CN113361584A - 模型训练的方法及装置、肺动脉高压的测量方法及装置 - Google Patents

模型训练的方法及装置、肺动脉高压的测量方法及装置 Download PDF

Info

Publication number
CN113361584A
CN113361584A CN202110611034.4A CN202110611034A CN113361584A CN 113361584 A CN113361584 A CN 113361584A CN 202110611034 A CN202110611034 A CN 202110611034A CN 113361584 A CN113361584 A CN 113361584A
Authority
CN
China
Prior art keywords
classification result
bifurcation point
sample data
label
classification
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
Application number
CN202110611034.4A
Other languages
English (en)
Other versions
CN113361584B (zh
Inventor
郝智
黄文豪
孙岩峰
刘恩佑
张欢
王瑜
王少康
陈宽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Infervision Medical Technology Co Ltd
Original Assignee
Infervision Medical Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Infervision Medical Technology Co Ltd filed Critical Infervision Medical Technology Co Ltd
Priority to CN202110611034.4A priority Critical patent/CN113361584B/zh
Publication of CN113361584A publication Critical patent/CN113361584A/zh
Application granted granted Critical
Publication of CN113361584B publication Critical patent/CN113361584B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请提供了一种模型训练的方法及装置、肺动脉高压的测量方法及装置，该模型训练的方法包括：向初始网络模型中输入样本数据，样本数据标注有肺动脉标签、分叉点标签和背景标签中的至少一个，其中肺动脉标签和/或分叉点标签构成前景标签；利用第一分类分支对样本数据进行分类，得到第一分类结果；利用第二分类分支对具有前景标签的样本数据进行分类，得到第二分类结果；基于第一分类结果和第二分类结果，获得最终分类结果，最终分类结果用于表征样本数据是否具有分叉点；根据最终分类结果进行模型训练。本申请通过在训练过程中将样本数量较少的样本数据合并判别，避免了在模型训练的过程中，因为样本之间数据量差距较大而出现类不平衡的现象。

