CN110517783A - 模型训练方法、装置以及心脏疾病诊断装置、设备、介质 - Google Patents
模型训练方法、装置以及心脏疾病诊断装置、设备、介质 Download PDFInfo
- Publication number
- CN110517783A CN110517783A CN201910883474.8A CN201910883474A CN110517783A CN 110517783 A CN110517783 A CN 110517783A CN 201910883474 A CN201910883474 A CN 201910883474A CN 110517783 A CN110517783 A CN 110517783A
- Authority
- CN
- China
- Prior art keywords
- parameter
- heart disease
- disease diagnosis
- heart
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Abstract
本申请公开了一种心脏疾病诊断装置,包括:心脏结构与功能参数获取模块,用于针对目标对象的心脏图像获取预设的心脏结构参数和心脏功能参数;模型预测模块,用于根据所述心脏结构参数和所述心脏功能参数生成参数向量,将所述参数向量输入预先训练的心脏疾病诊断模型,通过所述心脏疾病诊断模型对所述参数向量进行卷积处理得到所述参数向量的形态特征并根据所述参数向量的形态特征确定所述目标对象的心脏疾病诊断类别。通过利用卷积神经网络提取参数向量形态特征进行心脏疾病诊断,提高了诊断精度。本申请还公开了模型训练方法、装置、设备及介质。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及一种心脏疾病诊断装置、心脏疾病诊断模型训练方法、心脏疾病诊断模型训练装置、用于进行心脏疾病诊断的设备以及介质。
背景技术
心脏病是发病率最高的疾病,而且近年来心脏病的发病率以及死亡率明显上升,因此对于心脏病预先有效诊断预防的技术研究成为医疗行业的重点。而随着人工智能技术在各个领域的发展和应用,基于机器学习方法诊断心脏疾病已经成为技术发展趋势。
然而,目前常用的机器学习方法包括支持向量机、随机森林、逻辑回归等传统机器学习方法,其仅能区分向量值,在心脏病诊断应用上性能表现都不够好,因此,基于机器学习方法实现心脏病诊断还需要进一步研究新方案,以提高诊断性能。
发明内容
本申请实施例提供了一种心脏疾病诊断装置,该装置通过预先训练的心脏疾病诊断模型提取心脏结构参数和心脏功能参数形成的参数向量的形态特征,基于该形态特征进行心脏疾病分类,提高诊断精度。本申请还提供了心脏疾病诊断模型训练方法、心脏疾病诊断模型训练装置、用于心脏疾病诊断的设备以及计算机存储介质、计算机程序产品。
本申请第一方面提供了一种心脏疾病诊断装置,包括:
心脏结构与功能参数获取模块,用于针对目标对象的心脏图像获取预设的心脏结构参数和心脏功能参数;
模型预测模块,用于根据所述心脏结构参数和所述心脏功能参数生成参数向量,将所述参数向量输入预先训练的心脏疾病诊断模型,通过所述心脏疾病诊断模型对所述参数向量进行卷积处理得到所述参数向量的形态特征并根据所述参数向量的形态特征确定所述目标对象的心脏疾病诊断类别。
本申请第二方面提供一种心脏疾病诊断模型训练方法,所述方法包括:
获取样本集,所述样本集包括多个样本数据,每个样本数据包括参数向量以及心脏疾病标注类别;所述参数向量是对心脏图像进行参数提取所得的心脏结构参数和心脏功能参数排列生成的;
根据所述样本集对卷积神经网络的参数进行训练,得到心脏疾病诊断模型,所述心脏疾病诊断模型是以基于心脏图像确定的参数向量为输入,以预测的目标对象属于各心脏疾病诊断类别的预测概率为输出的卷积神经网络模型。
本申请第三方面提供一种心脏疾病诊断模型训练装置,包括:
获取模块,用于获取样本集,所述样本集包括多个样本数据,每个样本数据包括参数向量以及心脏疾病标注类别;所述参数向量是对心脏图像进行参数提取所得的心脏结构参数和心脏功能参数排列生成的;
训练模块,用于根据所述样本集对卷积神经网络的参数进行训练,得到心脏疾病诊断模型,所述心脏疾病诊断模型是以基于心脏图像确定的参数向量为输入,以预测的目标对象属于各心脏疾病诊断类别的预测概率为输出的卷积神经网络模型。
本申请第四方面提供一种用于进行心脏疾病诊断的设备,所述设备包括:
处理器、存储器以及输出部件;
其中,所述存储器中存储有计算机程序;
所述处理器用于执行所述计算机程序,实现以下功能:
针对目标对象的心脏图像获取预设的心脏结构参数和心脏功能参数;
用于根据所述心脏结构参数和所述心脏功能参数生成参数向量,将所述参数向量输入预先训练的心脏疾病诊断模型,通过所述心脏疾病诊断模型对所述参数向量进行卷积处理得到所述参数向量的形态特征并根据所述参数向量的形态特征确定所述目标对象的心脏疾病诊断类别;
所述输出部件,用于输出所述处理器确定的所述目标对象的心脏疾病诊断类别。
本申请第五方面提供一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序在被执行时用于实现以下操作:
针对目标对象的心脏图像获取预设的心脏结构参数和心脏功能参数;
根据所述心脏结构参数和所述心脏功能参数生成参数向量,将所述参数向量输入预先训练的心脏疾病诊断模型,通过所述心脏疾病诊断模型对所述参数向量进行卷积处理得到所述参数向量的形态特征并根据所述参数向量的形态特征确定所述目标对象的心脏疾病诊断类别。本申请第六方面提供一种包括指令的计算机程序产品,当其在计算机上运行时,使得所述计算机执行如下操作:
针对目标对象的心脏图像获取预设的心脏结构参数和心脏功能参数;
根据所述心脏结构参数和所述心脏功能参数生成参数向量,将所述参数向量输入预先训练的心脏疾病诊断模型,通过所述心脏疾病诊断模型对所述参数向量进行卷积处理得到所述参数向量的形态特征并根据所述参数向量的形态特征确定所述目标对象的心脏疾病诊断类别。
从以上技术方案可以看出,本申请实施例具有以下优点:
在训练心脏疾病诊断模型时,利用卷积神经网络对标准化处理后的样本集中的样本数据进行机器学习,如此,不仅能区分样本数据中心脏结构参数和心脏功能参数形成的参数向量的向量值,还能够获取参数向量的形态特征,而且基于样本数据中预先标注的心脏疾病类别,能够自动建立参数向量的形态特征与疾病的关联关系,因此,与传统的基于向量值进行疾病诊断相比,基于该形态特征进行心脏疾病分类更准确。基于上述心脏疾病诊断模型诊断方法训练的心脏疾病诊断模型形成的心脏疾病诊断装置具有较高的诊断精度。
附图说明
图1为本申请实施例中心脏疾病诊断模型训练方法的系统架构图;
图2为本申请实施例中心脏疾病诊断模型训练方法的流程图;
图3为本申请实施例中心脏疾病诊断模型训练方法的流程图;
图4为本申请实施例中心脏疾病诊断模型的结构示意图;
图5为本申请实施例中心脏疾病诊断模型训练装置的结构示意图;
图6为本申请实施例中心脏疾病诊断装置的结构示意图;
图7位本申请实施例中用于进行心脏疾病诊断的设备的结构示意图;
图8为本申请实施例中服务器的一个结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
针对目前常用的机器学习方法如支持向量机、随机森林、逻辑回归仅能区分向量值,在心脏病诊断应用上性能表现都不够好的问题,本申请提供了一种心脏疾病诊断模型训练方法,该方法基于深度学习,利用卷积神经网络提取参数向量的形态特征,基于该形态特征进行心脏疾病分类,从而提高心脏疾病模型的诊断精度。
可以理解,本申请提供的心脏疾病诊断模型训练方法可以应用于任意具有图像处理能力的处理设备,该处理设备具体可以是包括中央处理器(Central Processing Unit,CPU)和/或图形处理器(Graphics Processing Unit,GPU)的终端或服务器,其中,终端包括个人计算机(Personal Computer,PC)或者工作站。
上述心脏疾病诊断模型训练方法能够以计算机程序的形式存储于处理设备,处理设备通过运行计算机程序实现本申请的心脏疾病诊断模型训练方法。其中,计算机程序可以是独立的,也可以是以集成于其他计算机程序的形式存在,例如可以是集成于其他应用程序的功能模块、插件或者小程序等等。
可以理解,本申请提供的心脏疾病诊断模型训练方法可以应用于包括但不限于如图1所示的应用环境中。
如图1所示,服务器101与样本数据库102通过网络连接,服务器101从样本数据库102中获取样本集,样本集中包括多个样本数据,每个样本数据包括对不同的心脏图像进行参数提取所得的心脏结构参数和心脏功能参数排列生成的参数向量以及对应的心脏疾病标注类别,接着根据样本集对卷积神经网络的参数进行训练,从而得到心脏疾病诊断模型。
其中,图1是以服务器作为训练主体进行示例性说明的,接下来将从服务器的角度对训练过程进行详细介绍。需要说明的是,在本申请实施例其他可能的实现方式中,也可以是终端实现本申请的心脏疾病诊断模型训练方法。
参见图2所示的心脏疾病诊断模型训练方法的流程图,该方法包括:
S201:获取样本集。
所述样本集包括多个样本数据,每个样本数据包括参数向量以及心脏疾病标注类别;参数向量是对心脏图像进行参数提取所得的心脏结构参数和心脏功能参数排列生成的。
在具体实现时,可以通过扫描设备如CT扫描仪、磁共振扫描仪等对心脏进行扫描得到心脏图像,为了提取心脏结构与功能特征,可以通过自动化分割方法或者手工分割方法对上述心脏图像进行分割,分别提取舒张端心脏图像和收缩端心脏图像。针对舒张端心脏图像和收缩端心脏图像,可以将其背景部分采用像素值为0的像素点表征,左心室部分采用像素值为3的像素点表征,右心室部分采用像素值为1的像素点表征,左心室心肌部分采用像素值为2的像素点表征,如此,可以通过3D数组标识上述舒张端心脏图像和收缩端心脏图像。
基于标识舒张端心脏图像和收缩端心脏图像的3D数组可以计算得到心脏结构参数,如体积等参数,进一步地,基于上述心脏结构参数可以计算得到心脏功能参数,如心搏量、射血分数等等。将心脏结构参数和心脏功能参数进行排列可以生成参数向量,然后通过人工或自动方式标注对应于该参数向量的心脏疾病类别,即心脏疾病标注类别,根据参数向量和对应的心脏疾病标注类别生成样本数据。
