基于肺部彩超的儿童肺炎辅助诊断模型的训练方法和训练装置与流程

1.本技术涉及医学计算机技术领域，特别地涉及一种基于肺部彩超的儿童肺炎辅助诊断模型的训练方法和训练装置。


背景技术：

2.据世界卫生组织(who)报道，小儿肺炎是儿童致死的首要原因。2015年who估算全球约有92万多名儿童死于肺炎，其中5岁以下儿童约占15％。肺炎诊断有时非常困难，因为症状会根据孩子的年龄和感染的原因有不同的变化。此外，有些症状不仅仅指向儿童肺炎，也可以是其他疾病的相关临床表现。肺炎作为婴幼儿威胁性极高的病症，一旦发现，应给予准确的诊断，然后对症治疗，诊断越早、准确性越高越好，有利于提升患儿的治愈率，对于患儿诊断方法的选择应给予重点关注。特别是社区对于小儿肺炎的诊断，更加需要准确的肺炎诊断手段。
3.然而，以往小儿肺炎的主要影像学检查方法是胸部x射线和ct检查，针对于同一张胸部x射线和ct检查的医学影像，不同时间点或不同医生的判断结果不一致性很高，就具有很大的观察者差异。


技术实现要素：

4.为了解决或至少部分地解决上述技术问题，本技术提供了一种基于肺部彩超的儿童肺炎辅助诊断模型的训练方法，其包括：获取包括多个儿童肺炎患者的彩超图像的诊疗信息数据库；根据数据库获取多个样本集合；对每个样本集合中的训练集进行训练处理，获得训练模型；根据每个样本集合的测试集对训练模型进行检验，获得训练模型的准确度；基于多个训练模型的准确度，确定诊断模型；其中，每个样本集合包括训练集及对应的测试集。
5.本技术基于肺部彩超的儿童肺炎辅助诊断模型的训练方法，包括：获取包括多个儿童肺炎患者的彩超图像的诊疗信息数据库，数据库的来源可以为某医院的儿科，在就诊期间所获得的儿童肺炎患者就诊资料，数据库可以为诊断模型的训练提供数据支持，尽可能地提升诊断模型的准确性。
6.接着，根据数据库获取多个样本集合，对于每个样本集合而言，均具有训练集和对应的测试集，一个样本集合可以包含数据库的所有数据，也可以仅包含部分数据。训练集中的诊疗信息用于模型训练，测试集的数量用于模型准确的测试，经过训练后获得的训练模型，再经由测试集的检验，从而能够得到训练模型的准确度。
7.其中，对每个样本集合中的训练集进行训练处理，获得训练模型，然后在根据每个样本集合的测试集对训练模型进行检验，获得训练模型的准确度。由于样本集合的数量为多个，当对每个样本集合均进行训练处理时，则会获得多个训练模型，那么对多个训练模型分别进行检验之后，则会获得多个训练模型的准确度。
8.最后，基于多个训练模型的准确度，确定诊断模型，诊断模型的准确度较高，能够为医生的诊断提供帮助，减轻儿科医生工作压力，提高各级医院对于肺炎的诊断率，辅助临床医生减少漏诊和误诊率，还能够将该诊断模型作为医生学习诊断的工具，也能够为医生的快速成长提供巨大的推动力。
9.值得说明的是，本技术所提供的基于肺部彩超的儿童肺炎辅助诊断模型的训练方法涉及获取数据，而并不作为诊断手段。
10.可选地，每个诊疗信息包括超声图像、对应的检验结果以及对应的诊断信息。
11.可选地，获得由多个儿童肺炎患者的诊疗信息构成的数据库的步骤，具体包括：获取多个儿童肺炎患者的诊疗信息；对多个诊疗信息中的超声图像进行图像预处理，获得数据库；其中，图像预处理包括裁剪、翻转、旋转、缩放处理。
12.可选地，根据数据库获取多个样本集合的步骤，具体包括：在数据库随机获取多个样本集合；其中，任两个样本集合中训练集和测试集的比例不同。
13.可选地，多个训练模型包括第一训练模型和第二训练模型，基于多个训练模型的准确度，确定诊断模型的步骤，具体包括：第一训练模型的准确度大于第二训练模型的准确度，确定第一训练模型为诊断模型。
14.可选地，诊断模型的网络结构包括alexnet网络结构、resnet18网络结构或resnet50网络结构。
15.本技术还提供了一种基于肺部彩超的儿童肺炎辅助诊断模型的训练装置，其特征在于，包括：
16.获取模块，用于获取包括多个儿童肺炎患者的彩超图像的诊疗信息数据库，根据数据库获取多个样本集合；
17.训练模块，用于对每个样本集合中的训练集进行训练处理，获得训练模型；
