【技术实现步骤摘要】
本申请属于人工智能，尤其涉及一种肺动脉高压发生概率预测模型的训练方法及预测方法。
技术介绍
1、慢性血栓栓塞性肺动脉高压(chronic thrombo embolic pulmonaryhypertension，cteph)是一种由异源性疾病或病因和不同发病机制所致肺血管结构或功能改变，引起肺血管阻力和肺动脉压力升高的临床和病理生理综合征。cteph早期筛查困难，治疗棘手，预后恶劣。因早期症状隐匿，cteph患者常被误诊或漏诊，其中cteph患者从出现症状到确诊平均需要2-4年，且持续性的cteph会导致患者的右心室持续超负荷，最终可发展为右心衰竭而导致死亡。在我国，未经治疗的cteph患者5年平均生存率仅为20.8％。研究表明，早期筛查并得到有效治疗的cteph患者远期生存率远高于中晚期的患者。因此，为减少cteph带来的死亡和不良影响，提升cteph患者的预期寿命并改善cteph患者的生活质量，做到cteph的早期筛查显得至关重要。
2、目前，常见的早期筛查cteph风险的方法主要通过对患者进行计算机断层扫描(computed tomography，ct)肺动脉血管造影，并根据ct肺动脉血管造影的肺血管图像计算血流特征，并根据血流特征预测患者的cteph发生概率。
3、然而，根据血流特征预测患者的cteph发生概率的方法主要依赖于数学模型和流体力学方程，受建模设置的边界条件影响较大，导致对cteph发生概率进行预测的预测准确性较低。
技术实现思路
1、
2、第一方面，本申请实施例提供了一种肺动脉高压发生概率预测模型的训练方法，包括：获取多组历史影像数据，每组历史影像数据包括一个用户的历史肺动脉造影动态影像、历史肺血管图像以及历史心电图，每组历史影像数据标注有历史慢性血栓栓塞性肺动脉高压发生概率；融合yolov6网络模型和特征自适应注意力模型，得到初始预测模型，特征自适应注意力模型用于自适应选择不同卷积核对不同尺度的通道特征进行提取及混洗；输入多组历史影像数据至初始预测模型进行训练，得到目标慢性血栓栓塞性肺动脉高压发生概率预测模型。
3、第二方面，本申请实施例提供了一种肺动脉高压发生概率的预测方法，包括：获取患者的当前影像数据，所述当前影像数据包括当前肺动脉造影动态影像、当前肺血管图像以及当前心电图；输入当前影像数据至目标慢性血栓栓塞性肺动脉高压发生概率预测模型，得到对应的当前慢性血栓栓塞性肺动脉高压发生概率；其中，目标慢性血栓栓塞性肺动脉高压发生概率预测模型通过如上述第一方面所提供的肺动脉高压发生概率预测模型的训练方法训练得到。
4、第三方面，本申请实施例提供了一种肺动脉高压发生概率预测模型的训练装置，包括历史数据获取模块、模型融合模块以及训练模块。历史数据获取模块，用于获取多组历史影像数据，每组历史影像数据包括一个用户的历史肺动脉造影动态影像、历史肺血管图像以及历史心电图，每组历史影像数据标注有历史慢性血栓栓塞性肺动脉高压发生概率；模型融合模块，用于融合yolov6网络模型和特征自适应注意力模型，得到初始预测模型，特征自适应注意力模型用于自适应选择不同卷积核对不同尺度的通道特征进行提取及混洗；训练模块，用于输入多组历史影像数据至初始预测模型进行训练，得到目标慢性血栓栓塞性肺动脉高压发生概率预测模型。
5、第四方面，本申请实施例提供了一种电子设备，包括存储器；一个或者多个处理器，与存储器耦接；一个或者多个应用程序，其中，一个或者多个应用程序被存储在存储器中并被配置为由一个或者多个处理器执行，一个或者多个应用程序被配置用于执行如上述第一方面提供的肺动脉高压发生概率预测模型的训练方法，和/或，如上述第二方面提供的肺动脉高压发生概率的预测方法。
6、第六方面，本申请实施例提供了一种计算机可读取存储介质，计算机可读取存储介质中存储有程序代码，程序代码可被处理器调用执行如上述第一方面提供的肺动脉高压发生概率预测模型的训练方法，和/或，如上述第二方面提供的肺动脉高压发生概率的预测方法。
7、第七方面，本申请实施例提供了一种计算机程序产品，计算机程序产品在计算机设备上运行时，使得计算机设备执行如上述第一方面提供的肺动脉高压发生概率预测模型的训练方法，和/或，如上述第二方面提供的肺动脉高压发生概率的预测方法。