在实际应用时,可以将收集的样本数据存储于样本数据库,如此,服务器在进行疾病诊断模型训练时,可以直接从样本数据库中获取样本集,基于该样本集进行模型训练。
S202:根据所述样本集对卷积神经网络的参数进行训练,得到心脏疾病诊断模型。
所述心脏疾病诊断模型是以基于心脏图像确定的参数向量为输入,以预测的目标对象属于各心脏疾病诊断类别的预测概率为输出的卷积神经网络模型。将参数向量输入卷积神经网络后,通过卷积神经网络不仅可以提取参数向量的向量值,如左右心室体积、射血分数及心肌质量等等,还能够自动提取参数向量的形态特征,该形态特征能够有效地表达局部病变,对于心脏疾病具有较好的分辨率,基于该形态特征能够对心脏疾病类别进行预测。
根据针对心脏疾病类别的预测结果和样本数据中心脏疾病标注类别可以计算卷积神经网络的损失函数,基于该损失函数可以更新卷积神经网络的参数,实现卷积神经网络的训练。
由于损失函数表征了预测心脏疾病类别与真实心脏疾病类别的偏差,因此,在每一轮迭代更新过程中,服务器可基于该卷积神经网络的损失函数确定是否满足训练结束条件。
具体地,卷积神经网络的损失函数趋于收敛状态时,表征卷积神经网络进一步优化的空间较小,可以视为满足训练结束条件,服务器可将此时的卷积神经网络作为心脏疾病诊断模型。当然,卷积神经网络的损失函数小于预设值时,则表明卷积神经网络的预测结果比较接近真实结果,也可视为满足训练结束条件,服务器可将此时卷积神经网络作为心脏疾病诊断模型。
由上可知,本申请实施例提供了一种心脏疾病诊断模型的训练方法,具体地,基于深度学习,利用卷积神经网络从心脏结构参数和心脏功能参数形成的参数向量中提取参数向量的形态特征,与常规的心脏结构参数、心脏功能参数相比,形态特征能够给局部发生病变的心脏疾病诊断,如局部心梗诊断提供帮助,因此,在通过深度学习自动建立参数向量的形态特征与心脏疾病的关联关系后,可以实现基于该关联关系实现心脏疾病分类,并且具有较高的分类准确率,提高了心脏疾病诊断模型的精度。
考虑到训练过程中样本数量有限,为了在有限的训练样本基础上提高训练精度,在实际应用时,服务器还可以采用多折交叉训练法训练得到多个分类模型,并基于多个分类模型的分类结果确定最终分类结果,如此可以减少偶然误差,提高诊断精度。
接下来,结合具体实施例对采用多折交叉训练法训练心脏疾病诊断模型进行详细说明,参见图3所示的流程图,根据所述样本集对卷积神经网络的参数进行训练得到心脏疾病诊断模型具体包括如下步骤:
S2021:将所述样本集中样本随机分成S份得到S份样本子集。
所述S为大于2的整数,具体可以根据实际需求而设置,作为一个实例,S可以为5,或者10,也即可以通过5折交叉训练法或10折交叉训练法训练心脏疾病诊断模型。
S2022:针对所述S份样本子集进行S次随机选择得到S组训练集和测试集。
在实际应用时,训练样本数量一般远多于测试样本数量,因此,可以每次随机选择将所述S份样本子集中随机抽取得S-1份作为训练集,剩余一份作为测试集,如此,通过S次随机选择可以得到S组训练集和测试集。
S2023:基于S次随机选择所得的S组训练集和测试集,并行地训练所述卷积神经网络的参数得到满足收敛条件的S个所述心脏疾病诊断模型。
针对每组训练集和测试集,服务器可以利用训练集中的样本数据训练卷积神经网络的参数,并在满足训练结束条件,如卷积神经网络的损失函数呈现收敛状态时,停止训练,得到心脏疾病诊断模型,然后利用测试集中的样本数据预测心脏疾病类型,并根据预测结果与预先标注的心脏疾病标注类别确定该心脏疾病诊断模型的性能。通过对S组训练集和测试集并行训练,一方面具有较高的训练效率,另一方面通过训练得到的S个心脏疾病诊断模型可以实现模型择优,提高模型诊断精度。
需要说明的是,本申请实施例是基于卷积神经网络训练得到心脏疾病诊断模型的,基于此,该心脏疾病诊断模型的具体包括第一卷积层、最大池化层、N个第二卷积层、随机失活层Dropout和全连接层以及归类层,其中N取值为正整数。
需要说明的是,该心脏疾病诊断模型中所包括的N个第二卷积层的卷积核的格式和输出通道数可以相同,也可以不相同。
为了方便理解,本申请提供了心脏疾病诊断模型的一个示意图,如图4所示,该模型以参数向量为输入,以目标对象属于各心脏疾病诊断类别的预测概率为输出,模型第1层为第一卷积层即图中卷积层1,参数向量首先输入至上述第一卷积层,在该示例中,第一卷积层的卷积核为3,输出通道为32,对应步幅为1,其激活函数为ReLU,第一卷积层后接最大池化层,其卷积核为2,步幅为2,为了防止过拟合,在该最大池化层之后还连接有Dropout层,保持概率为0.5,接着连接与一个第二卷积层,即图中卷积层2,其卷积核为3,输出通道数为64,激活函数为ReLU,为防止过拟合,继续增加Dropout层,保持概率为0.5,然后连接有全连接层和分类层,其中,分类层激活函数为softmax。
由于该示例中样本数据较少,因此,上述模型仅设置2层卷积层,随着样本数据量的增加,可以增加卷积层。为了防止过拟合,可以针对每层卷积层均采用L2正则化,其衰变系数在本实施例中可以设置为0.001。需要说明的是,图4示例是在每层卷积层后均增加Dropout层,在实际应用时,也可以仅在最后一层卷积层后连接Dropout层。
