动脉斑块新生血管分级模型的训练方法、分级方法及设备与流程

本申请涉及医学影像领域，具体涉及一种动脉斑块新生血管分级模型的训练方法、分级方法及设备。

背景技术：

1、动脉粥样硬化（atherosclerosis，as）是一种系统性、慢性炎性疾病，其病理特征是动脉内膜脂质堆积以及局部纤维化，导致稳定性斑块和不稳定性斑块的形成。在动脉粥样硬化的进展过程中，动脉内-中膜厚度增厚，并在斑块底部及边缘形成新生血管。这些新生血管由于缺乏完整的基底膜，易于破裂，从而引发斑块内部出血或纤维帽破裂，显著增加心脑血管事件的风险。

2、相关技术中，通常是对动脉斑块图像进行人工分析，以得到该动脉斑块图像的新生血管分级结果。然而，这种得到新生血管分级结果的效率比较低。因此，如何得到一个动脉斑块新生血管分级模型，对于便捷地对动脉斑块图像的新生血管分级结果是目前亟需的技术问题。

技术实现思路

1、为此，本申请的一个目的在于提出一种动脉斑块新生血管分级模型的训练方法、分级方法及设备。

2、根据本申请一方面实施例提出了一种动脉斑块新生血管分级模型的训练方法，所述方法包括：获取样本对象的样本动脉斑块图像以及所述样本动脉斑块图像的动脉斑块新生血管分级结果；对所述样本动脉斑块图像进行图像特征提取，以得到所述样本动脉斑块图像的多个图像特征；根据所述多个图像特征构建第一特征集合，对所述第一特征集合进行显著性检验，以得到第二特征集合，其中，所述第二特征集合中的特征对所述动脉斑块新生血管分级结果有显著影响；根据所述第二特征集合和所述动脉斑块新生血管分级结果，对初始的动脉斑块新生血管分级模型进行训练，以得到所述第二特征集合中各个特征的重要性评分；根据所述重要性评分，对所述第二特征集合进行特征选择，以得到第三特征集合；根据所述第三特征集合和所述动脉斑块新生血管分级结果，重新对所述初始的动脉斑块新生血管分级模型进行训练，以得到目标动脉斑块新生血管分级模型。

3、根据本申请另一方面实施例提出了一种动脉斑块新生血管分级方法，包括：获取待处理对象的目标动脉斑块图像；根据从所述动脉斑块图像中提取到的多个图像特征，构建第一目标特征集合；从所述第一目标特征集合中，确定出待输入至所述目标动脉斑块新生血管分级模型的第二目标特征集合，其中，所述目标动脉斑块新生血管分级模型是本申请实施例所公开的动脉斑块新生血管分级方法得到的；将所述第二目标特征集合输入到所述目标动脉斑块新生血管分级模型中，以得到所述目标动脉斑块图像的动脉斑块新生血管分级结果。

4、根据本申请另一方面实施例提出了一种动脉斑块新生血管分级模型的训练装置，所述装置包括：第一获取模块，用于获取样本对象的样本动脉斑块图像以及所述样本动脉斑块图像的动脉斑块新生血管分级结果；特征提取模块，用于对所述样本动脉斑块图像进行图像特征提取，以得到所述样本动脉斑块图像的多个图像特征；显著性校验模块，用于根据所述多个图像特征构建第一特征集合，对所述第一特征集合进行显著性检验，以得到第二特征集合，其中，所述第二特征集合中的特征对所述动脉斑块新生血管分级结果有显著影响；第一训练模块，用于根据所述第二特征集合和所述动脉斑块新生血管分级结果，对初始的动脉斑块新生血管分级模型进行训练，以得到所述第二特征集合中各个特征的重要性评分；特征选择模块，用于根据所述重要性评分，对所述第二特征集合进行特征选择，以得到第三特征集合；第二训练模块，用于根据所述第三特征集合和所述动脉斑块新生血管分级结果，重新对所述初始的动脉斑块新生血管分级模型进行训练，以得到目标动脉斑块新生血管分级模型。