18.测试模块，根据每个样本集合的测试集对训练模型进行检验，获得训练模型的准确度；
19.确定模块，基于多个训练模型的准确度，确定诊断模型；
20.其中，每个样本集合包括训练集及对应的测试集。
21.本技术中用于儿童肺炎辅助诊断模型训练装置包括获取模块、训练模块、测试模块和确定模块，其中，获取模块用于获取包括多个儿童肺炎患者的彩超图像的诊疗信息数据库，数据库的来源可以为某医院的儿科，在就诊期间所获得的儿童肺炎患者就诊资料，数据库可以为诊断模型的训练提供数据支持，尽可能地提升诊断模型的准确性。
22.接着，获取模块还能够根据数据库获取多个样本集合，对于每个样本集合而言，均具有训练集和对应的测试集，一个样本集合可以包含数据库的所有数据，也可以仅包含部分数据。训练集中的诊疗信息用于模型训练，测试集的数量用于模型准确的测试，经过训练后获得的训练模型，再经由测试集的检验，从而能够得到训练模型的准确度。
23.其中，训练模块能够每个样本集合中的训练集进行训练处理，获得训练模型，然后再通过训练模块，根据每个样本集合的测试集对训练模型进行检验，获得训练模型的准确度。由于样本集合的数量为多个，当对每个样本集合均进行训练处理时，则会获得多个训练模型，那么对多个训练模型分别进行检验之后，则会获得多个训练模型的准确度。
24.最后，确定模块能够基于多个训练模型的准确度，确定诊断模型，也就是说，再多
个训练模型中选取准确度较高的训练模型作为诊断模型，诊断模型的准确度较高，能够为医生的诊断提供帮助，减轻儿科医生工作压力，提高各级医院对于肺炎的诊断率，辅助临床医生减少漏诊和误诊率，还能够将该诊断模型作为医生学习诊断的工具，也能够为医生的快速成长提供巨大的推动力。
25.可选地，获取模块还用于：在数据库随机获取多个样本集合，其中，任两个样本集合中训练集和测试集的比例不同。
26.本技术还提供了一种计算机设备，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：处理器用于执行如前述基于肺部彩超的儿童肺炎辅助诊断模型的训练方法的步骤。
27.本技术中的计算机设备，其包含的处理器用于执行上述任一设计中基于肺部彩超的儿童肺炎辅助诊断模型的训练方法的步骤，因而，该计算机设备能够实现该基于肺部彩超的儿童肺炎辅助诊断模型的训练方法的全部有益效果，在此不再赘述。
28.本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于：计算机程序被处理器执行时实现了如前述基于肺部彩超的儿童肺炎辅助诊断模型的训练方法的步骤。
29.本技术中的计算机可读存储介质，其上存储的计算机程序被处理器执行时实现了如上述任一设计中的基于肺部彩超的儿童肺炎辅助诊断模型的训练方法的步骤，因而该计算机可读存储介质能够实现该训练方法全部的有益效果，不再赘述。
附图说明
30.为了更清楚地说明本技术的实施方式，下面将对相关的附图做出简单介绍。可以理解，下面描述中的附图仅用于示意本技术的一些实施方式，本领域普通技术人员还可以根据这些附图获得本文中未提及的许多其他的技术特征和连接关系等。
31.图1为根据本技术的一个实施例的基于肺部彩超的儿童肺炎辅助诊断模型的训练方法的流程示意图。
32.图2为根据本技术的另一个实施例的基于肺部彩超的儿童肺炎辅助诊断模型的训练方法的流程示意图。
33.图3为根据本技术的一个实施例的基于肺部彩超的儿童肺炎辅助诊断模型的训练装置的示意框图。
34.图4为根据本技术的一个实施例中计算机设备的示意框图。
具体实施方式
35.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行详细说明。
36.本技术的发明人发现，在相关技术中，对于儿童肺炎的诊断主要依赖于医学影像，然而，针对于同一医学影像，不同的观察者的判断结果不一致性很高，存在漏诊、误诊的可能。
37.有鉴于此，本技术提供了一种基于肺部彩超的儿童肺炎辅助诊断模型的训练方法，以辅助临床医生减少漏诊和误诊率，同时也能够降低临床医生工作强度，提高诊断准确
性以及诊断效率。
38.实施方式一
