【技术实现步骤摘要】
本专利技术涉及医学图像处理，具体而言，涉及一种创伤评估模型训练方法、创伤评估方法及电子设备。
技术介绍
1、在医学领域，创伤评估的迅速性和准确性对于提高患者的生存率至关重要。超声成像技术以其便捷、无创和无辐射的特点，在创伤患者的快速诊断中扮演着越来越重要的角色。
2、创伤超声重点评估(focused assessment with sonography for trauma,fast)作为超声技术在创伤评估中的一项创新应用，通过标准化的检查流程，快速评估患者是否存在心包、胸腔或腹腔内的游离液体。fast超声检查的六个关键切面：剑下四腔心切面、右侧肋间斜切面、右侧冠状切面、左肋间斜切面、左冠状切面以及盆腔切面。
3、但fast超声检查对深部损伤评估、细微损伤的检测能力依然存在不足，导致对创伤患者诊断的准确性和效率依然不高。
技术实现思路
1、有鉴于此，本专利技术实施例的目的在于，提供一种创伤评估模型训练方法、创伤评估方法及电子设备以至少部分地改善上述问题。
2、为了实现上述目的，本专利技术实施例采用的技术方案如下：
3、第一方面，本专利技术实施例提供了一种创伤评估模型训练方法，应用于模型训练系统，所述模型训练系统包括创伤评估模型，所述创伤评估模型包括医学图像分割网络以及全卷积神经网络，所述全卷积神经网络包括至少两个编码器，所述编码器包括多个网络层，所述方法包括：
4、获取多组超声图像，每组所述超声图像包括创伤患者的各关键区域
5、将每组所述超声图像分别输入所述医学图像分割网络，针对每组所述超声图像样本中的每张所述超声图像分别进行分割，得到各所述超声图像对应的区分积液与非积液区域的掩码图像；
6、将每组所述超声图像对应的各所述掩码图像分别输入对应的所述编码器进行特征提取，在特征提取过程中，对各所述编码器的每层网络层进行响应度量分析，得到各所述网络层对分类结果的重要性，基于所述重要性调整各所述编码器的网络层；其中，所述编码器与所述掩码图像一一对应；
7、根据各所述重要性，组合出针对各所述编码器的网络层的输出数据进行融合的多套融合方案，分别计算出在所述创伤评估模型使用各套所述融合方案的情况下，所述创伤评估模型对该组所述超声图像样本各分类性能指标；
8、选择所述分类性能指标最优的融合方案作为所述创伤评估模型的融合方案，得到训练后的创伤评估模型。
9、第二方面，本专利技术实施例提供了一种创伤评估方法，其特征在于，应用于创伤评估模型，所述创伤评估模型包括医学图像分割网络以及全卷积神经网络，所述方法包括：
10、获取待检测超声图像组，所述待检测超声图像组包括创伤患者的各关键区域分别对应的超声图像；
11、将所述待检测超声图像组输入所述医学图像分割网络，针对每张所述超声图像分别进行分割，得到各所述超声图像对应的区分积液与非积液区域的掩码图像；
12、将各所述掩码图像输入所述全卷积神经网络，得到所述待检测超声图像组的分类结果。
13、第三方面，本专利技术实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面中任一项所述的方法；和/或，上述第二个方面所述的方法。
14、相对于现有技术，本专利技术实施例提供的一种创伤评估模型训练方法、创伤评估方法及电子设备，对创伤评估模型进行训练时，针对每组超声图像样本中的每张超声图像，使用医学图像分割网络分别进行分割，得到各超声图像对应的区分积液与非积液区域的掩码图像，再将各掩码图像分别输入全卷积神经网络的各个对应的编码器，并对各编码器的各网络层进行响应度量分析，得到各网络层对分类结果的重要性，基于各重要性调整各编码器的网络层。并且，根据重要性，组合出针对各编码器的网络层的输出数据进行融合的多套融合方案，进而再计算使用每套融合方案的情况下，创伤评估模型的分类性能指标，并选择分类性能指标最优的融合方案作为创伤评估模型的融合方案，得到训练后的创伤评估模型。从而能够训练出识别超声图像中的深部损伤以及细微损伤的创伤评估模型，提高对创伤患者诊断的准确性和效率。
15、为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
本文档来自技高网...【技术保护点】
1.一种创伤评估模型训练方法，其特征在于，应用于模型训练系统，所述模型训练系统包括创伤评估模型，所述创伤评估模型包括医学图像分割网络以及全卷积神经网络，所述全卷积神经网络包括至少两个编码器，所述编码器包括多个网络层，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将每组所述超声图像对应的各所述掩码图像分别输入对应的所述编码器进行特征提取，在特征提取过程中，对各所述编码器的每层网络层进行响应度量分析，得到各所述网络层对分类结果的重要性，基于所述重要性调整各所述编码器的网络层，包括：
3.根据权利要求2所述的方法，其特征在于，所述针对每个所述编码器，通过对所述编码器的每个所述网络层进行分析，得到每个所述网络层对所述创伤评估模型的分类结果的预估重要性，包括：
4.根据权利要求3所述的方法，其特征在于，所述对各所述网络层的输出数据进行分析，获得各所述网络层对所述创伤评估模型的分类结果的贡献度以及敏感度，包括：
5.根据权利要求2所述的方法，其特征在于，所述根据各所述预估重要性，循环移除满足预设重要性条件的所述网络层后，计算得到
6.根据权利要求2所述的方法，其特征在于，所述基于所述重要性调整所述编码器的网络层，包括：
7.根据权利要求1所述的方法，其特征在于，所述根据各所述重要性，组合出针对各所述编码器的网络层的输出数据进行融合的多套融合方案，分别计算出在所述创伤评估模型使用各套所述融合方案的情况下，所述创伤评估模型对该组所述超声图像样本各分类性能指标，包括：
8.根据权利要求7所述的方法，其特征在于，所述全卷积神经网络包括六个编码器，所述使用各套所述融合方案对各所述备选融合层的输出数据进行融合，包括：
9.一种创伤评估方法，其特征在于，应用于如权利要求1至8任一项所述的方法训练出的创伤评估模型，所述创伤评估模型包括医学图像分割网络以及全卷积神经网络，所述方法包括：
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至8任一项和/或如权利要求9所述的方法。
...【技术特征摘要】
1.一种创伤评估模型训练方法，其特征在于，应用于模型训练系统，所述模型训练系统包括创伤评估模型，所述创伤评估模型包括医学图像分割网络以及全卷积神经网络，所述全卷积神经网络包括至少两个编码器，所述编码器包括多个网络层，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将每组所述超声图像对应的各所述掩码图像分别输入对应的所述编码器进行特征提取，在特征提取过程中，对各所述编码器的每层网络层进行响应度量分析，得到各所述网络层对分类结果的重要性，基于所述重要性调整各所述编码器的网络层，包括：
3.根据权利要求2所述的方法，其特征在于，所述针对每个所述编码器，通过对所述编码器的每个所述网络层进行分析，得到每个所述网络层对所述创伤评估模型的分类结果的预估重要性，包括：
4.根据权利要求3所述的方法，其特征在于，所述对各所述网络层的输出数据进行分析，获得各所述网络层对所述创伤评估模型的分类结果的贡献度以及敏感度，包括：
5.根据权利要求2所述的方法，其特征在于，所述根据各所述预估重要性，循环移除满足预设重要性条件的所...
【专利技术属性】
技术研发人员：赵佳琦，周洁文，郭芳琪，李晓兵，蒋卓韵，聂生东，李慧，
申请(专利权)人：上海市第四人民医院，
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。