Description

模型训练的方法及装置、肺动脉高压的测量方法及装置
技术领域
本申请涉及深度学习技术领域，具体涉及一种模型训练的方法及装置、肺动脉高压的测量方法及装置。
背景技术
肺动脉高压是指肺动脉压力升高超过一定界值的一种血流动力学和病理生理状态。肺动脉高压可以是一种独立的疾病，也可以是并发症，还可以是综合征，其致残率和病死率都较高，因此在临床上较为重视。目前主要的判别方式是通过测量肺动脉直径，以预测是否存在肺动脉高压的情况，因此使得肺动脉直径的测量变得尤为重要。
目前，随着机器学习的发展，将机器学习与肺动脉高压预测相结合是当下的主要趋势。但在实际操作的过程中，由于训练肺动脉管径的样本数据差距较大，导致类不平衡的问题时有发生。
因此，如何通过机器学习获取精确的肺动脉管径，以实现对肺动脉高压的准确判断是当下亟需解决的技术问题。
发明内容
有鉴于此，本申请实施例提供了一种模型训练的方法及装置、肺动脉高压的测量方法及装置，能够缓解类不平衡的问题，增强肺动脉高压预测的准确性。
第一方面，本申请的实施例提供了一种模型训练的方法，包括：向初始网络模型中输入样本数据，样本数据标注有肺动脉标签、分叉点标签和背景标签中的至少一个，其中肺动脉标签和/或分叉点标签构成前景标签；利用第一分类分支对样本数据进行分类，得到第一分类结果，其中第一分类结果用于表征样本数据是否具有肺动脉或分叉点；利用第二分类分支对具有前景标签的样本数据进行分类，得到第二分类结果，其中第二分类结果用于表征具有前景标签的样本数据是否具有分叉点；基于第一分类结果和第二分类结果，获得最终分类结果，其中最终分类结果用于表征样本数据是否具有分叉点；根据最终分类结果进行模型训练。
在本申请一实施例中，基于第一分类结果和第二分类结果，获得最终分类结果包括：将第一分类结果进行最大池化操作，获得第三分类结果；将第二分类结果进行最大池化操作，获得第四分类结果；将第三分类结果和第四分类结果相乘，获得最终分类结果。
在本申请一实施例中，向初始网络模型中输入样本数据包括：向初始网络模型中输入连续的预设层数的样本数据；提取预设层数的样本数据中的任一层进行训练。
在本申请一实施例中，在向初始网络模型中输入连续的预设层数的样本数据之前，还包括：分别对背景标签，肺动脉标签和分叉点标签进行标记；根据标记的数值计算完整的样本数据的最大值序列；将最大值序列进行归一化计算，获得采样概率。
第二方面，本申请的实施例提供了一种肺动脉高压的测量方法，包括：向网络模型中输入图像数据；利用网络模型的第一分类分支对图像数据进行分类，得到第一分类结果，其中第一分类结果用于表征图像数据是否具有肺动脉或分叉点；利用网络模型的第二分类分支对具有肺动脉或分叉点的图像数据进行分类，得到第二分类结果，第二分类结果用于表征具有肺动脉或分叉点的图像数据是否具有分叉点；基于第一分类结果和第二分类结果，获得至少一个分割层面；基于至少一个分割层面，确定至少一个分割层面中最佳分割层面的管径测量线；基于管径测量线的长度，确定是否存在肺动脉高压的情况。
在本申请一实施例中，基于至少一个分割层面，确定至少一个分割层面中最佳分割层面的管径测量线包括：遍历至少一个分割层面中的每一个分割层面，以获得最佳分割层面，其中最佳分割层面包括具有第一分叉点的最大连通区域；基于最大连通区域的第一中心线及第一分叉点，获得管径测量线。
在本申请一实施例中，基于最大连通区域的第一中心线及第一分叉点，获得管径测量线包括：基于最大连通区域的第一中心线，确定第二分叉点；将第一分叉点和第二分叉点以最短路径相连接，以确定第二中心线；在第二中心线上寻找距离第一分叉点预设位置处的测量点；将测量点位置处第二中心线的法线与最大连通区域的分割边界相交部分的长度作为管径测量线。
在本申请一实施例中，遍历至少一个分割层面中的每一个分割层面，以获得最佳分割层面包括：遍历至少一个分割层面中的每一个分割层面，将包含有分叉点的层面作为第一候选层面，其中第一候选层面包括肺动脉分割结果；将第一候选层面中分叉点区域的像素数量与像素数量阈值进行比较，以获得第二候选层面；当第二候选层面中的分叉点区域与肺动脉分割结果组成最大连通区域时，第二候选层面为最佳分割层面。
第三方面，本申请的实施例提供了一种模型训练装置，该装置包括：输入模块，用于向初始网络模型中输入样本数据，样本数据标注有肺动脉标签、分叉点标签和背景标签中的至少一个，其中肺动脉标签和/或分叉点标签构成前景标签；第一分类模块，用于利用第一分类分支对样本数据进行分类，得到第一分类结果，其中第一分类结果用于表征样本数据是否具有肺动脉或分叉点；第二分类模块，用于利用第二分类分支对具有前景标签的样本数据进行分类，得到第二分类结果，第二分类结果用于表征具有前景标签的样本数据是否具有分叉点；获得模块，用于基于第一分类结果和第二分类结果，获得最终分类结果，最终分类结果用于表征样本数据是否具有分叉点；训练模块，用于根据最终分类结果进行模型训练。
第四方面，本申请的实施例提供了一种肺动脉高压的测量装置，该装置包括：输入模块，用于向网络模型中输入图像数据；第一分类模块，用于利用网络模型的第一分类分支对图像数据进行分类，得到第一分类结果，其中第一分类结果用于表征图像数据是否具有肺动脉或分叉点；第二分类模块，用于利用网络模型的第二分类分支对具有肺动脉或分叉点的图像数据进行分类，得到第二分类结果，第二分类结果用于表征具有肺动脉或分叉点的图像数据是否具有分叉点；获得模块，用于基于第一分类结果和第二分类结果，获得至少一个分割层面；第一确定模块，用于基于至少一个分割层面，确定至少一个分割层面中最佳分割层面的管径测量线；第二确定模块，用于基于管径测量线的长度，确定是否存在肺动脉高压的情况。
第五方面，本申请的实施例提供了一种计算可读存储介质，存储介质存储有计算机程序，计算机程序用于执行上述第一方面所述的模型训练的方法，和/或用于执行上述第二方面所述的肺动脉高压的测量方法。
第六方面，本申请的实施例提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器，其中，处理器用于执行上述第一方面所述的模型训练的方法，和/或用于执行上述第二方面所述的肺动脉高压的测量方法。
本申请实施例提供了一种模型训练的方法及装置、肺动脉高压的测量方法及装置，通过将样本数据量较小的两个标签信息结合分类判别，避免了在模型训练的过程中，因为样本之间数据量差距较大而出现类不平衡的现象。
附图说明
图1是本申请一示例性实施例提供的模型训练的方法的流程示意图。
图2是本申请另一示例性实施例提供的模型训练的方法的流程示意图。
图3是本申请一示例性实施例提供的肺动脉高压的测量方法的流程示意图。
图4是本申请一示例性实施例提供的最佳分割层面的示意图。
图5是本申请一示例性实施例提供的模型训练的装置的结构示意图。
图6是本申请一示例性实施例提供的肺动脉高压的测量装置的结构示意图。