39.如图1所示，根据本技术的一个实施例的基于肺部彩超的儿童肺炎辅助诊断模型的训练方法的流程示意图。其中，训练方法包括：
40.s102，获取包括多个儿童肺炎患者的彩超图像的诊疗信息数据库；
41.s104，根据数据库获取多个样本集合；
42.s106，对每个样本集合中的训练集进行训练处理，获得训练模型；
43.s108，根据每个样本集合的测试集对训练模型进行检验，获得训练模型的准确度；
44.s110，基于多个训练模型的准确度，确定诊断模型；
45.其中，每个样本集合包括训练集及对应的测试集。
46.本技术基于肺部彩超的儿童肺炎辅助诊断模型的训练方法，包括：获取包括多个儿童肺炎患者的彩超图像的诊疗信息数据库，数据库的来源可以为某医院的儿科，在就诊期间所获得的儿童肺炎患者就诊资料，数据库可以为诊断模型的训练提供数据支持，尽可能地提升诊断模型的准确性。
47.接着，根据数据库获取多个样本集合，对于每个样本集合而言，均具有训练集和对应的测试集，一个样本集合可以包含数据库的所有数据，也可以仅包含部分数据。训练集中的诊疗信息用于模型训练，测试集的数量用于模型准确的测试，经过训练后获得的训练模型，再经由测试集的检验，从而能够得到训练模型的准确度。
48.其中，对每个样本集合中的训练集进行训练处理，获得训练模型，然后在根据每个样本集合的测试集对训练模型进行检验，获得训练模型的准确度。由于样本集合的数量为多个，当对每个样本集合均进行训练处理时，则会获得多个训练模型，那么对多个训练模型分别进行检验之后，则会获得多个训练模型的准确度。
49.最后，基于多个训练模型的准确度，确定诊断模型，诊断模型的准确度较高，能够为医生的诊断提供帮助，减轻儿科医生工作压力，提高各级医院对于肺炎的诊断率，辅助临床医生减少漏诊和误诊率，还能够将该诊断模型作为医生学习诊断的工具，也能够为医生的快速成长提供巨大的推动力。
50.可选地，每个诊疗信息包括超声图像、对应的检验结果以及对应的诊断信息。
51.在该实施例中，数据库内包含多个诊疗信息，每个诊疗信息对应一个患者，每个诊疗信息包括每个患者对应的超声图像、检验结果和诊断信息。
52.其中，超声图像是采用超声成像技术获得的。具体地，超声成像是利用超声扫描人体，通过对反射信号的接收、处理，以获得体内器官的图像。常用的超声仪器有多种：a型(幅度调制型)是以波幅的高低表示反射信号的强弱，显示的是一种“回声图”。超声图像具有无创、无放射性的特点，可以有效改善患者受辐射损伤的情况，具有可行性，且超声检查具有简便、快捷、多方向性以及限制性少的优点。
53.其中，检验结果包括患者住院期间的血液检查结果。
54.其中，诊断信息包括医生根据超声图像、检验结果对患者的病情做出诊断结论。具体地，诊断信息包括气胸、肺间质综合征、肺实变、急性肺损伤、呼吸窘迫综合征、新生儿暂时性呼吸增快症和肺炎等。
55.具体来说，健康人体肺组织中含有大量的气体和少量的水，胸膜和肺组织交界面
构成软组织与气体之间的界面，当声波透过此界面时产生强反射，而小儿肺炎疾病主要病理变化是肺组织呈渗出性改变，正常肺泡充气被渗出液、炎症细胞等充填，此为超声诊断肺炎的基础。
56.当肺部出现炎症时，肺含气减少，而炎症渗出增多，气液间声阻抗增大，超声在气液交界处发生强烈混响从而形成彗星尾征，向远场延伸即为b线。b线的数量取决于肺通气损失的程度，其回声的强度随着吸气运动增加。其中，间距≤3mm的多条b线，称为b3线，其与胸部ct显示的毛玻璃影相关，提示有肺泡性肺水肿的可能，而间距＞7mm的多条b线，称为b7线，则提示有小叶间隔增厚的可能。若患儿病情发展至肺泡内气体消失，充满大量纤维蛋白及红细胞、白细胞等渗出物时，成为超声诊断肺实变的病理学基础。实变肺与胸膜直接接触或透过水构成声窗时，即为超声检查提供了条件。
57.实施方式二
58.如图2所示，根据本技术的另一个实施例的基于肺部彩超的儿童肺炎辅助诊断模型的训练方法的流程示意图。其中，训练方法包括：
59.s202，获取多个儿童肺炎患者的诊疗信息；
60.s204，对多个诊疗信息中的超声图像进行图像预处理，获得数据库；
61.s206，根据数据库获取多个样本集合；
62.s208，对每个样本集合中的训练集进行训练处理，获得训练模型；