可以理解,在进行模型训练时,选择合适的优化器以及损失函数,有利于提高训练效率和训练效果。在实际应用时,可以选择adam优化器进行优化,选择分类交叉熵损失函数作为模型的损失函数,基于此,服务器可以根据卷积神经网络预测样本数据中参数向量所得的预测类别和所述样本数据中参数向量对应的标注类别,确定分类交叉熵,然后根据所述分类交叉熵调整所述卷积神经网络的参数,从而实现参数更新。
具体地,在确定分类交叉熵时,可以将样本数据中参数向量对应的标注类别的分布记作p,预测类别的分布记作q,按照真实分布p来衡量识别一个样本所需要的编码长度的期望(即平均编码长度)为:i为样本编号,按照预测分布q表示来自真实分布p的平均编码长度,则应该是:其中,H(p,q)即为分类交叉熵。
可以理解,分类交叉熵作为损失函数可以衡量p与q的相似性。此外,还有一个好处是使用sigmoid函数在梯度下降时能避免均方误差损失函数学习速率降低的问题,学习速率可以被输出的误差所控制。
考虑到输入模型的参数向量是由不同维度参数形成,为了方便处理,还可以对样本集中每个样本数据进行标准化处理,得到预处理的样本集,然后以预处理的样本集训练心脏疾病诊断模型。
其中,对样本数据进行标准化处理具体可以通过按参数计算训练样本的平均值与方差,然后根据平均值和方差得到标准化处理后的样本值,具体可以参见如下公式:
预处理后的样本值=(预处理前样本值-平均值)/方差。
为了便于理解,接下来对计算心脏结构参数、心脏功能参数以及标准化处理过程进行详细说明。
在一些可能的实现方式中,心脏结构参数包括心脏各部位基础参数、心肌结构形态特征参数以及心脏结构相对参数。接下来对确定上述心脏结构参数的具体实现进行介绍。
针对心脏各部位基础参数,可以先根据扫描得到的图像文件获取像素点尺度信息,包括像素长、宽以及切片间隔,将三者相乘得出一个像素点代表的空间体积dotV,然后基于心脏图像3D数组和上述dotV计算心脏各部位基础参数。
其中,心脏各部位基础参数计算如下:
舒张端左心室体积ED_LV=舒张端数组值为3的个数*dotV。
舒张端右心室体积ED_RV=舒张端数组值为1的个数*dotV。
舒张端左心室心肌体积ED_MV=舒张端数组值为2的个数*dotV。
舒张端左心室心肌质量ED_MM=ED_MV*1.05。
收缩端左心室体积ES_LV=收缩端数组值为3的个数*dotV。
收缩端右心室体积ES_RV=收缩端数组值为1的个数*dotV。
收缩端左心室心肌体积ES_MV=收缩端数组值为2的个数*dotV。
心肌结构形态特征参数具体包括舒张端心肌壁厚度总体平均值、舒张端心肌壁厚度方差的平均值、收缩端心肌壁厚度总体平均值、收缩端心肌壁厚度方差的平均值以及心肌壁厚度增量中一种或多种参数。可以通过如下方式计算:
舒张端心肌壁厚度总体平均值=舒张端每张切片图像心肌壁厚度平均值的和/用于计算的切片数。
舒张端心肌壁厚度方差的平均值=舒张端每张切片图像心肌壁壁厚度方差的和/用于计算的切片数。
收缩端心肌壁厚度总体平均值=收缩端每张切片图像心肌壁厚度平均值的和/用于计算的切片数。
收缩端心肌壁厚度方差的平均值=收缩端每张切片图像心肌壁厚度方差的和/用于计算的切片数。
心肌壁厚度增量(取百分比)=(舒张端心肌壁厚度总体平均值-收缩端心肌壁厚度总体平均值)/舒张端心肌壁厚度总体平均值。
心脏结构相对参数包括舒张端左右心室体积比、收缩端左右心室体积比、舒张端左心室心肌体积与舒张端左心室体积比以及舒张端左心室心肌质量与舒张端右心室体积比中一种或多种参数具体可以通过如下方式计算:
舒张端左右心室体积比ED_VR=ED_LV/ED_RV。
收缩端左右心室体积比ES_VR=ES_LV/ES_RV。
舒张端左心室心肌体积与舒张端左心室体积比ML_VR=ED_MV/ED_LV。
舒张端左心室心肌质量与舒张端右心室体积比MR_MVR=ED_MM/ED_RV。
在一些可能的实现方式中,心脏功能参数包括左心室心搏量、左心室射血分数、右心室心搏量、右心室射血分数中一种或多种,可以通过如下方式计算:
左心室心搏量LSV=ED_LV-ES_LV。
左心室射血分数LEF=LSV/ED_LV。
右心室心搏量RSV=ED_RV-ES_RV。
右心室射血分数REF=RSV/ED_RV。
在得到所有样本数据的上述参数之后,可以生成针对每个参数的参数序列,如左心室心搏量这一参数,假设共有100个样本数据,可以得到100个左心室心搏量形成的序列,然后针对每个参数的参数序列分别统计平均值和方差,然后针对每个样本,分别将其样本值与平均值进行作差,然后将差值与方差作比,得到比值作为标准化处理后的样本值。服务器基于处理后的样本值进行模型训练。
也即,本申请建立了一套新的心脏结构与功能参数及基于深度学习卷积网络的参数特征提取与疾病分类模型,疾病识别精度超越了当前常规机器学习方法。利用心脏病自动诊断挑战(Automated Cardiac Disease Diagnosis Challenge,ACDC)数据集中分割后的影像数据,通过使用本申请的诊断装置获得的诊断结果超越了当前技术水平预测的结果。
以上为本申请实施例提供的心脏疾病诊断模型训练方法的一些具体实现方式,基于此,本申请实施例还提供了对应的装置,以及应用上述心脏疾病诊断模型的心脏疾病诊断装置,下面将从功能模块化的角度进行介绍。
参见图5所示的心脏疾病诊断模型训练装置的结构示意图,该装置500包括:
获取模块510,用于获取样本集,所述样本集包括多个样本数据,每个样本数据包括参数向量以及心脏疾病标注类别;所述参数向量是对心脏图像进行参数提取所得的心脏结构参数和心脏功能参数排列生成的;
训练模块520,用于根据所述样本集对卷积神经网络的参数进行训练,得到心脏疾病诊断模型,所述心脏疾病诊断模型是以基于心脏图像确定的参数向量为输入,以预测的目标对象属于各心脏疾病诊断类别的预测概率为输出的卷积神经网络模型。
可选的,所述训练模块520具体用于:
将所述样本集中样本随机分成S份得到S份样本子集,所述S为大于2的整数;
针对所述S份样本子集进行S次随机选择得到S组训练集和测试集,其中,每次随机选择将所述S份样本子集中随机抽取得S-1份作为训练集,剩余一份作为测试集;
基于S-1次随机选择所得的S-1组训练集和测试集,并行地训练所述卷积神经网络的参数得到满足收敛条件的S-1个所述心脏疾病诊断模型。
可选的,所述心脏疾病诊断模型包括第一卷积层、最大池化层、N个第二卷积层、随机失活层和全连接层以及归类层;其中N取值为正整数。
可选的,所述训练模块520具体用于:
根据卷积神经网络预测样本数据中参数向量所得的预测类别和所述样本数据中参数向量对应的标注类别,确定分类交叉熵;
根据所述分类交叉熵调整所述卷积神经网络的参数。
接下来,参加图6所示的心脏疾病诊断装置的结构示意图,该装置600包括:
心脏结构与功能参数获取模块610,用于针对目标对象的心脏图像获取预设的心脏结构参数和心脏功能参数;
模型预测模块620,用于根据所述心脏结构参数和所述心脏功能参数生成参数向量,将所述参数向量输入预先训练的心脏疾病诊断模型,通过所述心脏疾病诊断模型对所述参数向量进行卷积处理得到所述参数向量的形态特征并根据所述参数向量的形态特征确定所述目标对象的心脏疾病诊断类别。
其中,心脏结构与功能参数获取模块610可以针对目标对象的心脏图像获取心脏各部位基础参数、心肌结构形态特征参数、心脏结构相对参数以及心脏功能参数,并将所述心脏各部位基础参数、所述心肌结构形态特征参数、心脏结构相对参数作为所述心脏结构参数。
在实际应用时,心脏各部位基础参数具体可以包括舒张端左心室体积、舒张端右心室体积、舒张端左心室心肌体积、舒张端左心室心肌质量、收缩端左心室体积、收缩端右心室体积、收缩端左心室心肌体积中任意一种或多种参数。
心肌结构形态特征参数具体可以包括舒张端心肌壁厚度总体平均值、舒张端心肌壁厚度方差的平均值、收缩端心肌壁厚度总体平均值、收缩端心肌壁厚度方差的平均值以及心肌壁厚度增量中任意一种或多种参数。
心脏结构相对参数具体可以包括舒张端左右心室体积比、收缩端左右心室体积比、舒张端左心室心肌体积与舒张端左心室体积比以及舒张端左心室心肌质量与舒张端右心室体积比中任意一种或多种参数。
心脏功能参数具体可以包括左心室心搏量、左心室射血分数、右心室心搏量、右心室射血分数中任意一种或多种。
需要说明的是,确定上述心脏结构参数和心脏功能参数的实现方式可以参见上文相关内容描述,在此不再赘述。
可以理解,在有些情况下,样本集中样本数量较少,为此,可以基于同一训练数据集采用多折交叉验证训练方法训练得到多个分类模型,作为心脏疾病诊断模型。
对应地,模型预测模块620中可以包括多个心脏疾病诊断模型。模型预测模块620在进行预测时,可以并行调用上述多个分类模型,将所述参数向量分别输入每个所述分类模型,获得每个所述分类模型输出的所述目标对象属于各心脏疾病诊断类别的预测概率,针对心脏疾病各类别分别统计所述多个分类模型输出的预测概率的平均值,选择平均值最大的心脏疾病诊断类别作为所述目标对象的心脏疾病诊断类别。
需要说明的是,所述模型预测模块中所调用的心脏疾病诊断模型包括第一卷积层、最大池化层、N个第二卷积层、随机失活层和全连接层以及归类层;其中,N取值为正整数。需要说明的是,当样本数量较小时,N取值较小的整数可以提高模型训练效率。
本申请实施例还提供了一种用于进行心脏疾病诊断的设备,下面将从硬件实体化的角度进行说明。
参见图7所示的用于进行心脏疾病诊断的设备的结构示意图,该设备700包括处理器710、存储器720以及输出部件730;
其中,所述存储器720中存储有计算机程序;
所述处理器710用于执行所述计算机程序,实现以下功能:
针对目标对象的心脏图像获取预设的心脏结构参数和心脏功能参数;
用于根据所述心脏结构参数和所述心脏功能参数生成参数向量,将所述参数向量输入预先训练的心脏疾病诊断模型,通过所述心脏疾病诊断模型对所述参数向量进行卷积处理得到所述参数向量的形态特征并根据所述参数向量的形态特征确定所述目标对象的心脏疾病诊断类别;
所述输出部件730,用于输出所述处理器确定的所述目标对象的心脏疾病诊断类别。
其中,输出部件730具体可以是显示器,通过文字等形式显示心脏疾病诊断类别,当然输出部件730也可以是扬声器等,可以通过语音形式播放心脏疾病诊断类别。