图7是本申请一示例性实施例提供的用于模型训练或肺动脉高压的测量的电子设备的框图。
具体实施方式
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。
常见的肺动脉高压的判断方式主要由以下两种：第一种方式是直接利用分类模型对病人的计算机断层扫描摄影(Computed Tomography,CT)图像进行分类，但这种方式训练难度大，对数据量要求较高，并且可解释性弱。
第二种方式，首先利用分类网络定位到病人CT数据中适合检测肺动脉高压的最佳层面，然后对最佳层面进行分类。这种方式相对于第一种方式而言，训练难度有所降低，解释性略微增强，但是依然不能实现精确测量肺动脉管径，以判断病人是否存在肺动脉高压的情况。
图1是本申请一示例性实施例提供的模型训练的方法的流程示意图。图1的方法由计算设备，例如，服务器，来执行。如图1所示，该模型训练的方法包括如下内容。
110：向初始网络模型中输入样本数据，样本数据标注有肺动脉标签、分叉点标签和背景标签中的至少一个。
在一实施例中，肺动脉标签和/或分叉点标签构成前景标签。
在一实施例中，在样本数据中，具有背景标签的样本数据的数量，大于具有肺动脉标签的样本数据的数量，具有肺动脉标签的样本数据的数量大于具有分叉点标签的样本数据的数量。其中具有背景标签的样本数据的数量远大于具有分叉点标签的样本数据的数量，例如一个CT序列约有300层数据，其中300层具有背景标签的样本数据，200层具有肺动脉标签的样本数据，3层具有分叉点标签的样本数据。
具体地，在向初始网络模型输入样本数据之前，还可以包括确定初始网络模型。初始网络模型可以是基于步骤120至步骤150中的标注有标签信息的样本数据反复训练获得的。本申请实施例对初始网络模型不作具体限定。并且，本申请实施例采用的初始网络模型可以是2D分割模型，样本数据的输入可以采用常见的三维仿真数据2.5D数据输入，本申请实施例对网络模型的类型不作具体限定。
在一实施例中，向初始网络模型中输入连续的预设层数的样本数据，例如输入连续的3层样本数据，此时样本数据可以组织为[层1，层2，层3]。而后提取预设层数的样本数据中的任一层进行训练，例如选择层2进行下述步骤120至步骤150的训练过程。
应当理解，当样本数据为一个层面数据时，此时样本数据中包括的标签信息可以为背景标签、肺动脉标签以及分叉点标签中的至少一个，例如包括背景标签和肺动脉标签，或包括背景标签、肺动脉标签以及分叉点标签。其中，将肺动脉标签和/或分叉点标签统一认为是前景标签，并且将包含肺动脉标签和/或分叉点标签的区域设定为前景区域。
需要说明的是，样本数据可以是医学图像，例如计算机断层扫描摄影(ComputedTomography,CT)图像、数字化X线摄影(Digital Radiography,DR)图像或核磁共振成像(Magnetic Resonance Imaging,MRI)图像等。或者是驾驶领域等其他领域的图像，本申请实施例对样本数据的类型不作具体限定。
优选地，本申请的样本数据为CT图像数据。
120：利用第一分类分支对样本数据进行分类，得到第一分类结果。
在一实施例中，第一分类结果用于表征样本数据是否具有肺动脉或分叉点。
具体地，第一分类分支可以是前后景分类分支。该第一分类分支可以是一个2分类分支，即是或否的分类分支。该第一分类分支可以用于判断样本数据是否包含肺动脉或分叉点，即用于判断样本数据是否为前景，也即用于判断样本数据是否具有前景标签。
在一示例中，通过第一分类分支可以获得第一分类结果。当获得的第一分类结果的分类概率大于设定的第一概率阈值时，则判定第一分类结果为前景，并标记为1，否则标记为0，本申请实施例对第一概率阈值不作具体限定。因此，当输入的样本数据为“宽512，高512，连续3层面”时，第一分类结果可以包括数据的宽、高以及类别标记，例如第一分类结果可以是“512*512*0”或“512*512*1”，用于表征样本数据是否为前景(即肺动脉或分叉点)。
130：利用第二分类分支对具有前景标签的样本数据进行分类，得到第二分类结果。
在一实施例中，第二分类结果用于表征具有前景标签的样本数据是否具有分叉点。
具体地，第二分类分支可以是分叉点分类分支。该分叉点分类分支可以是一个2分类分支，即是或否的分类分支。该第二分类分支可以用于判定在具有前景标签的样本数据(即前景区域)中是否包括分叉点。
在一示例中，通过第二分类分支可以获得第二分类结果。当获得的第二分类结果的分类概率大于设定的第二概率阈值时，则判定第二分类结果为包含分叉点，本申请实施例对第二概率阈值不作具体限定。其中，由于第二分类分支是在前景区域(第一分类分支前景区域标记1)的基础上进行的细分，因此该第二分类结果可以采用数字加和的形式进行标记，例如不包含分叉点标记为0+1，包含分叉点标记为1+1。
示例性地，当输入的样本数据为“宽512，高512，连续3层面”时，第二分类结果可以包括数据的宽、高以及类别标记，例如第二分类结果可以是“512*512*1”或“512*512*2”，用于表征样本数据是否包括分叉点。
140：基于第一分类结果和第二分类结果，获得最终分类结果，最终分类结果用于表征样本数据是否具有分叉点。
具体地，将第一分类结果进行最大池化操作，获得第三分类结果。将第二分类结果进行最大池化操作，获得第四分类结果。将第三分类结果和第四分类结果相乘，获得最终分类结果。该最终分类结果可以用于表征样本数据是否包含属于前景的分叉点标签，也可以用于表征最佳分割层面。当获得的最终分类结果的分类概率大于设定的第三概率阈值时，则判定最终分类结果包含属于前景的分叉点标签，即该最终分类结果为最佳分割层面。
需要说明的是，只有最佳分割层面才会包括分叉点标签。
150：根据最终分类结果进行模型训练。
具体地，将最终分类结果与输入的样本数据进行比较，当最终分类结果与样本数据相同时，则停止训练过程，该网络模型已完成训练。当最终分类结果与样本数据存在差异时，则重复执行上述步骤110至步骤150，直至最终分类结果与样本数据相同，获得所需的模型为止。
需要说明的是，将具有标签信息(即肺动脉标签、分叉点标签和背景标签)的样本数据，输入网络模型进行初始训练。在训练的过程中还可以通过损失函数反向传播，不断的进行训练，直至达到所需要的模型。其中可以应用同一个损失函数进行更新，也可以用多个损失函数分别对第一分类分支、第二分类分支及获得最终分类结果的分支进行更新。该损失函数可以是交叉熵损失函数或其他合适的损失函数，本申请实施例对此不作具体限定。
由此可知，本申请实施例通过将样本数据量较小的两个标签信息结合分类判别，避免了在模型训练的过程中，因为样本之间数据量差距较大而出现类不平衡的现象。
在本申请一实施例中，基于第一分类结果和第二分类结果，获得最终分类结果包括：将第一分类结果进行最大池化操作，获得第三分类结果；将第二分类结果进行最大池化操作，获得第四分类结果；将第三分类结果和第四分类结果相乘，获得最终分类结果。