63.s210，根据每个样本集合的测试集对训练模型进行检验，获得训练模型的准确度；
64.s212，基于多个训练模型的准确度，确定诊断模型。
65.在该实施例中，获得由多个儿童肺炎患者的诊疗信息构成的数据库的步骤，具体包括：获取多个儿童肺炎患者的诊疗信息，每个儿童肺炎患者的诊疗信息都包括超声图像、对应的检验结果和对应的诊断信息。在后续的训练处理过程中，由多个诊疗信息构成的样本集合作为训练基础，因此，诊疗信息的精准度尤为重要。
66.其中，诊疗信息中的检验结果和诊断信息均为数据文本构成，精度比较高，可以直接进行训练处理，然而，超声图像由于不同的影像学设备限制或者是影像医生的操作熟练程度等因素影响，超声图像的精度具有提升空间。
67.本实施例中对于每个诊疗信息中的超声图像进行图像预处理，从而可以降低超声图像中的噪声，弥补超声图像的数据缺陷，提高超声图像的精度，进而提升训练处理的高效性。
68.值得说明的是，在超声图像中,主要的噪声来自于散斑(speckle),他是由于声束在不均匀微细组织的散射所引起的干涉作用造成的,他在图像中表现为颗粒状,并不反映实际的组织结构,但却影响了图像的细节分辨能力。这不利于图像的定量分析,因此需对图像中的散斑噪声进行抑制。
69.可选地，图像预处理包括裁剪、翻转、旋转、缩放处理。
70.其中，在训练处理进行之前，为了减少数据计算的工作量，提高训练速度，可以对感兴趣的特征部分进行原图片的裁剪，这样每张超声图像既保留了待提取的特征集，又缩小了整体的尺寸，可有效缩短训练模型耗费的时间，提升训练效率。
71.可选地，根据数据库获取多个样本集合的步骤，具体包括：在数据库随机获取多个样本集合；其中，任两个样本集合中训练集和测试集的比例不同。
72.在该实施例中，根据数据库获取多个样本集合的步骤，具体包括：在数据库随机获取多个样本集合，从而尽可能地保证针对于每个样本集合中训练集在进行训练处理时的特有性质，尽可能地获得不同的训练模型，为得到最终的诊断模型提供更多的选择。
73.可选地，任意两个样本集合中训练集和测试集的比例不同，即任意两个样本集合的构成不同，此时，针对于这两个样本集合而言，其所获得的训练模型也具有各异性。
74.比如，在数据库中获取第一样本集合、第二样本集合和第三样本集合，其中，第一样本集合中训练集和测试集的比例为5:5，第二样本集合中训练集和测试集的比例为8:2，第三样本集合中训练集和测试集的比例为9:1，那么，针对于第一样本集合的测试集进行训练可以获得第一训练模型，针对于第二样本集合的测试集进行训练可以获得第二训练模型，针对于第三样本集合的测试集进行训练可以获得第三训练模型，然后，再通过各自的测试集对所获得的训练模型的准确性进行检验，获得各自对应的准确度，根据多个训练模型的准确度，从而确定诊断模型。
75.当诊断模型应用于实际的超声检查过程中时，将患者的肺部超声图像输入诊断模型中，则可以辅助医生减少漏诊和误诊率，起到早诊断、早治疗的目的。
76.可选地，多个训练模型包括第一训练模型和第二训练模型，基于多个训练模型的准确度，确定诊断模型的步骤，具体包括：第一训练模型的准确度大于第二训练模型的准确度，确定第一训练模型为诊断模型。
77.在该实施例中，多个训练模型包括第一训练模型和第二训练模型，基于多个训练模型的准确度，确定诊断模型的步骤，具体包括：第一训练模型的准确度大于第二训练模型的准确度，确定第一训练模型为诊断模型，诊断模型为准确度较高的训练模型。
78.其中，训练模型的准确度较高则表明其效能优异，能够很好地根据超声图像获得诊断信息，从而能够有效辅助临床医生，降低工作强度。
79.值得说明的是，多个训练模型的数量可以为正整数，不设上限，可以根据实际情况选择样本集合的数量，从而获得对应数量的训练模型，然后在多个训练模型中择优选择准确度较高，以作为最终的诊断模型。
80.可选地，诊断模型的网络结构包括alexnet网络结构、resnet18网络结构或resnet50网络结构。
81.实施方式三
82.如图3示出了本技术的一个实施例的基于肺部彩超的儿童肺炎辅助诊断模型的训练装置的示意框图。如图3所示，训练装置300包括：
