本發(fā)明涉及醫(yī)學(xué)技術(shù)領(lǐng)域，特別是涉及一種預(yù)測圖像生成方法及裝置。

背景技術(shù)：

目前的可視化醫(yī)療診斷領(lǐng)域中，病灶圖像的處理和分析是常用的醫(yī)療技術(shù)手段之一，醫(yī)生可以通過對病灶圖像(如x光圖像、b超圖像、胃鏡照片、核磁影像等等)的分析深入了解患者的病灶情況，并給出合理的治療建議。

然而，大部分患者對醫(yī)學(xué)專業(yè)知識掌握有限，患者本人所了解到的僅是醫(yī)生依據(jù)病灶圖像分析到的結(jié)果，患者不能準(zhǔn)確和形象地預(yù)知自己未來的病灶演變情況。

因此，如何提供演變的病灶圖像以供用戶直接觀看成為了亟待解決的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明提供一種預(yù)測圖像生成方法及裝置，以解決現(xiàn)有的患者不能準(zhǔn)確和形象地預(yù)知自己的病灶未來演變情況的的問題。

為了解決上述問題，本發(fā)明公開了一種預(yù)測圖像生成方法，包括：獲取患者的特征信息；根據(jù)所述患者的特征信息確定所述患者的病灶圖像對應(yīng)的病程階段；將所述病灶圖像及所述病程階段輸入預(yù)先建立的圖像預(yù)測模型，生成所述患者的預(yù)測病灶圖像；所述預(yù)測病灶圖像為所述病程階段的演進(jìn)階段對應(yīng)的病灶圖像。

優(yōu)選地，所述圖像預(yù)測模型通過以下方式獲得：獲取病程連續(xù)的樣本病程階段及對應(yīng)的樣本病灶圖像；將所述病程連續(xù)的樣本病程階段及對應(yīng)的樣本病灶圖像，輸入預(yù)測模型進(jìn)行訓(xùn)練，獲得所述圖像預(yù)測模型。

優(yōu)選地，所述獲取患者的特征信息包括：接收所述患者的病歷數(shù)據(jù)；從所述病歷數(shù)據(jù)中提取所述患者的特征信息。

優(yōu)選地，所述根據(jù)所述患者的特征信息確定所述患者的病灶圖像對應(yīng)的病程階段，包括：根據(jù)所述患者的特征信息，在患者聚類類型中確定所述患者所屬的第一聚類類型；所述患者聚類類型為預(yù)先根據(jù)樣本患者特征信息通過聚類算法獲得的聚類類型，每種聚類類型對應(yīng)有圖像分類模型；將預(yù)先獲得的所述患者的病灶圖像輸入所述第一聚類類型對應(yīng)的第一圖像分類模型，確定所述病灶圖像對應(yīng)的病程階段。

優(yōu)選地，所述圖像分類模型通過以下方式獲得：獲取每種聚類類型下不同病程階段對應(yīng)的樣本病灶圖像；將所述不同病程階段對應(yīng)的樣本病灶圖像輸入分類模型進(jìn)行訓(xùn)練，獲得所述每種聚類類型對應(yīng)的圖像分類模型。

優(yōu)選地，所述根據(jù)所述患者的特征信息確定所述患者的病灶圖像對應(yīng)的病程階段，還包括：根據(jù)所述患者的特征信息，在患者聚類類型中確定所述患者所屬的第一聚類類型；所述患者聚類類型為預(yù)先根據(jù)樣本患者特征信息通過聚類算法獲得的聚類類型；根據(jù)所述患者的特征信息中包含的病程階段信息，在所述第一聚類類型對應(yīng)的圖像信息中確定所述患者的病程階段對應(yīng)的病灶圖像；所述圖像信息包括病程階段與病灶圖像的對應(yīng)關(guān)系。

為了解決上述問題，本發(fā)明還公開了一種預(yù)測圖像生成裝置，包括：特征信息獲取模塊，用于獲取患者的特征信息；病程階段確定模塊，用于根據(jù)所述患者的特征信息確定所述患者的病灶圖像對應(yīng)的病程階段；預(yù)測病灶圖像生成模塊，用于將所述病灶圖像及所述病程階段輸入預(yù)先建立的圖像預(yù)測模型，生成所述患者的預(yù)測病灶圖像；所述預(yù)測病灶圖像為所述病程階段的演進(jìn)階段對應(yīng)的病灶圖像。