8、本申请提供的方案，通过获取多组历史影像数据，每组历史影像数据包括一个用户的历史肺动脉造影动态影像、历史肺血管图像以及历史心电图，每组历史影像数据标注有历史慢性血栓栓塞性肺动脉高压发生概率，并融合yolov6网络模型和特征自适应注意力模型，得到初始预测模型，特征自适应注意力模型用于自适应选择不同卷积核对不同尺度的通道特征进行提取及混洗，以及输入多组历史影像数据至初始预测模型进行训练，得到目标慢性血栓栓塞性肺动脉高压发生概率预测模型，实现了根据历史影像数据对基于yolov6网络模型及特征自适应注意力模型构建的初始预测模型进行训练，得到目标慢性血栓栓塞性肺动脉高压发生概率预测模型，基于目标慢性血栓栓塞性肺动脉高压发生概率预测模型对慢性血栓栓塞性肺动脉高压发生概率进行预测的预测准确性及预测效率均较高，有利于提高对慢性血栓栓塞性肺动脉高压发生概率进行预测的预测准确性及预测效率。
9、进一步地，特征自适应注意力模型可以自适应选择不同卷积核对不同尺度的通道特征进行提取及混洗，有利于提高目标慢性血栓栓塞性肺动脉高压发生概率预测模型的鲁棒性，从而有利于进一步地提高对慢性血栓栓塞性肺动脉高压发生概率进行预测的预测准确性。
本文档来自技高网...【技术保护点】
1.一种肺动脉高压发生概率预测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的训练方法，其特征在于，所述融合YOLOv6网络模型和特征自适应注意力模型，得到初始预测模型，包括：
3.根据权利要求1所述的训练方法，其特征在于，所述融合YOLOv6网络模型和特征自适应注意力模型，得到初始预测模型之前，所述训练方法，还包括：
4.根据权利要求3所述的训练方法，其特征在于，所述第一特征提取模块包括第一1x1卷积层，所述第一1x1卷积层用于对所述多组历史影像数据进行特征提取，得到第一特征图；所述第二特征提取模块包括5x5深度可分离卷积层、选择性核网络层及9x9深度可分离卷积层，所述5x5深度可分离卷积层用于对所述第一特征图进行深度特征提取，得到第二特征图，所述选择性核网络层用于对所述第一特征图进行权重赋值，得到第三特征图，所述9x9深度可分离卷积层用于对所述第一特征图进行深度特征提取，得到第四特征图；
5.根据权利要求1所述的训练方法，其特征在于，所述输入所述多组历史影像数据至所述初始预测模型进行训练，得到目标慢性血栓栓塞性肺动脉
6.根据权利要求5所述的训练方法，其特征在于，还包括：
7.一种肺动脉高压发生概率的预测方法，其特征在于，包括：
8.一种肺动脉高压发生概率预测模型的训练装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读取存储介质，其特征在于，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行如权利要求1至6中任一项所述的训练方法，和/或，权利要求7所述的预测方法。
...【技术特征摘要】
1.一种肺动脉高压发生概率预测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的训练方法，其特征在于，所述融合yolov6网络模型和特征自适应注意力模型，得到初始预测模型，包括：
3.根据权利要求1所述的训练方法，其特征在于，所述融合yolov6网络模型和特征自适应注意力模型，得到初始预测模型之前，所述训练方法，还包括：
4.根据权利要求3所述的训练方法，其特征在于，所述第一特征提取模块包括第一1x1卷积层，所述第一1x1卷积层用于对所述多组历史影像数据进行特征提取，得到第一特征图；所述第二特征提取模块包括5x5深度可分离卷积层、选择性核网络层及9x9深度可分离卷积层，所述5x5深度可分离卷积层用于对所述第一特征图进行深度特征提取，得到第二特征图，所述选择性核网络层用于对所述第一特征图进行权重赋值，得...
【专利技术属性】
技术研发人员：赵智慧，杨涛，李欣，柳志红，罗勤，赵青，邓丽，
申请(专利权)人：中国医学科学院阜外医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。