具体地，将第一分类结果进行最大池化操作，得到第三分类结果。需要说明的是，第三分类结果经过最大池化操作后，只是改变了第一分类结果中数据的宽和高，因此第三分类结果包括数据的宽、高以及第一分类结果的类别标记，例如当第一分类结果为“512*512*1”时，获得的第三分类结果为“1*1*1”。
应当理解，第三分类结果可以对应样本数据是否包含前景(即肺动脉或分叉点)。
将第二分类结果进行最大池化操作，得到第四分类结果。需要说明的是，第四分类结果经过最大池化操作后，只是改变了第二分类结果中数据的宽和高，因此第四分类结果包括数据的宽、高以及第二分类结果的类别标记，例如当第二分类结果为“512*512*2”时，获得的第四分类结果为“1*1*2”。
应当理解，该第四分类结果可以对应样本数据是否包含分叉点。
需要说明的是，本申请实施例对第三分类结果和第四分类结果的获取顺序不作具体限定。在获取顺序上可以先获取第三分类结果再获取第四分类结果，也可以是同时获取。
在一实施例中，将第一分类结果经过最大池化操作获得的第三分类结果与第二分类结果经过最大池化操作获得的第四分类结果相乘，获得最终分类结果。该最终分类结果可以用于表征样本数据是否包含属于前景的分叉点标签，也可以用于表征是否为最佳分割层面。
当获得的最终分类结果的分类概率大于设定的第三概率阈值时，则判定最终分类结果包含分叉点，即该最终分类结果为最佳分割层面，并在实际将其标记为2，否则标记为1，本申请实施例对第三概率阈值不作具体限定。例如第三分类结果为“1*1*1”，第四分类结果为“1*1*2”，则得到的最终分类结果为“1*1*2”。
由此可知，本申请实施例采用最大池化操作，减小输入数据的大小，使得训练过程中网络模型能更专注重要元素的训练。
在本申请一实施例中，向初始网络模型中输入样本数据包括：向初始网络模型中输入连续的预设层数的样本数据；提取预设层数的样本数据中的任一层进行训练。
具体地，本申请实施例采用2D分割模型作为初始网络模型，数据输入采用常见的2.5D输入。并且向初始网络模型中输入样本数据时可以采用将连续的预设层数的样本数据输入模型中，本申请实施例对预设层数不作具体限定，预测层数可以是3、4或5。
在一示例中，预设层数为3，此时样本数据可以组织为[层1，层2，层3]。
提取预设层数的样本数据中的任意一层层面数据进行训练，获得其中一层的分类结果。
优选地，提取中间层的层面数据进行训练。例如，以[层1，层2，层3]为例，此时训练层为层2，而层1和层3则是辅助训练层。
由此可知，本申请实施例通过提取其中的一层样本数据进行训练，降低了计算资源，节省了时间成本。
图2是本申请另一示例性实施例提供的模型训练的方法的流程示意图。图2实施例为图1实施例的例子，相同之处不再赘述，此处着重描述不同之处。如图2所示，该模型训练的方法包括如下内容。
210：分别对背景标签，肺动脉标签和分叉点标签进行标记。
具体地，标记时可以将背景标签标记为0，将肺动脉标签标记为1，将分叉点标签标记为2。本申请实施例对标记的具体数值不作具体限定，可根据实际需要进行灵活设置。
220：根据标记的数值计算完整的样本数据的最大值序列。
具体地，在训练过程中，是将多个连续的预设数量的层面数据输入初始网络模型，例如[层1，层2，层3]，[层2，层3，层4]，[层3，层4，层5]，[层4，层5，层6]，可见需要训练的层面也为多个，例如层2、层3、层4、层5。但由于样本数据的数据量差异较大，且包含分叉点标签的样本数据(即最佳分割层面)的数据量极小被训练的可能性极低，因此需要先对数据进行采样，然后再输入初始网络模型中进行训练。
根据对标签信息的标记，计算每一层样本数据的标签信息的最大值(即最大标签数值)。在计算过程中会遇到以下3种情况：某一层面全部都是背景标签，则最大标签数值为0；某一层面只含有肺动脉标签，则最大标签数值为1；某一层面既肺动脉标签又包含分叉点标签，则最大数值标签2。因此，可以得到和一个CT序列(即完整的样本数据)几乎相等长度的最大值序列，例如[0，1，2，1，1，1，0，0，0]。
230：将最大值序列进行归一化计算，获得采样概率。
具体地，通过softmax函数将最大值序列进行归一化计算，得到该最大值序列对应的采样概率。例如最大值序列为[0，1，2，1，1，1，0，0，0]，获得的采样概率为[0.0449，0.1221，0.3319，0.1221，0.1221，0.1221，0.0449，0.0449，0.0449]。
该softmax函数如下所示：
Figure BDA0003095789660000111
其中，e为一个无限不循环小数(e约为2.718281828459045)；i为常数，例如i＝1；C为最大值序列包括的个数；Vi为最大值序列中包括的逐个序列数。
由此可见，包含分叉点标签的最佳分割层面采样概率最大，也就意味着包含分叉点标签的样本数据被训练到的可能行越高，而只包含有肺动脉标签的数据采样概率次之，只有背景标签的数据采样概率最低。
240：向初始网络模型中输入样本数据，样本数据标注有肺动脉标签、分叉点标签和背景标签中的至少一个。
250：利用第一分类分支对样本数据进行分类，得到第一分类结果。
260：利用第二分类分支对具有前景标签的样本数据进行分类，得到第二分类结果。
270：基于第一分类结果和第二分类结果，获得最终分类结果，最终分类结果用于表征样本数据是否具有分叉点。
280：根据最终分类结果进行模型训练。
由此可知，本申请实施例通过进行归一化操作，获得采样概率，提高了最佳分割层面的样本数据得到训练的可能性。
图3是本申请一示例性实施例提供的肺动脉高压的测量方法的流程示意图。图3的方法由计算设备，例如，服务器，来执行，并且图3是图1实施例的例子，相同之处不再赘述，此处着重描述不同之处。如图3所示，该肺动脉高压的测量方法包括如下内容。
310：向网络模型中输入图像数据。
320：利用网络模型的第一分类分支对图像数据进行分类，得到第一分类结果。
330：利用网络模型的第二分类分支对具有肺动脉或分叉点的图像数据进行分类，得到第二分类结果。
340：基于第一分类结果和第二分类结果，获得至少一个分割层面。
350：基于至少一个分割层面，确定至少一个分割层面中最佳分割层面的管径测量线。
具体地，遍历至少一个分割层面中的每一个分割层面，将每一个分割层面中包括分叉点的层面作为第一候选层面，该第一候选层面包括肺动脉分割结果。将第一候选层面中分叉点区域的像素数量与像素数量阈值进行比较，将超过像素数量阈值的第一候选层面作为第二候选层面，其中像素数量阈值可以是4至10之间。当第二候选层面中的分叉点区域与肺动脉分割结果组成最大连通区域时，将该第二候选层面作为最佳分割层面。