本申请实施例还提供一种用于训练心脏疾病诊断模型的服务器,参见图8所示的服务器的结构示意图,该服务器800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processing units,CPU)822(例如,一个或一个以上处理器)和存储器832,一个或一个以上存储应用程序842或数据844的存储介质830(例如一个或一个以上海量存储设备)。其中,存储器832和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器822可以设置为与存储介质830通信,在服务器800上执行存储介质830中的一系列指令操作。
服务器800还可以包括一个或一个以上电源826,一个或一个以上有线或无线网络接口850,一个或一个以上输入输出接口858,和/或,一个或一个以上操作系统841,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图8所示的服务器结构。
其中,CPU 822用于执行如下步骤:
获取样本集,所述样本集包括多个样本数据,每个样本数据包括参数向量以及心脏疾病标注类别;所述参数向量是对心脏图像进行参数提取所得的心脏结构参数和心脏功能参数排列生成的;
根据所述样本集对卷积神经网络的参数进行训练,得到心脏疾病诊断模型,所述心脏疾病诊断模型是以基于心脏图像确定的参数向量为输入,以预测的目标对象属于各心脏疾病诊断类别的预测概率为输出的卷积神经网络模型。
可选的,所述CPU822还用于执行本申请实施例提供的心脏疾病诊断模型训练方法的任意一种实现方式的步骤。
本申请实施例还提供一种计算机可读存储介质,用于存储程序代码,该程序代码用于执行前述各个实施例所述的一种心脏疾病诊断模型训练方法中的任意一种实施方式。
本申请实施例还提供一种包括指令的计算机程序产品,当其在计算机上运行时,使得计算机执行前述各个实施例所述的一种心脏疾病诊断模型训练方法中的任意一种实施方式。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种心脏疾病诊断装置,其特征在于,包括:
心脏结构与功能参数获取模块,用于针对目标对象的心脏图像获取预设的心脏结构参数和心脏功能参数;
模型预测模块,用于根据所述心脏结构参数和所述心脏功能参数生成参数向量,将所述参数向量输入预先训练的心脏疾病诊断模型,通过所述心脏疾病诊断模型对所述参数向量进行卷积处理得到所述参数向量的形态特征并根据所述参数向量的形态特征确定所述目标对象的心脏疾病诊断类别。
2.根据权利要求1所述的心脏疾病诊断装置,其特征在于,所述模型预测模块中包括多个心脏疾病诊断模型,所述多个心脏疾病诊断模型是基于同一训练数据集采用多折交叉验证训练方法训练所得的多个分类模型;
则所述模型预测模块,具体用于并行地调用所述多个分类模型,将所述参数向量分别输入每个所述分类模型,获得每个所述分类模型输出的所述目标对象属于各心脏疾病诊断类别的预测概率,针对各心脏疾病诊断类别分别统计所述多个分类模型输出的预测概率的平均值,选择平均值最大的心脏疾病诊断类别作为所述目标对象的心脏疾病诊断类别。
3.根据权利要求1所述的心脏疾病诊断装置,其特征在于,所述模型预测模块中所调用的心脏疾病诊断模型包括第一卷积层、最大池化层、N个第二卷积层、随机失活层和全连接层以及归类层;其中N取值为正整数。
4.根据权利要求1所述的心脏疾病诊断装置,其特征在于,所述心脏结构与功能参数获取模块,用于针对目标对象的心脏图像获取心脏各部位基础参数、心肌结构形态特征参数、心脏结构相对参数以及心脏功能参数,并将所述心脏各部位基础参数、所述心肌结构形态特征参数、心脏结构相对参数作为所述心脏结构参数;其中,
所述心脏各部位基础参数包括舒张端左心室体积、舒张端右心室体积、舒张端左心室心肌体积、舒张端左心室心肌质量、收缩端左心室体积、收缩端右心室体积、收缩端左心室心肌体积中一种或多种参数;
所述心肌结构形态特征参数包括舒张端心肌壁厚度总体平均值、舒张端心肌壁厚度方差的平均值、收缩端心肌壁厚度总体平均值、收缩端心肌壁厚度方差的平均值以及心肌壁厚度增量中一种或多种参数;
所述心脏结构相对参数包括舒张端左右心室体积比、收缩端左右心室体积比、舒张端左心室心肌体积与舒张端左心室体积比以及舒张端左心室心肌质量与舒张端右心室体积比中一种或多种参数;
所述心脏功能参数包括左心室心搏量、左心室射血分数、右心室心搏量、右心室射血分数中一种或多种。
5.一种心脏疾病诊断模型训练方法,其特征在于,包括:
获取样本集,所述样本集包括多个样本数据,每个样本数据包括参数向量以及心脏疾病标注类别;所述参数向量是对心脏图像进行参数提取所得的心脏结构参数和心脏功能参数排列生成的;
根据所述样本集对卷积神经网络的参数进行训练,得到心脏疾病诊断模型,所述心脏疾病诊断模型是以基于心脏图像确定的参数向量为输入,以预测的目标对象属于各心脏疾病诊断类别的预测概率为输出的卷积神经网络模型。
6.根据权利要求5所述的方法,其特征在于,所述根据所述样本集对卷积神经网络的参数进行训练,得到心脏疾病诊断模型,包括:
将所述样本集中样本随机分成S份得到S份样本子集,所述S为大于2的整数;
针对所述S份样本子集进行S次随机选择得到S组训练集和测试集,其中,每次随机选择将所述S份样本子集中随机抽取得S-1份作为训练集,剩余一份作为测试集;
基于S-1次随机选择所得的S-1组训练集和测试集,并行地训练所述卷积神经网络的参数得到满足收敛条件的S-1个所述心脏疾病诊断模型。