83.获取模块302，用于获取包括多个儿童肺炎患者的彩超图像的诊疗信息数据库，根据数据库获取多个样本集合；
84.训练模块304，用于对每个样本集合中的训练集进行训练处理，获得训练模型；
85.测试模块306，根据每个样本集合的测试集对训练模型进行检验，获得训练模型的准确度；
86.确定模块308，基于多个训练模型的准确度，确定诊断模型；
87.其中，每个样本集合包括训练集及对应的测试集。
88.本技术中基于肺部彩超的儿童肺炎辅助诊断模型的训练装置300包括获取模块302、训练模块304、测试模块306和确定模块308，其中，获取模块302用于获取包括多个儿童
肺炎患者的彩超图像的诊疗信息数据库，数据库的来源可以为某医院的儿科，在就诊期间所获得的儿童肺炎患者就诊资料，数据库可以为诊断模型的训练提供数据支持，尽可能地提升诊断模型的准确性。
89.接着，获取模块302还能够根据数据库获取多个样本集合，对于每个样本集合而言，均具有训练集和对应的测试集，一个样本集合可以包含数据库的所有数据，也可以仅包含部分数据。训练集中的诊疗信息用于模型训练，测试集的数量用于模型准确的测试，经过训练后获得的训练模型，再经由测试集的检验，从而能够得到训练模型的准确度。
90.其中，训练模块304能够每个样本集合中的训练集进行训练处理，获得训练模型，然后再通过测试模块306，根据每个样本集合的测试集对训练模型进行检验，获得训练模型的准确度。由于样本集合的数量为多个，当对每个样本集合均进行训练处理时，则会获得多个训练模型，那么对多个训练模型分别进行检验之后，则会获得多个训练模型的准确度。
91.最后，确定模块308能够基于多个训练模型的准确度，确定诊断模型，诊断模型的准确度较高，能够为医生的诊断提供帮助，减轻儿科医生工作压力，提高各级医院对于肺炎的诊断率，辅助临床医生减少漏诊和误诊率，还能够将该诊断模型作为医生学习诊断的工具，也能够为医生的快速成长提供巨大的推动力。
92.可选地，获取模块302还用于：在数据库随机获取多个样本集合，其中，任两个样本集合中训练集和测试集的比例不同。
93.可选地，每个诊疗信息包括超声图像、对应的检验结果以及对应的诊断信息。
94.可选地，获取模块302还用于：获取多个儿童肺炎患者的诊疗信息；对多个诊疗信息中的超声图像进行图像预处理，获得数据库；其中，图像预处理包括裁剪、翻转、旋转、缩放处理。
95.可选地，多个训练模型包括第一训练模型和第二训练模型，确定模块308还用于：第一训练模型的准确度大于第二训练模型的准确度，确定第一训练模型为诊断模型。
96.可选地，诊断模型的网络结构包括alexnet网络结构、resnet18网络结构或resnet50网络结构。
97.实施方式四
98.如图4示出了本技术的一个实施例中计算机设备400的示意框图。其中，计算机设备400包括存储器402、处理器404及存储在存储器402上并可在处理器404上运行的计算机程序，其特征在于：处理器404用于执行如前述基于肺部彩超的儿童肺炎辅助诊断模型的训练方法的步骤。
99.本技术中的计算机设备400，其包含的处理器404用于执行上述任一设计中基于肺部彩超的儿童肺炎辅助诊断模型的训练方法的步骤，因而，该计算机设备400能够实现该基于肺部彩超的儿童肺炎辅助诊断模型的训练方法的全部有益效果，在此不再赘述。
100.实施方式五
101.本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于：计算机程序被处理器执行时实现了如前述基于肺部彩超的儿童肺炎辅助诊断模型的训练方法的步骤。
102.本技术中的计算机可读存储介质，其上存储的计算机程序被处理器执行时实现了如上述任一设计中的基于肺部彩超的儿童肺炎辅助诊断模型的训练方法的步骤，因而该计
算机可读存储介质能够实现该训练方法全部的有益效果，不再赘述。
103.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其他的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。