[发明专利]模型训练的方法及装置、肺动脉高压的测量方法及装置

说明书

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。

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。