5、根据本申请另一方面实施例提出了一种动脉斑块新生血管分级装置，包括：第二获取模块，用于获取待处理对象的目标动脉斑块图像；构建模块，用于根据从所述动脉斑块图像中提取到的多个图像特征，构建第一目标特征集合；确定模块，用于从所述第一目标特征集合中，确定出待输入至所述目标动脉斑块新生血管分级模型的第二目标特征集合，其中，所述目标动脉斑块新生血管分级模型是本申请实施例所公开的动脉斑块新生血管分级模型的训练方法得到的；分级模块，用于将所述第二目标特征集合输入到所述目标动脉斑块新生血管分级模型中，以得到所述目标动脉斑块图像的动脉斑块新生血管分级结果。

6、根据本申请另一方面实施例提出了一种电子设备，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计算机程序时实现本申请实施例所公开的动脉斑块新生血管分级模型的训练方法，或者，动脉斑块新生血管分级方法。

7、根据本申请另一方面实施例提出了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本申请实施例所公开的动脉斑块新生血管分级模型的训练方法，或者，动脉斑块新生血管分级方法。

8、根据本申请另一方面实施例提出了一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现本申请实施例所公开的动脉斑块新生血管分级模型的训练方法，或者，动脉斑块新生血管分级方法。

9、本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：

10、在获取样本动脉斑块图像以及对应的动脉斑块新生血管分级结果后，通过对样本动脉斑块图像的图像特征构建第一特征集合，并对第二特征集合进行显著性校验，以得到第二特征集合，以及对第二特征集合进行特征选择，以得到第三特征集合，并基于第三特征集合和动脉斑块新生血管分级结果，对初始的动脉斑块新生血管分级模型进行训练，能够提高所训练得到的目标动脉斑块新生血管分级模型的分级结果的准确性。

11、本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

技术特征：

1.一种动脉斑块新生血管分级模型的训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述第一特征集合进行显著性检验，以得到第二特征集合，包括：

3.根据权利要求1所述的方法，其特征在于，所述根据所述重要性评分，对所述第二特征集合进行特征选择，以得到第三特征集合，包括：

4.根据权利要求1所述的方法，其特征在于，在所述初始的动脉斑块新生血管分级模型为lasso回归模型的情况下，所述根据所述第二特征集合和所述动脉斑块新生血管分级结果，对初始的动脉斑块新生血管分级模型进行训练，以得到所述第二特征集合中各个特征的重要性评分，包括：

5.根据权利要求1所述的方法，其特征在于，所述根据所述第三特征集合和所述动脉斑块新生血管分级结果，对所述动脉斑块新生血管分级模型进行训练，以得到目标动脉斑块新生血管分级模型，包括：

6.根据权利要求5所述的方法，其特征在于，在对所述第三特征集合中的特征进行融合，以得到融合特征之前，所述方法还包括：

7.根据权利要求1-6中任一项所述的方法，其特征在于，所述方法还包括：

8.一种动脉斑块新生血管分级方法，其特征在于，包括：

9.根据权利要求8所述的方法，其特征在于，所述目标动脉斑块新生血管分级模型通过下述方式训练得到的：

10.一种动脉斑块新生血管分级模型的训练装置，其特征在于，所述装置包括：

11.一种动脉斑块新生血管分级装置，其特征在于，包括：

12.一种电子设备，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计算机程序时实现权利要求1-7中任一项所述的方法，或者，权利要求8-9中任一项所述的方法。

13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现如权利要求1-7中任一项所述的方法，或者，权利要求8-9中任一项所述的方法。

14.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法，或者，权利要求8-9中任一项所述的方法。

技术总结
本申请公开了一种动脉斑块新生血管分级模型的训练方法、分级方法及设备，其中，该方法包括：在获取样本动脉斑块图像以及对应的动脉斑块新生血管分级结果后，通过对样本动脉斑块图像的图像特征构建第一特征集合，并对第二特征集合进行显著性校验，以得到第二特征集合，以及对第二特征集合进行特征选择，以得到第三特征集合，并基于第三特征集合和动脉斑块新生血管分级结果，对初始的动脉斑块新生血管分级模型进行训练，能够提高所训练得到的目标动脉斑块新生血管分级模型的分级结果的准确性。

技术研发人员：郑敏,田艳,马立勇,李广涵,刘健,刘鹏,张波,郑乘龙,武敬平,郭丹丹,王秀红,叶志东,樊雪强,王昊
受保护的技术使用者：中日友好医院（中日友好临床医学研究所）
技术研发日：
技术公布日：2024/11/7