在一示例中，基于该最大连通区域的第一中心线及第一分叉点，获得管径测量线。示例性地，基于最大连通区域的第一中心线，确定第二分叉点。将第一分叉点和第二分叉点以最短路径相连接，以确定第二中心线。在第二中心线上寻找距离第一分叉点预设位置处的测量点。将测量点位置处第二中心线的法线与最大连通区域的边界相交部分的长度线作为管径测量线。
需要说明的是，步骤350的详细描述详情请参见下述实施例的记载，为避免重复在此不再赘述。
360：基于管径测量线的长度，确定是否存在肺动脉高压的情况。
具体地，将管径测量线的长度与预设的长度阈值进行比较，当管径测量线的长度大于或等于预设的长度阈值时，则判定存在肺动脉高压的情况。其中预设的长度阈值可以设定为29毫米，本申请实施例对此不作具体限定。
在一实施例中，当管径测量线的长度大于等于29毫米时，则判定存在肺动脉高压的情况。
在一实施例中，当管径测量线的长度小于29毫米时，则判定不存在肺动脉高压的情况。
由此可知，本申请实施例通过语义分割网络得到肺动脉分割以及分叉点分割结果，然后利用最短路径算法遵循了肺动脉高压评估的基本准则。使得本申请实施例在计算资源与时间资源占用极小的情况下，做到了完全遵循医疗指南的肺动脉高压评估，并且增强了肺动脉高压判定的解释性。
根据本申请一实施例中，基于至少一个分割层面，确定至少一个分割层面中最佳分割层面的管径测量线包括：遍历至少一个分割层面中的每一个分割层面，以获得最佳分割层面；基于最大连通区域的第一中心线及第一分叉点，获得管径测量线。
在一实施例中，最佳分割层面包括具有第一分叉点的最大连通区域。
具体地，遍历至少一个分割层面中的每一个分割层面，将包含有分叉点的层面作为第一候选层面，其中第一候选层面包括肺动脉分割结果。将第一候选层面中分叉点区域内的像素数量与像素数量阈值进行比较，再次去除第一候选层面中像素数量小于像素数量阈值的层面，以获得第二候选层面，其中像素数量阈值可以是4至10中任一数值。当第二候选层面中包含的分叉点区域与肺动脉分割结果组成最大连通区域时，第二候选层面为最佳分割层面。需要说明的是，分叉点区域的质心为第一分叉点。
在一实施例中，基于最佳分割层面的最大连通区域的第一中心线，确定第二分叉点。将第一分叉点和第二分叉点以最短路径相连接，以确定第二中心线。在第二中心线上寻找距离第一分叉点预设位置处的测量点。将测量点位置处第二中心线的法线与最大连通区域的边界相交部分的长度作为管径测量线。需要说明的是，该步骤的具体描述，详情请参见下述实施例的记载在此不再赘述。
由此可知，本申请实施例通过将分割层面进行进一步的筛选，获得最佳分割层面，使得后续对肺动脉高压判定的结果更为准确。
根据本申请一实施例中，基于最大连通区域的第一中心线及第一分叉点，获得管径测量线包括：基于最大连通区域的第一中心线，确定第二分叉点；将第一分叉点和第二分叉点以最短路径相连接，以确定第二中心线；在第二中心线上寻找距离第一分叉点预设位置处的测量点；根据测量点位置处第二中心线的法线与最大连通区域的边界相交部分的长度作为管径测量线。
具体地，参见图4，最佳分割层面400包括具有分叉点区域420的最大连通区域410。其中，分叉点区域420的质心为第一分叉点。
确定最佳分割层面400中的最大连通区410的中心线，并将该中心线作为第一中心线(例如图4中的图标440为第一中心线的上半部分)。将第一中心线中的交点作为第二分叉点。例如，参见图4，最大连通区域410为“人”字形区域，此时第一中心线类似于“人”字型，并且该“人”字中的交点，即为第二分叉点。
将第一分叉点和第二分叉点以最短路径相连接，以确定第二中心线450。在一实施例中，第二中心线包含部分第一中心线。利用基于距离变换的最短路径算法连接第一分叉点与第二分叉点，其中基于距离变换的最短路径算法可以是任意寻路算法，本申请实施例对此不作具体限定。
该第一分叉点与第二分叉点之间的连接线430与第一中心线的第二分叉点上半部分，组成肺动脉高压测量所需的第二中心线450。并在第二中心线450上寻找距离第一分叉点预设位置处的测量点。该预设位置可以是距离第一分叉点小于等于3cm的位置，本申请实施例对具体的预设位置不作具体限定。
优选地，本申请实施例将预设位置设定为3cm。例如，在第二中心线上，以第一分叉点为坐标原点，寻找距离第一分叉点坐标3cm位置处的测量点。
计算测量点位置处第二中心线450的法线，其与最大连通区域的边界相交部分的长度线为作为测量肺动脉高压的管径测量线460。
由此可知，本申请实施例通过利用最短路径算法，遵循了肺动脉高压评估的基本准则，提高了肺动脉高压判定的准确性。
根据本申请一实施例中，遍历至少一个分割层面中的每一个分割层面，以获得最佳分割层面包括：遍历至少一个分割层面中的每一个分割层面，将包含有分叉点的层面作为第一候选层面；将第一候选层面中分叉点区域的像素数量与像素数量阈值进行比较，以获得第二候选层面；当第二候选层面中的分叉点区域与肺动脉分割结果组成最大连通区域时，第二候选层面为最佳分割层面。
在一实施例中，第一候选层面包括肺动脉分割结果。
具体地，遍历至少一个分割层面中的每一个分割层面，将包含有分叉点区域的层面作为第一候选层面。在第一候选层面中，计算该第一候选层面中分叉点区域的像素数量，将该像素数量与预设的像素数量阈值进行比较，其中像素数量阈值可以是4至10之间的任意数值，例如4、6、8或10，本申请实施例对此不作具体限定。当第一候选层面中的分叉点区域的像素数量大于预设的像素数量阈值时，将该第一候选层面作为第二候选层面，并将第一候选层面中的分叉点区域的像素数量小于预设的像素数量阈值的候选层面丢弃。当第二候选层面中的分叉点区域与肺动脉分割结果组成最大连通区域时，该第二候选层面为最佳分割层面；当第二候选层面中的分叉点区域未与肺动脉分割结果组成该第二候选层面中的最大连通区域时，则该第二候选层面被丢弃。
优选地，为了便于计算，本申请实施例将像素数量阈值设定为10。例如，当第一候选层面的像素数量为6小于像素阈值10时，则该第一候选层面被丢弃。
由此可知，本申请实施例通过对分割层面进行筛选，以确定分割层面中的最佳分割层面，为后续计算管径测量线等工作提供了保障。
图5是本申请一示例性实施例提供的模型训练的装置500的结构示意图。如图5所示，该模型训练的装置500包括：输入模块510、第一分类模块520、第二分类模块530、获得模块540和训练模块550。
输入模块510用于向初始网络模型中输入样本数据，样本数据标注有肺动脉标签、分叉点标签和背景标签中的至少一个，其中肺动脉标签和/或分叉点标签构成前景标签；第一分类模块520用于利用第一分类分支对样本数据进行分类，得到第一分类结果，其中第一分类结果用于表征样本数据是否具有肺动脉或分叉点；第二分类模块530用于利用第二分类分支对具有前景标签的样本数据进行分类，得到第二分类结果，第二分类结果用于表征具有前景标签的样本数据是否具有分叉点；获得模块540用于基于第一分类结果和第二分类结果，获得最终分类结果，最终分类结果用于表征样本数据是否具有分叉点；训练模块550用于根据最终分类结果进行模型训练。