優(yōu)選地，所述圖像預(yù)測模型通過以下方式獲得：獲取病程連續(xù)的樣本病程階段及對應(yīng)的樣本病灶圖像；將所述病程連續(xù)的樣本病程階段及對應(yīng)的樣本病灶圖像，輸入預(yù)測模型進(jìn)行訓(xùn)練，獲得所述圖像預(yù)測模型。

優(yōu)選地，所述特征信息獲取模塊包括：病歷數(shù)據(jù)接收子模塊，用于接收所述患者的病歷數(shù)據(jù)；特征信息提取子模塊，用于從所述病歷數(shù)據(jù)中提取所述患者的特征信息。

優(yōu)選地，所述病程階段確定模塊包括：第一聚類類型確定子模塊，用于根據(jù)所述患者的特征信息，在患者聚類類型中確定所述患者所屬的第一聚類類型；所述患者聚類類型為預(yù)先根據(jù)樣本患者特征信息通過聚類算法獲得的聚類類型，每種聚類類型對應(yīng)有圖像分類模型；病程階段對應(yīng)圖像確定子模塊，用于將預(yù)先獲得的所述患者的病灶圖像輸入所述第一聚類類型對應(yīng)的第一圖像分類模型，確定所述病灶圖像對應(yīng)的病程階段。

與現(xiàn)有技術(shù)相比，本發(fā)明包括以下優(yōu)點：

通過本發(fā)明實施例提供的預(yù)測圖像生成方法及裝置，在確定的患者的病灶圖像對應(yīng)的病程階段之后，將病灶圖像即病程階段輸入預(yù)先建立的圖像預(yù)測模型，生成患者的預(yù)測病灶圖像，因此，患者可以根據(jù)生成的預(yù)測病灶圖像可以直觀地觀察自己未來的病灶演變情況。

附圖說明

圖1示出了本發(fā)明實施例一的一種預(yù)測圖像生成方法的步驟流程圖；

圖1a示出了本發(fā)明實施例一的一種自然發(fā)展情形下的演變預(yù)測圖像的示意圖；

圖1b示出了本發(fā)明實施例一的一種采用治療方案一的情形下的演變預(yù)測圖像的示意圖；

圖1c示出了本發(fā)明實施例一的一種生成預(yù)測圖像模型的流程圖；

圖1d示出了本發(fā)明實施例一的一種生成預(yù)測圖像模型的流程圖；

圖1e示出了本發(fā)明實施例一的一種生成預(yù)測病灶圖像的流程圖；

圖1f示出了本發(fā)明實施例一的一種生成預(yù)測病灶圖像的流程圖；

圖1g示出了本發(fā)明實施例一的一種生成預(yù)測圖像生成模型的流程圖；

圖2示出了本發(fā)明實施例二的一種預(yù)測圖像生成方法的步驟流程圖；

圖2a示出了本發(fā)明實施例二的一種獲取病灶圖像所屬階段的流程圖；

圖3示出了本發(fā)明實施例三的一種預(yù)測圖像生成裝置的結(jié)構(gòu)示意圖；及

圖4示出了本發(fā)明實施例四的一種預(yù)測圖像生成裝置的結(jié)構(gòu)示意圖。

具體實施方式

為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結(jié)合附圖和具體實施方式對本發(fā)明作進(jìn)一步詳細(xì)的說明。

實施例一

參照圖1，示出了本發(fā)明實施例一的一種預(yù)測圖像生成方法的步驟流程圖，具體可以包括如下步驟：

步驟101：獲取患者的特征信息。

本發(fā)明實施例中，患者的特征信息可以包括：患者的年齡、體重、癥狀、病例中的檢驗項目等等。

優(yōu)選地，所述步驟101可以包括：接收所述患者的病歷數(shù)據(jù)；從所述病歷數(shù)據(jù)中提取所述患者的特征信息。

當(dāng)患者去醫(yī)院檢查身體時，會按照醫(yī)院要求填寫病歷數(shù)據(jù)表，該病歷數(shù)據(jù)表中也需要患者填寫個人信息，如姓名、年齡、身高、體重等等，并且，在每項體檢項目檢查完成之后，醫(yī)生會將檢查結(jié)果填入該患者的病歷數(shù)據(jù)表中。在該患者體檢完成之后，可以從患者的病歷數(shù)據(jù)中提取出該患者的特征信息。

