的逻辑或物理结构或组织。因此，本公开可以被实施在单个模块中，或者可以在物理上和功能上被分布在不同的模块和电路之间。

[0086] 将理解的是，尽管第一、第二、第三等术语在本文中可以用来描述各种设备、元件、或部件，但是这些设备、元件、或部件不应当由这些术语限制。这些术语仅用来将一个设备、元件、或部件与另一个设备、元件、或部件相区分。

[0087] 尽管已经结合一些实施例描述了本公开，但是其不旨在被限于在本文中所阐述的特定形式。相反，本公开的范围仅由所附权利要求来限制。附加地，尽管单独的特征可以被包括在不同的权利要求中，但是这些可以可能地被有利地组合，并且包括在不同权利要求中不暗示特征的组合不是可行的和/或有利的。特征在权利要求中的次序不暗示特征必须以其工作的任何特定次序。此外，在权利要求中，词“包括”不排除其他元件，并且不定冠词“一”或“一个”不排除多个。权利要求中的附图标记仅作为明确的例子被提供，不应该被解释为以任何方式限制权利要求的范围。