本申请实施例提供了一种模型训练的装置，通过将样本数据量较小的两个标签信息结合分类判别，避免了在模型训练的过程中，因为样本之间数据量差距较大而出现类不平衡的现象。
根据本申请一实施例，获得模块540还用于将第一分类结果进行最大池化操作，获得第三分类结果；将第二分类结果进行最大池化操作，获得第四分类结果；将第三分类结果和第四分类结果相乘，获得最终分类结果。
根据本申请一实施例，输入模块510还用于向初始网络模型中输入连续的预设层数的样本数据；提取预设层数的样本数据中的任一层进行训练。
根据本申请一实施例，概率计算模块560用于分别对背景标签，肺动脉标签和分叉点标签进行标记；根据标记的数值计算完整的样本数据的最大值序列；将最大值序列进行归一化计算，获得采样概率。
应当理解，上述实施例中的输入模块510、第一分类模块520、第二分类模块530、获得模块540、训练模块550和概率计算模块560的具体工作过程和功能可以参考上述图1和图2实施例提供的模型训练的方法中的描述，为了避免重复，在此不再赘述。
图6是本申请一示例性实施例提供的肺动脉高压的测量装置的结构示意图。如图6所示，该测量装置600包括：输入模块610、第一分类模块620、第二分类模块630、获得模块640、第一确定模块650和第二确定模块660。
输入模块610用于向网络模型中输入图像数据；第一分类模块620用于利用网络模型的第一分类分支对图像数据进行分类，得到第一分类结果，其中第一分类结果用于表征图像数据是否具有肺动脉或分叉点；第二分类模块630用于利用网络模型的第二分类分支对具有肺动脉或分叉点的图像数据进行分类，得到第二分类结果，第二分类结果用于表征具有肺动脉或分叉点的图像数据是否具有分叉点；获得模块640用于基于第一分类结果和第二分类结果，获得至少一个分割层面；第一确定模块650用于基于至少一个分割层面，确定至少一个分割层面中最佳分割层面的管径测量线；第二确定模块660用于基于管径测量线的长度，确定是否存在肺动脉高压的情况。
本申请实施例提供了一种肺动脉高压的测量装置，通过语义分割网络得到肺动脉分割以及分叉点分割结果，然后利用最短路径算法遵循了肺动脉高压评估的基本准则。使得本申请实施例在计算资源与时间资源占用极小的情况下，做到了完全遵循医疗指南的肺动脉高压评估，并且增强了肺动脉高压判定的解释性。
根据本申请一实施例，第一确定模块650用于遍历至少一个分割层面中的每一个分割层面，以获得最佳分割层面，其中最佳分割层面包括具有第一分叉点的最大连通区域；基于最大连通区域的第一中心线及第一分叉点，获得管径测量线。
根据本申请一实施例，第一确定模块650还用于基于最大连通区域的第一中心线，确定第二分叉点；将第一分叉点和第二分叉点以最短路径相连接，以确定第二中心线；在第二中心线上寻找距离第一分叉点预设位置处的测量点；将测量点位置处第二中心线的法线与最大连通区域的边界相交部分的长度作为管径测量线。
根据本申请一实施例，第一确定模块650还用于遍历至少一个分割层面中的每一个分割层面，将包含有分叉点的层面作为第一候选层面，其中第一候选层面包括肺动脉分割结果；将第一候选层面中分叉点区域的像素数量与像素数量阈值进行比较，以获得第二候选层面；当第二候选层面中的分叉点区域与肺动脉分割结果组成最大连通区域时，第二候选层面为最佳分割层面。
应当理解，上述实施例中的输入模块610、第一分类模块620、第二分类模块630、获得模块640、第一确定模块650和第二确定模块660的具体工作过程和功能可以参考上述图3实施例提供的肺动脉高压的测量方法中的描述，为了避免重复，在此不再赘述。
图7是本申请一示例性实施例提供的用于模型训练或肺动脉高压的测量的电子设备700的框图。
参照图7，电子设备700包括处理组件710，其进一步包括一个或多个处理器，以及由存储器720所代表的存储器资源，用于存储可由处理组件710的执行的指令，例如应用程序。存储器720中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件710被配置为执行指令，以执行上述模型训练或肺动脉高压的测量方法。
电子设备700还可以包括一个电源组件被配置为执行电子设备700的电源管理，一个有线或无线网络接口被配置为将电子设备700连接到网络，和一个输入输出(I/O)接口。可以基于存储在存储器720的操作系统操作电子设备700，例如Windows ServerTM，Mac OSXTM，UnixTM，LinuxTM，FreeBSDTM或类似。
一种非临时性计算机可读存储介质，当存储介质中的指令由上述电子设备700的处理器执行时，使得上述电子设备700能够执行一种模型训练或肺动脉高压的测量方法，包括：向初始网络模型中输入样本数据，样本数据标注有肺动脉标签、分叉点标签和背景标签中的至少一个，其中肺动脉标签和/或分叉点标签构成前景标签；利用第一分类分支对样本数据进行分类，得到第一分类结果，其中第一分类结果用于表征样本数据是否具有肺动脉或分叉点；利用第二分类分支对具有前景标签的样本数据进行分类，得到第二分类结果，其中第二分类结果用于表征具有前景标签的样本数据是否具有分叉点；基于第一分类结果和第二分类结果，获得最终分类结果，其中最终分类结果用于表征样本数据是否具有分叉点；根据最终分类结果进行模型训练。
或者向网络模型中输入图像数据；利用网络模型的第一分类分支对图像数据进行分类，得到第一分类结果，其中第一分类结果用于表征图像数据是否具有肺动脉或分叉点；利用网络模型的第二分类分支对具有肺动脉或分叉点的图像数据进行分类，得到第二分类结果，第二分类结果用于表征具有肺动脉或分叉点的图像数据是否具有分叉点；基于第一分类结果和第二分类结果，获得至少一个分割层面；基于至少一个分割层面，确定至少一个分割层面中最佳分割层面的管径测量线；基于管径测量线的长度，确定是否存在肺动脉高压的情况。
上述所有可选技术方案，可采用任意结合形成本申请的可选实施例，在此不再一一赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
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。
所述功能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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序校验码的介质。
需要说明的是，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换等，均应包含在本申请的保护范围之内。