7.根据权利要求6所述的方法,其特征在于,所述心脏疾病诊断模型包括第一卷积层、最大池化层、N个第二卷积层、随机失活层和全连接层以及归类层;其中N取值为正整数。
8.根据权利要求5至7中任一项所述的方法,其特征在于,所述对卷积神经网络的参数进行训练,包括:
根据卷积神经网络预测样本数据中参数向量所得的预测类别和所述样本数据中参数向量对应的标注类别,确定分类交叉熵;
根据所述分类交叉熵调整所述卷积神经网络的参数。
9.一种心脏疾病诊断模型训练装置,其特征在于,包括:
获取模块,用于获取样本集,所述样本集包括多个样本数据,每个样本数据包括参数向量以及心脏疾病标注类别;所述参数向量是对心脏图像进行参数提取所得的心脏结构参数和心脏功能参数排列生成的;
训练模块,用于根据所述样本集对卷积神经网络的参数进行训练,得到心脏疾病诊断模型,所述心脏疾病诊断模型是以基于心脏图像确定的参数向量为输入,以预测的目标对象属于各心脏疾病诊断类别的预测概率为输出的卷积神经网络模型。
10.一种用于进行心脏疾病诊断的设备,其特征在于,包括:
处理器、存储器以及输出部件;
其中,所述存储器中存储有计算机程序;
所述处理器用于执行所述计算机程序,实现以下功能:
针对目标对象的心脏图像获取预设的心脏结构参数和心脏功能参数;
用于根据所述心脏结构参数和所述心脏功能参数生成参数向量,将所述参数向量输入预先训练的心脏疾病诊断模型,通过所述心脏疾病诊断模型对所述参数向量进行卷积处理得到所述参数向量的形态特征并根据所述参数向量的形态特征确定所述目标对象的心脏疾病诊断类别;
所述输出部件,用于输出所述处理器确定的所述目标对象的心脏疾病诊断类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910883474.8A CN110517783B (zh) | 2019-09-18 | 2019-09-18 | 模型训练方法、装置以及心脏疾病诊断装置、设备、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910883474.8A CN110517783B (zh) | 2019-09-18 | 2019-09-18 | 模型训练方法、装置以及心脏疾病诊断装置、设备、介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110517783A true CN110517783A (zh) | 2019-11-29 |
CN110517783B CN110517783B (zh) | 2023-02-03 |
Family
ID=68631324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910883474.8A Active CN110517783B (zh) | 2019-09-18 | 2019-09-18 | 模型训练方法、装置以及心脏疾病诊断装置、设备、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110517783B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111685740A (zh) * | 2020-06-08 | 2020-09-22 | 上海交通大学 | 一种心脏功能参数检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3100675B1 (en) * | 2015-06-03 | 2018-10-10 | IMEDI PLUS Inc. | Method and system for recognizing physiological sound |
CN109447183A (zh) * | 2018-11-27 | 2019-03-08 | 东软集团股份有限公司 | 模型训练方法、装置、设备以及介质 |
CN109461495A (zh) * | 2018-11-01 | 2019-03-12 | 腾讯科技(深圳)有限公司 | 一种医学图像的识别方法、模型训练的方法及服务器 |
CN109753566A (zh) * | 2019-01-09 | 2019-05-14 | 大连民族大学 | 基于卷积神经网络的跨领域情感分析的模型训练方法 |
CN109805924A (zh) * | 2019-02-15 | 2019-05-28 | 济南大学 | 基于cnn的心电信号处理方法及心律不齐检测系统 |
-
2019
- 2019-09-18 CN CN201910883474.8A patent/CN110517783B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3100675B1 (en) * | 2015-06-03 | 2018-10-10 | IMEDI PLUS Inc. | Method and system for recognizing physiological sound |