在獲取患者的特征信息之后，則進(jìn)入步驟102。

步驟102：根據(jù)所述患者的特征信息確定所述患者的病灶圖像對應(yīng)的病程階段。

病灶圖像可以為x光圖像、b超圖像、胃鏡照片、核磁影像等等醫(yī)學(xué)影像，其中，預(yù)測病灶圖像為病程階段的演進(jìn)階段對應(yīng)的病灶圖像。

病程階段是基于年齡、身高、體重、患病類型及等等進(jìn)行的階段劃分，例如，可以將年齡在25～35歲、身高在168～178cm、體重在65～78kg、患病類型相同、病情嚴(yán)重程度相似的患者的病灶圖像劃分為同一階段。

不同階段的病灶圖像，其在自然發(fā)展情形下或在采用治療方案的發(fā)展情形下的病灶圖像演變預(yù)測結(jié)果是不相同的。

在本發(fā)明實施例中，可以根據(jù)患者的特征信息確定該患者的病灶圖像對應(yīng)的病程階段，例如，可以根據(jù)患者的特征信息中的患者的年齡、身高、體重、患病類型、所患疾病的嚴(yán)重程度等等信息，確定患者的病灶圖形對應(yīng)的病程階段。

而對于如何確定患者的病灶圖像對應(yīng)的病程階段將在下述實施例中詳細(xì)描述，在此不加以贅述。

優(yōu)選地，所述步驟102還可以包括：根據(jù)所述患者的特征信息，在患者聚類類型中確定所述患者所屬的第一聚類類型；所述患者聚類類型為預(yù)先根據(jù)樣本患者特征信息通過聚類算法獲得的聚類類型；根據(jù)所述患者的特征信息中包含的病程階段信息，在所述第一聚類類型對應(yīng)的圖像信息中確定所述患者的病程階段對應(yīng)的病灶圖像；所述圖像信息包括病程階段與病灶圖像的對應(yīng)關(guān)系。

在本發(fā)明實施例中，患者聚類類型為預(yù)先根據(jù)樣本患者特征信息通過聚類算法獲得的聚類類型，每種聚類類型對應(yīng)有圖像分類模型。

可以預(yù)先醫(yī)療大數(shù)據(jù)中獲取患有某種疾病的多個患者的病歷數(shù)據(jù)，并從多個患者的病歷數(shù)據(jù)中提取相應(yīng)的特征信息(如年齡、體重、癥狀、病例中的檢驗項目等)，然后依據(jù)提取的特征信息使用聚類算法對多個患者進(jìn)行聚類，得到患者的聚類類型，一個聚類類型對應(yīng)著該疾病的一個類型。

當(dāng)接收到當(dāng)前患者的特征信息，可以依據(jù)預(yù)先確定的患者聚類類型通過聚類算法獲得該患者所屬的第一聚類類型。

每種聚類類型的圖像信息包含了病程階段與病灶圖像的對應(yīng)關(guān)系，如果在第一聚類類型對應(yīng)的圖像信息中包含了患者未來某病程階段的病灶圖像時，則直接從該第一聚類類型的圖像信息中確定出當(dāng)前患者所需的病程階段對應(yīng)的病灶圖像，而無需再利用圖像預(yù)測模型對當(dāng)前患者的病灶圖像進(jìn)行處理。

在確定患者的病灶圖像的病程階段之后，進(jìn)入步驟103。

步驟103：將所述病灶圖像及所述病程階段輸入預(yù)先建立的圖像預(yù)測模型，生成所述患者的預(yù)測病灶圖像。

在本發(fā)明實施例中，預(yù)測病灶圖像可以為病程階段的演進(jìn)階段對應(yīng)的病灶圖像。預(yù)測病灶圖像可以包括病灶自然發(fā)展情形下的演變預(yù)測圖像，即在不使用任何治療方案的情況下，未來病灶的發(fā)展演變情況，如圖1a所示，第一張圖為患者當(dāng)前的胃鏡照片，此時患者胃部陰影塊面積較小，而在不采取任何治療方案的情況下，隨著時間的推移，病情會逐漸加重，發(fā)展到第x階段(即中間那張圖所示)時，胃部陰影塊面積與第一張圖相比明顯變大，表明了患者胃病加重，而如果繼續(xù)不采用任何治療方案，當(dāng)發(fā)展到第x+n階段(即最后一張圖所示)時，患者的整個胃部遭受病毒的侵襲。由此，患者可以根據(jù)生成的預(yù)測病灶圖像直觀的觀察自己在不進(jìn)行任何治療方案時未來病灶的演變情況。

相應(yīng)地，預(yù)測病灶圖像也可以包括在某種治療方案下的演變預(yù)測圖像，即采用了某種治療方案的情況下，未來病灶的發(fā)展演變情況，如圖1b所示，第一張圖為患者當(dāng)前的胃鏡照片，此時患者胃部有部分面積陰影塊，而在采用了治療方案一之后，隨著時間的推移，病情會得到緩解，發(fā)展到第x階段(即中間那張圖所示)時，胃部陰影塊面積與第一張圖相比明顯變小，表明了患者胃病的減輕，而繼續(xù)采用治療方案一，當(dāng)發(fā)展到第第x+n階段(即最后一張圖所示)時，患者的整個胃部已沒有任何陰影塊，表明了患者的胃病痊愈。由此，患者可以根據(jù)生成的預(yù)測病灶圖像直觀的觀察自己在采用治療方案一時未來病灶的演變情況。

可以理解地，不同病程階段的病灶圖像在自然發(fā)展?fàn)顩r下或者在采用相同治療方案的情形下，其病灶演變預(yù)測的結(jié)果是不相同的。并且，相同病程階段的病灶圖像在不同治療方案的情形下，其病灶圖像演變預(yù)測的結(jié)果也是不相同的，具體地，將在下述實施例中詳細(xì)說明，在此不再加以贅述。

優(yōu)選地，所述圖像預(yù)測模型可以通過以下方式獲得：

步驟n1：獲取病程連續(xù)的樣本病程階段及對應(yīng)的樣本病灶圖像；

步驟n2：將所述病程連續(xù)的樣本病程階段及對應(yīng)的樣本病灶圖像，輸入預(yù)測模型進(jìn)行訓(xùn)練，獲得所述圖像預(yù)測模型。

在本發(fā)明實施例中，病程連續(xù)的樣本病程階段及對應(yīng)的樣本病灶圖像可以從醫(yī)療大數(shù)據(jù)中獲取，在醫(yī)療大數(shù)據(jù)中存儲了所有患者在醫(yī)院檢查時的詳細(xì)信息，如年齡、身高、體重、性別、以及各項檢查數(shù)據(jù)等等，進(jìn)而在醫(yī)療大數(shù)據(jù)中就存儲了各類型疾病的病程階段及對應(yīng)的病灶圖像。

通過醫(yī)療大數(shù)據(jù)可以獲取各類型疾病的病程連續(xù)的樣本病程階段及對應(yīng)的樣本病灶圖像，通過將病程連續(xù)的樣本病程階段及對應(yīng)的樣本病灶圖像，輸入預(yù)測模型進(jìn)行訓(xùn)練，可以獲得圖像預(yù)測模型。

例如，獲取圖像預(yù)測模型的方式如圖1c～圖1d所示，首先，如圖1c所示，從醫(yī)療大數(shù)據(jù)中獲取同一類型疾病的多個患者的病歷數(shù)據(jù)，分別從各個患者的病歷數(shù)據(jù)中提取出患者的特征信息，如圖所示，獲取患者年齡、病史、同期其他疾病情況、體征參數(shù)、血常規(guī)等化驗數(shù)據(jù)，并獲取各病程階段的病灶圖像。然后，如圖1d所示，依據(jù)獲取的在該類型疾病下多個患者的特征信息及病灶圖像，生成病程階段1～n的預(yù)測圖像，由此建立該類型疾病在相應(yīng)病程階段的圖像預(yù)測模型，通過此種方式可以建立不同類型疾病不同病程階段的圖像預(yù)測模型。

在獲取到圖像預(yù)測模型之后，可以將當(dāng)前患者的病灶圖像及對應(yīng)的病程階段輸入預(yù)先建立的圖像預(yù)測模型，生成患者的預(yù)測病灶圖像，例如，如1e所示，將當(dāng)前患者的病歷數(shù)據(jù)、年齡體重等相關(guān)體征參數(shù)輸入圖像預(yù)測模型中，首先進(jìn)行患者類型的匹配，在獲取到匹配的患者類型之后，輸入該患者的當(dāng)前病灶圖像并進(jìn)行匹配，以獲取與該病灶圖像匹配的圖像預(yù)測模型。然后，如圖1f所示，依據(jù)患者當(dāng)前的病灶圖像及其對應(yīng)的病程階段x，由匹配的圖像預(yù)測模型輸出對應(yīng)的未來病程階段的演變預(yù)測圖像，如輸出病程階段x+1的演變預(yù)測圖像，也可以輸出病程階段x+1的演變預(yù)測圖像，可以根據(jù)患者的需求輸出所要獲取到的某階段的演變預(yù)測圖像。

相應(yīng)地，將病程連續(xù)的樣本病程階段及對應(yīng)的樣本病灶圖像，輸入目前常用的預(yù)測模型(如灰色預(yù)測模型等等)進(jìn)行訓(xùn)練，獲得圖像預(yù)測模型，可以通過如圖1g所示的方式進(jìn)行：

步驟m1：對每個類型的每個階段的病灶圖像建立一個圖像生成模型，其中，圖像生成模型可以包括：編碼器和解碼器(編碼器和解碼器均可以采用現(xiàn)有技術(shù)中常用的cnn模型)；

步驟m2：將患者的類型i中的第i階段的病灶圖像輸入編碼器；

步驟m3：編碼器將輸入的圖像編碼成為固定長度的向量d；

步驟m4：將向量d輸入解碼器，并將類型i中第i+1階段對應(yīng)的病灶圖像作為輸出。

通過上述方式來生成圖像生成模型，在圖像生成模型訓(xùn)練完成之后，則對于輸入的患者的病灶圖像則可以產(chǎn)生i+1階段的病灶圖像，進(jìn)而以i+1階段的病灶圖像作為輸入，進(jìn)而產(chǎn)生i+2階段的病灶圖像，以此可以獲取患者所需的當(dāng)前階段之后的連續(xù)i+1、i+2、…、i+n個階段的病灶圖像，進(jìn)而以不同階段的病灶圖像作為訓(xùn)練數(shù)據(jù)以訓(xùn)練預(yù)測模型，得到圖像預(yù)測模型。

在實際應(yīng)用中，由于從醫(yī)療大數(shù)據(jù)中所獲取的各類的相同病程階段的病灶圖像是相當(dāng)多數(shù)量的，因此，本申請實施例可以通過圖像生成模型將從醫(yī)療大數(shù)據(jù)中所獲取的同一類型的相同病程階段的病灶圖像進(jìn)行訓(xùn)練，以獲取該類型的在當(dāng)前階段的統(tǒng)一的病灶圖像，進(jìn)而獲取該類型的，不同階段的同一的病灶圖像進(jìn)行訓(xùn)練以獲取預(yù)測圖像模型，以用于對患者的病灶圖像對應(yīng)的未來各個階段的預(yù)測病灶圖像進(jìn)行預(yù)測。

本發(fā)明實施例通過在確定的患者的病灶圖像對應(yīng)的病程階段之后，將病灶圖像即病程階段輸入預(yù)先建立的圖像預(yù)測模型，生成患者的預(yù)測病灶圖像，因此，患者可以根據(jù)生成的預(yù)測病灶圖像可以直觀地觀察自己未來的病灶演變情況。

實施例二

參照圖2，示出了本發(fā)明實施例二的一種預(yù)測圖像生成方法的步驟流程圖，具體可以包括如下步驟：

步驟201：獲取患者的特征信息。

在本發(fā)明實施例中，患者的特征信息可以包括：患者的年齡、體重、癥狀、病例中的檢驗項目等等。

在獲取患者的特征信息之后，則進(jìn)入步驟202。

步驟202：根據(jù)所述患者的特征信息，在患者聚類類型中確定所述患者所屬的第一聚類類型。

在本發(fā)明實施例中，患者聚類類型為預(yù)先根據(jù)樣本患者特征信息通過聚類算法獲得的聚類類型，每種聚類類型對應(yīng)有圖像分類模型。

可以預(yù)先醫(yī)療大數(shù)據(jù)中獲取患有某種疾病的多個患者的病歷數(shù)據(jù)，并從多個患者的病歷數(shù)據(jù)中提取相應(yīng)的特征信息(如年齡、體重、癥狀、病例中的檢驗項目等)，然后依據(jù)提取的特征信息使用聚類算法對多個患者進(jìn)行聚類，得到患者的聚類類型，一個聚類類型對應(yīng)著該疾病的一個類型。

當(dāng)接收到當(dāng)前患者的特征信息，可以依據(jù)預(yù)先確定的患者聚類類型通過聚類算法獲得該患者所屬的第一聚類類型。

在確定了當(dāng)前患者所屬的第一聚類類型之后，進(jìn)入步驟203。

步驟203：將預(yù)先獲得的所述患者的病灶圖像輸入所述第一聚類類型對應(yīng)的第一圖像分類模型，確定所述病灶圖像對應(yīng)的病程階段。

而由于不同的聚類類型對應(yīng)有不同的圖像分類模型，在確定當(dāng)前患者所屬的第一聚類類型之后，可以獲取到與患者所屬第一聚類類型對應(yīng)的第一圖像分類模型，確定該患者的病灶圖像對應(yīng)的病程階段。

優(yōu)選地，所屬圖像分類模型可以通過以下方式獲得：

步驟s1：獲取每種聚類類型下不同病程階段對應(yīng)的樣本病灶圖像；

步驟s2：將所述不同病程階段對應(yīng)的樣本病灶圖像輸入分類模型進(jìn)行訓(xùn)練，獲得所述每種聚類類型對應(yīng)的圖像分類模型。

首先，從醫(yī)療大數(shù)據(jù)中獲取m個患者的數(shù)據(jù)(如病例數(shù)據(jù)、醫(yī)學(xué)圖像數(shù)據(jù)、體征癥狀等等)，然后從這些患者的數(shù)據(jù)中提取出相應(yīng)的特征信息(如年齡、體重、癥狀、病例中的檢驗項目等)，依據(jù)提取的這些特征信息使用聚類算法對m個患者進(jìn)行聚類，得到相應(yīng)的聚類類型，每種聚類類型對應(yīng)著某種疾病的一個類型。然后針對每種聚類類型建立一個分類器，利用分類器對屬于該聚類類型的患者的病灶圖像所處的病程階段進(jìn)行分類，進(jìn)而以該聚類類型下m個患者中所有的病灶圖像及其所屬階段作為訓(xùn)練數(shù)據(jù)，訓(xùn)練生成對應(yīng)的圖像分類模型。

而對于采用分類對病灶圖像所處的病程階段進(jìn)行分類以獲取圖像分類模型可以采用如下方式進(jìn)行：

如圖2a所示，首先，將所獲取某類型疾病下的患者病灶圖像，并將患者的病灶圖像輸入cnn模型，由cnn模型輸出對應(yīng)一個d維向量，其中d為大于等于2的正整數(shù)，該d維向量用于表示患者的病灶圖像，然后，將該d維向量輸入到svm分類器中以判斷該d維向量所屬的階段，也即患者病灶圖像所屬的病程階段。進(jìn)而，在對所有患者的病灶圖像所屬的病程階段進(jìn)行確定之后，則以該類型疾病下的患者的病灶圖像所屬的病程階段作為訓(xùn)練數(shù)據(jù)，以訓(xùn)練得到圖像分類模型。

而對于cnn模型如何輸出d維向量及svm分類器判斷d維向量所屬的階段均屬本領(lǐng)域現(xiàn)有技術(shù)，本發(fā)明實施例在此不再加以贅述。

步驟204：將所述病灶圖像及所述病程階段輸入預(yù)先建立的圖像預(yù)測模型，生成所述患者的預(yù)測病灶圖像。

在本發(fā)明實施例中，預(yù)測病灶圖像可以為病程階段的演進(jìn)階段對應(yīng)的病灶圖像，例如，當(dāng)前病灶圖像的病程階段為n，則預(yù)測病灶圖像則為當(dāng)前病程階段下一階段或下x階段的預(yù)測病灶圖像，如x+1病程階段、…、x+n病程階段。

而對于具體獲取幾個階段的預(yù)測病灶圖像可以根據(jù)患者的需求進(jìn)行設(shè)置，本發(fā)明實施例對此不加以限制。

將所獲取的當(dāng)前患者的病灶圖像及病灶圖像對應(yīng)的病程階段輸入預(yù)先建立的圖像預(yù)測模型中，進(jìn)而由預(yù)測模型輸出當(dāng)前患者的病灶圖像對應(yīng)的預(yù)測病灶圖像。

本發(fā)明實施例通過在確定的患者的病灶圖像對應(yīng)的病程階段之后，將病灶圖像即病程階段輸入預(yù)先建立的圖像預(yù)測模型，生成患者的預(yù)測病灶圖像，因此，患者可以根據(jù)生成的預(yù)測病灶圖像可以直觀地觀察自己未來的病灶演變情況。

實施例三

參照圖3，示出了本發(fā)明實施例三的一種預(yù)測圖像生成裝置的結(jié)構(gòu)示意圖，具體可以包括如下模塊：

特征信息獲取模塊301，用于獲取患者的特征信息；

所述特征信息獲取模塊301可以包括：

病歷數(shù)據(jù)接收子模塊，用于接收所述患者的病歷數(shù)據(jù)；

特征信息提取子模塊，用于從所述病歷數(shù)據(jù)中提取所述患者的特征信息。

病程階段確定模塊302，用于根據(jù)所述患者的特征信息確定所述患者的病灶圖像對應(yīng)的病程階段；

預(yù)測病灶圖像生成模塊303，用于將所述病灶圖像及所述病程階段輸入預(yù)先建立的圖像預(yù)測模型，生成所述患者的預(yù)測病灶圖像；所述預(yù)測病灶圖像為所述病程階段的演進(jìn)階段對應(yīng)的病灶圖像。

優(yōu)選地，所述圖像預(yù)測模型通過以下方式獲得：

獲取病程連續(xù)的樣本病程階段及對應(yīng)的樣本病灶圖像；

將所述病程連續(xù)的樣本病程階段及對應(yīng)的樣本病灶圖像，輸入預(yù)測模型進(jìn)行訓(xùn)練，獲得所述圖像預(yù)測模型。

實施例四

參照圖4，示出了本發(fā)明實施例四的一種預(yù)測圖像生成裝置的結(jié)構(gòu)示意圖，具體可以包括如下模塊：

特征信息獲取模塊401，用于獲取患者的特征信息；

病程階段確定模塊402，用于根據(jù)所述患者的特征信息確定所述患者的病灶圖像對應(yīng)的病程階段；

優(yōu)選地，所述病程階段確定模塊402可以包括：

第一聚類類型確定子模塊4022，用于根據(jù)所述患者的特征信息，在患者聚類類型中確定所述患者所屬的第一聚類類型；所述患者聚類類型為預(yù)先根據(jù)樣本患者特征信息通過聚類算法獲得的聚類類型，每種聚類類型對應(yīng)有圖像分類模型；

病程階段對應(yīng)圖像確定子模塊4024，用于將預(yù)先獲得的所述患者的病灶圖像輸入所述第一聚類類型對應(yīng)的第一圖像分類模型，確定所述病灶圖像對應(yīng)的病程階段。

預(yù)測病灶圖像生成模塊403，用于將所述病灶圖像及所述病程階段輸入預(yù)先建立的圖像預(yù)測模型，生成所述患者的預(yù)測病灶圖像；所述預(yù)測病灶圖像為所述病程階段的演進(jìn)階段對應(yīng)的病灶圖像。

對于前述的各方法實施例，為了簡單描述，故將其都表述為一系列的動作組合，但是本領(lǐng)域技術(shù)人員應(yīng)該知悉，本發(fā)明并不受所描述的動作順序的限制，因為依據(jù)本發(fā)明，某些步驟可以采用其他順序或者同時進(jìn)行。其次，本領(lǐng)域技術(shù)人員也應(yīng)該知悉，說明書中所描述的實施例均屬于優(yōu)選實施例，所涉及的動作和模塊并不一定是本發(fā)明所必須的。

本說明書中的各個實施例均采用遞進(jìn)的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似的部分互相參見即可。

最后，還需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、商品或者設(shè)備中還存在另外的相同要素。

以上對本發(fā)明所提供的一種預(yù)測圖像生成方法及裝置，進(jìn)行了詳細(xì)介紹，本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方式進(jìn)行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實施方式及應(yīng)用范圍上均會有改變之處，綜上所述，本說明書內(nèi)容不應(yīng)理解為對本發(fā)明的限制。