Claims (12)

1.一种模型训练的方法，其特征在于，包括：
向初始网络模型中输入样本数据，所述样本数据标注有肺动脉标签、分叉点标签和背景标签中的至少一个，其中所述肺动脉标签和/或所述分叉点标签构成前景标签；
利用第一分类分支对所述样本数据进行分类，得到第一分类结果，其中所述第一分类结果用于表征所述样本数据是否具有肺动脉或分叉点；
利用第二分类分支对具有前景标签的样本数据进行分类，得到第二分类结果，其中所述第二分类结果用于表征所述具有前景标签的样本数据是否具有所述分叉点；
基于所述第一分类结果和所述第二分类结果，获得最终分类结果，其中所述最终分类结果用于表征所述样本数据是否具有所述分叉点；
根据所述最终分类结果进行模型训练。
2.根据权利要求1所述的模型训练的方法，其特征在于，所述基于所述第一分类结果和所述第二分类结果，获得最终分类结果包括：
将所述第一分类结果进行最大池化操作，获得第三分类结果；
将所述第二分类结果进行最大池化操作，获得第四分类结果；
将所述第三分类结果和所述第四分类结果相乘，获得所述最终分类结果。
3.根据权利要求1所述的模型训练的方法，其特征在于，所述向初始网络模型中输入样本数据包括：
向所述初始网络模型中输入连续的预设层数的所述样本数据；
提取所述预设层数的所述样本数据中的任一层进行训练。
4.根据权利要求3所述的模型训练的方法，其特征在于，在所述向所述初始网络模型中输入连续的预设层数的所述样本数据之前，还包括：
分别对所述背景标签，所述肺动脉标签和所述分叉点标签进行标记；
根据所述标记的数值计算完整的所述样本数据的最大值序列；
将所述最大值序列进行归一化计算，获得采样概率。
5.一种肺动脉高压的测量方法，其特征在于，包括：
向网络模型中输入图像数据；
利用所述网络模型的第一分类分支对所述图像数据进行分类，得到第一分类结果，其中所述第一分类结果用于表征所述图像数据是否具有肺动脉或分叉点；
利用所述网络模型的第二分类分支对具有肺动脉或所述分叉点的图像数据进行分类，得到第二分类结果，其中所述第二分类结果用于表征具有所述肺动脉或所述分叉点的图像数据是否具有所述分叉点；
基于所述第一分类结果和所述第二分类结果，获得至少一个分割层面；
基于所述至少一个分割层面，确定所述至少一个分割层面中最佳分割层面的管径测量线；
基于所述管径测量线的长度，确定是否存在肺动脉高压的情况。
6.根据权利要求5所述的肺动脉高压的测量方法，其特征在于，所述基于所述至少一个分割层面，确定所述至少一个分割层面中最佳分割层面的管径测量线包括：
遍历所述至少一个分割层面中的每一个分割层面，以获得所述最佳分割层面，其中所述最佳分割层面包括具有第一分叉点的最大连通区域；
基于所述最大连通区域的第一中心线及所述第一分叉点，获得所述管径测量线。
7.根据权利要求6所述的肺动脉高压的测量方法，其特征在于，所述基于所述最大连通区域的第一中心线及所述第一分叉点，获得所述管径测量线包括：
基于所述最大连通区域的所述第一中心线，确定第二分叉点；
将所述第一分叉点和所述第二分叉点以最短路径相连接，以确定第二中心线；
在所述第二中心线上寻找距离所述第一分叉点预设位置处的测量点；
将所述测量点位置处所述第二中心线的法线与所述最大连通区域的边界相交部分的长度作为所述管径测量线。
8.根据权利要求6所述的肺动脉高压的测量方法，其特征在于，所述遍历所述至少一个分割层面中的每一个分割层面，以获得所述最佳分割层面包括：
遍历所述至少一个分割层面中的每一个分割层面，将包含有所述分叉点的层面作为第一候选层面，其中所述第一候选层面包括肺动脉分割结果；
将所述第一候选层面中分叉点区域的像素数量与像素数量阈值进行比较，以获得第二候选层面；
当所述第二候选层面中的所述分叉点区域与所述肺动脉分割结果组成所述最大连通区域时，所述第二候选层面为所述最佳分割层面。
9.一种模型训练的装置，其特征在于，包括：
输入模块，用于向初始网络模型中输入样本数据，所述样本数据标注有肺动脉标签、分叉点标签和背景标签中的至少一个，其中所述肺动脉标签和/或所述分叉点标签构成前景标签；
第一分类模块，用于利用第一分类分支对所述样本数据进行分类，得到第一分类结果，其中所述第一分类结果用于表征所述样本数据是否具有肺动脉或分叉点；
第二分类模块，用于利用第二分类分支对具有前景标签的样本数据进行分类，得到第二分类结果，所述第二分类结果用于表征所述具有前景标签的样本数据是否具有所述分叉点；
获得模块，用于基于所述第一分类结果和所述第二分类结果，获得最终分类结果，所述最终分类结果用于表征所述样本数据是否具有所述分叉点；
训练模块，用于根据所述最终分类结果进行模型训练。
10.一种肺动脉高压的测量装置，其特征在于，包括：
输入模块，用于向网络模型中输入图像数据；
第一分类模块，用于利用网络模型的第一分类分支对所述图像数据进行分类，得到第一分类结果，其中所述第一分类结果用于表征所述图像数据是否具有肺动脉或分叉点；
第二分类模块，用于利用所述网络模型的第二分类分支对具有肺动脉或所述分叉点的图像数据进行分类，得到第二分类结果，所述第二分类结果用于表征具有所述肺动脉或所述分叉点的图像数据是否具有分叉点；
获得模块，用于基于所述第一分类结果和所述第二分类结果，获得至少一个分割层面；
第一确定模块，用于基于所述至少一个分割层面，确定所述至少一个分割层面中最佳分割层面的管径测量线；
第二确定模块，用于基于所述管径测量线的长度，确定是否存在肺动脉高压的情况。
11.一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至4任一项所述的模型训练的方法，和/或用于执行上述权利要求5至8任一项所述的肺动脉高压的测量方法。
12.一种电子设备，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，
其中，所述处理器用于执行上述权利要求1至4任一项所述的模型训练的方法，和/或用于执行上述权利要求5至8任一项所述的肺动脉高压的测量方法。
CN202110611034.4A 2021-06-01 2021-06-01 模型训练的方法及装置、肺动脉高压的测量方法及装置 Active CN113361584B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110611034.4A CN113361584B (zh) 2021-06-01 2021-06-01 模型训练的方法及装置、肺动脉高压的测量方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110611034.4A CN113361584B (zh) 2021-06-01 2021-06-01 模型训练的方法及装置、肺动脉高压的测量方法及装置

Publications (2)

Publication Number Publication Date
CN113361584A true CN113361584A (zh) 2021-09-07
CN113361584B CN113361584B (zh) 2022-05-27

Family

ID=77531052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110611034.4A Active CN113361584B (zh) 2021-06-01 2021-06-01 模型训练的方法及装置、肺动脉高压的测量方法及装置

Country Status (1)

Country Link
CN (1) CN113361584B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116386877A (zh) * 2023-06-01 2023-07-04 中国医学科学院阜外医院 一种肺动脉高压发生概率的确认方法、辅助决策系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170024886A1 (en) * 2014-04-11 2017-01-26 University Of Florida Research Foundation, Inc. System and method for diagnosing defects in random flow systems
CN108027970A (zh) * 2015-09-10 2018-05-11 爱克发医疗保健公司 用于分析血管的医学图像的方法、装置和系统
CN108921198A (zh) * 2018-06-08 2018-11-30 山东师范大学 基于深度学习的商品图像分类方法、服务器及系统
CN108986073A (zh) * 2018-06-04 2018-12-11 东南大学 一种基于改进的Faster R-CNN框架的CT图像肺结节检测方法
CN110728675A (zh) * 2019-10-22 2020-01-24 慧影医疗科技（北京）有限公司 肺结节分析装置、模型训练方法、装置及分析设备
CN111145206A (zh) * 2019-12-27 2020-05-12 联想(北京)有限公司 肝脏图像分割质量评估方法、装置及计算机设备
CN111462047A (zh) * 2020-03-06 2020-07-28 深圳睿心智能医疗科技有限公司 血管参数测量方法、装置、计算机设备和存储介质
CN112070790A (zh) * 2020-09-11 2020-12-11 杭州微引科技有限公司 一种基于深度学习和图像处理的混合肺部分割系统
WO2020249960A1 (en) * 2019-06-12 2020-12-17 Brainomix Limited Angiographic data analysis
CN112232355A (zh) * 2020-12-11 2021-01-15 腾讯科技（深圳）有限公司 图像分割网络处理、图像分割方法、装置和计算机设备
CN112489047A (zh) * 2021-02-05 2021-03-12 四川大学 一种基于深度学习的盆骨及其动脉血管的多层级分割方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170024886A1 (en) * 2014-04-11 2017-01-26 University Of Florida Research Foundation, Inc. System and method for diagnosing defects in random flow systems
CN108027970A (zh) * 2015-09-10 2018-05-11 爱克发医疗保健公司 用于分析血管的医学图像的方法、装置和系统
CN108986073A (zh) * 2018-06-04 2018-12-11 东南大学 一种基于改进的Faster R-CNN框架的CT图像肺结节检测方法
CN108921198A (zh) * 2018-06-08 2018-11-30 山东师范大学 基于深度学习的商品图像分类方法、服务器及系统
WO2020249960A1 (en) * 2019-06-12 2020-12-17 Brainomix Limited Angiographic data analysis
CN110728675A (zh) * 2019-10-22 2020-01-24 慧影医疗科技（北京）有限公司 肺结节分析装置、模型训练方法、装置及分析设备
CN111145206A (zh) * 2019-12-27 2020-05-12 联想(北京)有限公司 肝脏图像分割质量评估方法、装置及计算机设备
CN111462047A (zh) * 2020-03-06 2020-07-28 深圳睿心智能医疗科技有限公司 血管参数测量方法、装置、计算机设备和存储介质
CN112070790A (zh) * 2020-09-11 2020-12-11 杭州微引科技有限公司 一种基于深度学习和图像处理的混合肺部分割系统
CN112232355A (zh) * 2020-12-11 2021-01-15 腾讯科技（深圳）有限公司 图像分割网络处理、图像分割方法、装置和计算机设备
CN112489047A (zh) * 2021-02-05 2021-03-12 四川大学 一种基于深度学习的盆骨及其动脉血管的多层级分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张鹏: "肺动脉高压影像学临床研究", 《中外医疗》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116386877A (zh) * 2023-06-01 2023-07-04 中国医学科学院阜外医院 一种肺动脉高压发生概率的确认方法、辅助决策系统
CN116386877B (zh) * 2023-06-01 2023-09-12 中国医学科学院阜外医院 一种肺动脉高压发生概率的确认方法、辅助决策系统

Also Published As

Publication number Publication date
CN113361584B (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN110111313B (zh) 基于深度学习的医学图像检测方法及相关设备
CN110110617B (zh) 医学影像分割方法、装置、电子设备和存储介质
CN110059697B (zh) 一种基于深度学习的肺结节自动分割方法
JP2019533805A (ja) 視覚化されたスライド全域画像分析を提供するためのデジタル病理学システムおよび関連するワークフロー
CN110705403A (zh) 细胞分类方法、装置、介质及电子设备
CN109712695B (zh) 血管图像的处理方法及交互显示方法、计算机装置
CN110610472A (zh) 实现肺结节图像分类检测的计算机装置及方法
US7103203B2 (en) Medical imaging station with a function of extracting a path within a ramified object
CN115409990B (zh) 一种医学图像分割方法、装置、设备及存储介质
Taqi et al. Skin lesion detection by android camera based on SSD-Mo-bilenet and tensorflow object detection API
CN114648676A (zh) 点云处理模型的训练和点云实例分割方法及装置
CN110738702B (zh) 一种三维超声图像的处理方法、装置、设备及存储介质
CN113361584B (zh) 模型训练的方法及装置、肺动脉高压的测量方法及装置
CN113096080A (zh) 图像分析方法及系统
CN116468690B (zh) 基于深度学习的浸润性非粘液性肺腺癌的亚型分析系统
CN115631370A (zh) 一种基于卷积神经网络的mri序列类别的识别方法及装置
JP2020087463A (ja) 検出装置及び方法、画像処理装置及びシステム、並びに記憶媒体
CN110807286A (zh) 一种结构网格识别方法
CN113792740B (zh) 眼底彩照的动静脉分割方法、系统、设备及介质
US20240104804A1 (en) System for clustering data points
CN115861255A (zh) 用于图像处理的模型训练方法、装置、设备、介质及产品
KR101830512B1 (ko) Dl과 pde을 복합 적용하여 최적화한 영상 세그먼테이션 방법 및 시스템
CN115147359A (zh) 肺叶分割网络模型训练方法、装置、电子设备及存储介质
CN114972361A (zh) 一种血流分割方法、装置、设备及存储介质
CN113658104A (zh) 血管图像处理方法、电子设备及计算机可读存储介质

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