CN109461495A (zh) * | 2018-11-01 | 2019-03-12 | 腾讯科技(深圳)有限公司 | 一种医学图像的识别方法、模型训练的方法及服务器 |
CN109447183A (zh) * | 2018-11-27 | 2019-03-08 | 东软集团股份有限公司 | 模型训练方法、装置、设备以及介质 |
CN109753566A (zh) * | 2019-01-09 | 2019-05-14 | 大连民族大学 | 基于卷积神经网络的跨领域情感分析的模型训练方法 |
CN109805924A (zh) * | 2019-02-15 | 2019-05-28 | 济南大学 | 基于cnn的心电信号处理方法及心律不齐检测系统 |
Non-Patent Citations (1)
Title |
---|
刘梅林 主编: "《老年医学高级教程》", 31 October 2012, 北京:人民军医出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111685740A (zh) * | 2020-06-08 | 2020-09-22 | 上海交通大学 | 一种心脏功能参数检测方法及装置 |
CN111685740B (zh) * | 2020-06-08 | 2022-03-01 | 上海交通大学 | 一种心脏功能参数检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110517783B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171692A (zh) | 一种肺部影像检索方法及装置 | |
CN110532900A (zh) | 基于U-Net和LS-CNN的人脸表情识别方法 | |
CN105160400A (zh) | 基于l21范数的提升卷积神经网络泛化能力的方法 | |
CN110472090A (zh) | 基于语义标签的图像检索方法以及相关装置、存储介质 | |
CN108664986B (zh) | 基于lp范数正则化的多任务学习图像分类方法及系统 | |
CN111009321A (zh) | 一种机器学习分类模型在青少年孤独症辅助诊断中的应用方法 | |
CN110245657A (zh) | 病理图像相似性检测方法及检测装置 | |
CN111000553A (zh) | 一种基于投票集成学习的心电数据智能分类方法 | |
CN110558975B (zh) | 一种心电信号分类方法及系统 | |
CN109671055B (zh) | 肺结节检测方法及装置 | |
CN111476796A (zh) | 一种结合多种网络的半监督冠状动脉分割系统及分割方法 | |
Ding et al. | Multiple lesions detection of fundus images based on convolution neural network algorithm with improved SFLA | |
CN114391826A (zh) | 一种基于边缘驱动图神经网络的人类表征预测方法及装置 | |
CN114469120A (zh) | 一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法 | |
CN111540467B (zh) | 精神分裂症分类识别方法、运行控制装置及医疗设备 | |
Li et al. | Breast cancer histopathological image classification based on deep second-order pooling network | |
CN115919330A (zh) | 基于多层次se注意力和图卷积的eeg情绪状态分类方法 | |
CN113707317B (zh) | 一种基于混合模型的疾病危险因素重要性分析方法 | |
CN110163103A (zh) | 一种基于视频图像的生猪行为识别方法和装置 | |
CN110517783A (zh) | 模型训练方法、装置以及心脏疾病诊断装置、设备、介质 | |
CN113288157A (zh) | 基于深度可分离卷积和改进损失函数的心律失常分类方法 | |
CN111383217B (zh) | 大脑成瘾性状评估的可视化方法、装置及介质 | |
Cao et al. | 3D convolutional neural networks fusion model for lung nodule detection onclinical CT scans | |
Heinrich et al. | Is bigger always better? Lessons learnt from the evolution of deep learning architectures for image classification | |
CN116958705A (zh) | 基于图神经网络的医学影像归类系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |