模型训练装置、心脏图像处理装置及电子设备

技术领域

本发明涉及医学图像处理技术领域，尤其涉及一种模型训练装置、心脏图像处理装置及电子设备。

背景技术

目前，当心脏不舒服的患者去医院就诊时，心脏病主治医生通常会先让患者做几项检查，比如心电图、抽血化验、心脏彩超、电子计算机断层扫描(Computed Tomography，CT)或核磁共振和冠状动脉造影等，然后心脏病主治医生根据各项检查结果，以及本人的临床经验和专业知识，确定患者的心脏异常类型，比如房颤或者窦性心动过速等；最后心脏病主治医生再针对性地为患者制定诊疗方案；整个就诊过程不仅繁琐耗时，而且对心脏病主治医生的专业知识和临床经验要求很高，从而导致确定心脏病类型和制定诊疗方案的效率很低。

发明内容

本发明提供一种模型训练装置、心脏图像处理装置及电子设备，用以解决现有依赖于心脏病主治医生为心脏不舒服的患者就诊所导致的确定心脏病类型和制定诊疗方案的效率很低的缺陷，结合图像识别、模型训练和深度学习技术，确保整个训练过程和学习过程均可以从多维角度分析临床医疗诊治结果，从而确定能够用于准确预测心脏病类型及预测手术诊疗方案产生影响的目标心脏异常预测模型，降低了对于心脏病主治医生的依赖性，大幅提高了后续实际应用中确定心脏病类型和制定诊疗方案的智能性和高效性，为后续成功诊治心脏病患者的诊治成功概率提供可靠保障。

第一方面，本发明提供一种模型训练装置，包括：

样本获取单元，用于获取训练样本集，所述训练样本集中每个训练样本包括心脏图影像训练数据和心电图训练数据，每个所述训练样本分别携带第一心脏病类型和第一手术切入点部位，每个所述第一手术切入点部位分别对应第一诊疗方案，每个所述第一诊疗方案分别携带第一方案影响信息，所述第一方案影响信息表征使用对应所述第一诊疗方案对相应所述第一心脏病类型的手术患者的影响；

模型训练单元，用于使用所述训练样本集，对含有特征提取模块、图像分割模块、心脏图像重构模块和心脏节律识别模块的初始网络模型进行训练，获取所述初始网络模型训练至收敛时对应的目标超参数；

所述模型训练单元，还用于使用所述目标超参数，对每次训练所得的三维心脏重构图像、心脏节律类型、对应所述训练样本的第一手术切入点部位所对应的第一诊疗方案以及对应所述训练样本的第一方案影响信息之间的关系进行学习，确定目标心脏异常预测模型；

其中，所述特征提取模块用于对每个所述心脏图影像训练数据分别进行特征提取，所述图像分割模块用于对每个所述心脏图影像训练数据分别进行区域分割，所述心脏图像重构模块用于基于特征提取结果和区域分割结果进行三维心脏图像重构，所述心脏节律识别模块用于对每个所述心电图训练数据分别进行心脏节律类型识别。

根据本发明提供的一种模型训练装置，所述样本获取单元，还用于获取测试样本集，所述测试样本集中每个测试样本包括心脏图影像测试数据和心电图测试数据，每个所述测试样本分别携带第二心脏病类型和第二手术切入点部位，每个所述第二手术切入点部位分别对应第二诊疗方案，每个所述第二诊疗方案分别携带第二方案影响信息，所述第二方案影响信息表征使用对应所述第二诊疗方案对相应所述第二心脏病类型的手术患者的影响；

所述模型训练单元，具体用于使用所述目标超参数，对每次训练所得的三维心脏重构图像、心脏节律类型、对应所述训练样本的第一手术切入点部位所对应的第一诊疗方案以及对应所述训练样本的第一方案影响信息之间的关系进行学习，并获取所述初始网络模型训练至收敛时对应学习到的心脏异常预测模型；

所述模型训练单元，具体还用于使用所述测试样本集，对所述心脏异常预测模型进行测试，并确定所述心脏异常预测模型输出的心脏病类型预测结果、手术切入点部位预测结果、诊疗方案预测结果和方案影响信息预测结果，与对应所述测试样本的第二心脏病类型、第二手术切入点部位、第二诊疗方案和第二方案影响信息之间的相似度是否达到相似度阈值；在所述相似度达到所述相似度阈值的情况下，确定所述学习到的心脏异常预测模型为所述目标心脏异常预测模型。

根据本发明提供的一种模型训练装置，所述模型训练单元，具体还用于在所述相似度未达到所述相似度阈值的情况下，通过对所述训练样本集中各训练样本进行错乱排序，或者重新获取训练样本集的方式获取新的训练样本集，并将所述相似度未达到所述相似度阈值时对应的网络模型作为新的初始网络模型，然后返回执行所述使用所述训练样本集，对含有特征提取模块、图像分割模块、心脏图像重构模块和心脏节律识别模块的初始网络模型进行训练，获取所述初始网络模型训练至收敛是对应的目标超参数的步骤；直至确定出所述目标心脏异常预测模型。

根据本发明提供的一种模型训练装置，所述模型训练单元，具体还用于使用所述训练样本集中预设批次训练样本，对所述初始网络模型进行训练，获取预设次数训练后的中间网络模型的模型损失；基于所述模型损失与预设模型损失的匹配成功结果，获取所述初始网络模型训练至收敛时对应的目标超参数。

根据本发明提供的一种模型训练装置，所述模型训练单元，具体还用于基于所述模型损失与所述预设模型损失的匹配失败结果，使用所述训练样本集中下一预设批次训练样本，对所述模型损失对应的中间网络模型进行训练，获取所述目标超参数。

根据本发明提供的一种模型训练装置，在每个所述心脏图影像训练数据分别包括二维心脏图训练数据和三维心脏图训练数据的情况下，

所述模型训练单元，具体还用于针对预设次数训练中各次训练，获取参与本次训练的二维心脏图训练数据、三维心脏图训练数据和心电图训练数据；将所述二维心脏图训练数据和所述三维心脏图训练数据分别输入至前次训练后的特征提取模块中进行特征提取，确定二维心脏特征信息和三维心脏特征信息；将所述二维心脏图训练数据和所述三维心脏图训练数据分别输入至前次训练后的图像分割模块中进行图像分割，确定二维心脏分割结果和三维心脏分割结果；将所述二维心脏特征信息、所述三维心脏特征信息、所述二维心脏分割结果和所述三维心脏分割结果输入至前次训练后的心脏图像重构模块中进行图像重构，确定三维心脏重构图像；将所述心电图训练数据输入至前次训练后的心脏节律识别模块中进行节律识别，确定心脏病类型识别结果；基于所述心脏病类型识别结果和参与本次训练的训练样本的第一心脏病类型之间的相似度，以及重构所述三维心脏重构图像时产生的损失，确定本次训练后的中间网络模型的模型损失。

根据本发明提供的一种模型训练装置，所述二维心脏特征信息包括对应二维心脏图像的边缘信息、纹理信息和形状信息，所述三维心脏特征信息包括对应三维心脏图像的空间位置信息、方向信息、深度信息和透视度信息。

第二方面，本发明还提供一种心脏图像处理装置，包括：

模型获取单元，用于获取按照前述第一方面所述模型训练装置确定的目标心脏异常预测模型；

图像处理单元，用于将目标患者的目标三维心脏图像输入至所述目标心脏异常预测模型中进行异常预测，确定异常预测结果，所述异常预测结果包括所述目标患者的目标心脏病类型、目标手术切入点部位、目标诊疗方案和目标方案影响信息。

根据本发明提供的一种心脏图像处理装置，还包括信息处理单元，所述信息处理单元，用于接收心脏病主治医生对于所述异常预测结果的反馈意见；并基于所述反馈意见，对所述目标心脏异常预测模型中模型参数的权重进行调整。

第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述存储器中包括实现如前述第一方面所述模型训练装置的计算机程序，以及实现如前述第二方面所述心脏图像处理装置的计算机程序。

本发明提供的模型训练装置、心脏图像处理装置及电子设备，其中模型训练装置，模型训练单元首先通过使用获取单元获取的训练样本集，对含有特征提取模块、图像分割模块、心脏图像重构模块和心脏节律识别模块的初始网络模型进行训练的方式，获取初始网络模型训练至收敛时对应的目标超参数，再进一步使用目标超参数，对每次训练所得的三维心脏重构图像、心脏节律类型、对应训练样本的第一手术切入点部位所对应的第一诊疗方案以及对应训练样本的第一方案影响信息之间的关系进行学习，确定目标心脏异常预测模型。这样，结合图像识别、模型训练和深度学习技术，确保整个训练过程和学习过程均可以从多维角度分析临床医疗诊治结果，从而确定能够用于准确预测心脏病类型及预测手术诊疗方案产生影响的目标心脏异常预测模型，降低了对于心脏病主治医生的依赖性，大幅提高了后续实际应用中确定心脏病类型和制定诊疗方案的智能性和高效性，为后续成功诊治心脏病患者的诊治成功概率提供可靠保障。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的模型训练装置的结构示意图；

图2是本发明提供的心脏图像处理装置的结构示意图；

图3是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A，B可以是单数或者复数。在本发明的文字描述中，字符“/”一般表示前后关联对象是一种“或”的关系。此外，需要说明的是，本发明中为描述的对象所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。

下面结合图1-图3描述本发明的模型训练装置、心脏图像处理装置及电子设备，其中模型训练装置和心脏图像处理装置分别可以以软件形式和/或硬件形式设置于电子设备中。本发明对模型训练装置和心脏图像处理装置分别在电子设备中的设置方式不作具体限定。

为了便于理解本发明实施例提供的模型训练装置和心脏图像处理装置，下面，将通过下述几个示例地实施例对本发明提供的模型训练装置、心脏图像处理装置分别进行详细地说明。可以理解的是，下面这几个示例地实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

参照图1，为本发明提供的模型训练装置的结构示意图，如图1所示，该模型训练装置100，包括样本获取单元110和模型训练单元120。

样本获取单元110，用于获取训练样本集，训练样本集中每个训练样本包括心脏图影像训练数据和心电图训练数据，每个训练样本分别携带第一心脏病类型和第一手术切入点部位，每个第一手术切入点部位分别对应第一诊疗方案，每个第一诊疗方案分别携带第一方案影响信息，第一方案影响信息表征使用对应第一诊疗方案对相应第一心脏病类型的手术患者的影响。

模型训练单元120，用于使用训练样本集，对含有特征提取模块、图像分割模块、心脏图像重构模块和心脏节律识别模块的初始网络模型进行训练，获取初始网络模型训练至收敛时对应的目标超参数。

模型训练单元120，还用于使用目标超参数，对每次训练所得的三维心脏重构图像、心脏节律类型、对应训练样本的第一手术切入点部位所对应的第一诊疗方案以及对应训练样本的第一方案影响信息之间的关系进行学习，确定目标心脏异常预测模型。

其中，每个心脏图影像训练数据均可以包括但不限定使用医学成像设备获取的心脏影像数据，医学成像设备可以为CT设备和核磁共振(Nuclear magnetic resonance，MRI)设备等其它设备中的至少一个。并且，每个心脏图影像训练数据分别为经过预处理的训练数据，预处理可以包括但不限定去噪、平滑和灰度化处理等其它操作中的至少一个；以提高各心脏图影像训练数据的图像质量。

具体的，样本获取单元110获取的每个训练样本，可以从对应第一样本心脏病类型患者的历史就诊记录数据中获取，每个第一样本心脏病类型患者分别为患有第一心脏病类型的患者，第一心脏病类型分别为房颤、窦性心动过速、窦性心动过缓、先天性心脏病、心力衰竭、心律失常、冠状动脉粥样硬化性心脏病和心脏瓣膜疾病等其它类型中的一个；第一手术切入点部位可以为对应二维心脏图训练数据中二维心脏图像的手术切入点部位，且第一手术切入点部位的数量可以为至少1个，每个第一手术切入点部位分别对应一个第一诊疗方案。当第一手术切入点部位的数量为1个时，可以确定此第一手术切入点部位是由一个心脏病主治医生结合自身临床经验和专业知识确定的手术切入点；当第一手术切入点部位的数量为两个及两个以上时，可以确定两个及两个以上第一手术切入点部位是由至少两个心脏病主治医生各自结合自身临床经验和专业知识确定的手术切入点。

此外，在模型训练单元120中，特征提取模块用于对每个心脏图影像训练数据分别进行特征提取，图像分割模块用于对每个心脏图影像训练数据进行区域分割，心脏图像重构模块用于基于特征提取结果和区域分割结果进行三维心脏图像重构，心脏节律识别模块用于对每个心电图训练数据进行心脏节律类型识别。模型训练单元120使用训练样本集对初始网络模型进行训练，直至识别的心脏节律类型与对应训练样本的第一心脏病类型匹配时，可以确认初始网络模型已训练至收敛并停止模型训练，此时可以获取初始网络模型训练至收敛时对应的目标超参数。

需要说明的是，超参数是指模型开发过程中需要手动调整的参数。这些参数不能够被模型训练过程自动学习到，而是需要手动选择不同的值进行实验找到一个最优的值；常见的超参数包括学习率、迭代次数、正则化参数和决策树的深度等。基于此，可以确定初始网络模型训练至收敛时对应中间网络模型的超参数，即为目标超参数。

本发明提供的模型训练装置，模型训练单元首先通过使用获取单元获取的训练样本集，对含有特征提取模块、图像分割模块、心脏图像重构模块和心脏节律识别模块的初始网络模型进行训练的方式，获取初始网络模型训练至收敛时对应的目标超参数，再进一步使用目标超参数，对每次训练所得的三维心脏重构图像、心脏节律类型、对应训练样本的第一手术切入点部位所对应的第一诊疗方案以及对应训练样本的第一方案影响信息之间的关系进行学习，确定目标心脏异常预测模型。这样，结合图像识别、模型训练和深度学习技术，确保整个训练过程和学习过程均可以从多维角度分析临床医疗诊治结果，从而确定能够用于准确预测心脏病类型及预测手术诊疗方案产生影响的目标心脏异常预测模型，降低了对于心脏病主治医生的依赖性，大幅提高了后续实际应用中确定心脏病类型和制定诊疗方案的智能性和高效性，为后续成功诊治心脏病患者的诊治成功概率提供可靠保障。

基于上述图1所示的模型训练装置，在一种示例实施例中，上述样本获取单元110，还用于获取测试样本集，测试样本集中每个测试样本包括心脏图影像测试数据和心电图测试数据，每个测试样本分别携带第二心脏病类型和第二手术切入点部位，每个第二手术切入点部位分别对应第二诊疗方案，每个第二诊疗方案分别携带第二方案影响信息，第二方案影响信息表征使用对应第二诊疗方案对相应第二心脏病类型的手术患者的影响。

模型训练单元120，具体用于使用目标超参数，对每次训练所得的三维心脏重构图像、心脏节律类型、对应训练样本的第一手术切入点部位所对应的第一诊疗方案以及对应训练样本的第一方案影响信息之间的关系进行学习，并获取初始网络模型训练至收敛时对应学习到的心脏异常预测模型。

模型训练单元120，具体还用于使用测试样本集，对心脏异常预测模型进行测试，并确定心脏异常预测模型输出的心脏病类型预测结果、手术切入点部位预测结果、诊疗方案预测结果和方案影响信息预测结果，与对应测试样本的第二心脏病类型、第二手术切入点部位、第二诊疗方案和第二方案影响信息之间的相似度是否达到相似度阈值；在相似度达到相似度阈值的情况下，确定学习到的心脏异常预测模型为目标心脏异常预测模型。

具体的，样本获取单元110获取的每个测试样本，可以参照每个训练样本的获取方式获取。例如，可以从对应第二样本心脏病类型患者的历史就诊记录数据中获取，每个第二样本心脏病类型患者分别为患有第二心脏病类型的患者，第二心脏病类型分别为房颤、窦性心动过速、窦性心动过缓、先天性心脏病、心力衰竭、心律失常、冠状动脉粥样硬化性心脏病和心脏瓣膜疾病等其它类型中的一个；第二手术切入点部位可以为对应二维心脏图训练数据中二维心脏图像的手术切入点部位，且第二手术切入点部位的数量可以为至少1个，每个第二手术切入点部位分别对应一个第二诊疗方案。当第二手术切入点部位的数量为1个时，可以确定此第二手术切入点部位是由一个心脏病主治医生结合自身临床经验和专业知识确定的手术切入点；当第二手术切入点部位的数量为两个及两个以上时，可以确定两个及两个以上第二手术切入点部位是由至少两个心脏病主治医生各自结合自身临床经验和专业知识确定的手术切入点。

具体的，模型训练单元120在将初始网络模型训练至收敛的过程中，每次训练后的中间网络模型，都会输出三维心脏重构图像和心脏节律类型，此时可以对此三维心脏重构图像、对应训练样本的第一手术切入点部位所对应的第一诊疗方案以及对应训练样本的第一方案影响信息之间的关系进行学习，直至获取初始网络模型训练至收敛时对应学习到的心脏异常预测模型。

此外，为了验证学习所得心脏异常预测模型的准确性，可以使用测试样本集中的测试样本进行测试，也即将测试样本中的心脏图影像测试数据和心电图测试数据输入至学习所得的心脏异常预测模型中，获取此心脏异常预测模型输出的预测结果，也即心脏病类型预测结果、手术切入点部位预测结果、诊疗方案预测结果和方案影响信息预测结果，并确定预测结果与对应测试样本的实际结果之间的相似度是否达到相似度阈值，实际结果可以为对应测试样本的第二心脏病类型、第二手术切入点部位、第二诊疗方案和第二方案影响信息，若相似度达到相似度阈值，则确定此处学习所得的心脏异常预测模型为最终实际应用的目标心脏异常预测模型。

本发明提供的模型训练装置，通过使用测试样本集对学习所得的心脏异常预测模型进行测试，并在测试结果符合预设需求时确定学习所得的心脏异常预测模型为目标心脏异常预测模型。这样，通过对学习结果进行测试验证的方式，提高了目标心脏异常预测模型的精度。

基于上述图1所示的模型训练装置，在一种示例实施例中，上述模型训练单元120，具体还用于在相似度未达到相似度阈值的情况下，通过对训练样本集中各训练样本进行错乱排序，或者重新获取训练样本集的方式获取新的训练样本集，并将相似度未达到相似度阈值时对应的网络模型作为新的初始网络模型，然后返回执行使用训练样本集，对含有特征提取模块、图像分割模块、心脏图像重构模块和心脏节律识别模块的初始网络模型进行训练，获取初始网络模型训练至收敛时对应的目标超参数的步骤；直至确定出目标心脏异常预测模型。

具体的，对于学习所得的心脏异常预测模型输出的预测结果与对应测试样本的实际结果之间的相似度，若相似度未达到相似度阈值，则可以通过对训练样本集中各训练样本进行错乱排序，或者重新获取训练样本集的方式获取新的训练样本集，也可以直接将训练样本集中未参与过训练的剩余训练样本都作为新的训练样本集中的训练样本，然后将相似度未达到相似度阈值时对应的网络模型确定为新的初始网络模型后，重新训练模型及深度学习。直至确定出目标心脏异常预测模型。

本发明提供的模型训练装置，当确定学习所得的心脏异常预测模型经测试验证不符合预设需求时，通过重新确定训练样本集和初始网络模型的方式重新训练模型和深度学习，确保了模型训练和深度学习的可靠性和必要性，从而进一步提高了目标心脏异常预测模型的精度。

基于上述图1所示的模型训练装置，在一种示例实施例中，上述模型训练单元120，具体还用于使用训练样本集中预设批次训练样本，对初始网络模型进行训练，获取预设次数训练后的中间网络模型的模型损失；基于模型损失与预设模型损失的匹配成功结果，获取初始网络模型训练至收敛时对应的目标超参数。

具体的，由于训练样本集中包括大量训练样本，因此可以将训练样本集划分为多个批次训练样本，以进行分批次训练；预设批次训练样本可以为多个批次训练样本中至少一个。并且，预设批次训练样本中训练样本的次序与训练次数对应。例如，使用预设批次训练样本中第1个训练样本进行第1次训练，使用预设批次训练样本中第2个训练样本进行第2次训练。

基于此，样本训练单元120使用训练样本集中预设批次训练样本对初始网络模型进行训练且训练预设次数后，可以判断预设次数训练后的中间网络模型的模型损失是否与预设模型损失匹配，若预设次数训练后的中间网络模型的模型损失与预设模型损失匹配，则确定模型已训练至收敛且停止模型训练，也即得到了模型损失与预设模型损失的匹配成功结果，此时可以获取初始网络模型训练至收敛时对应的目标超参数。其中，预设模型损失可以是损失经验值，也可以是损失阈值范围，也可以是根据经验人为设定的预设次数进行训练后可达到的理想损失水平。此处不作具体限定。

本发明提供的模型训练装置，样本训练单元通过使用训练样本集中预设批次训练样本对初始网络模型进行预设次数训练的方式，提高了初始模型训练至收敛的训练速度，也降低了模型训练复杂度，从而在确保模型训练精度的基础上，有效提高了获取目标超参数的准确性。

基于上述图1所示的模型训练装置，在一种示例实施例中，上述模型训练单元120，具体还用于基于模型损失与预设模型损失的匹配失败结果，使用训练样本集中下一预设批次训练样本，对模型损失对应的中间网络模型进行训练，获取目标超参数。

具体的，对于初始网络模型经过预设次数训练的情况，如果确定预设次数训练后的中间网络模型的模型损失与预设模型损失不匹配，则说明此时得到的中间网络模型并没有达到预设需求，进而可以从训练样本集中选取下一预设批次训练样本继续进行模型训练。例如，训练样本集被划分为100个批次训练样本，如果从100个批次训练样本中选取20个批次训练样本进行训练后未达到预设需求，则可以再从训练样本集的剩余80个批次中再选取20个批次训练样本参与后续的训练。其中，再次选取预设批次训练样本可以与前一预设批次训练样本的批次量相同(比如20)，也可以不同(比如10或30)；此处不作具体限定。并且，从训练样本集的剩余批次训练样本中选取下一预设批次训练样本时可以顺序选取，也可以间隔选取。此处也不作具体限定。

本发明提供的模型训练方法，当初始网络模型经由预设次数训练后的中间网络检测模型未与预设模型损失匹配时，通过再次选取预设批次训练样本继续训练的方式，确保了模型训练的可靠性和准确性，也提高了模型训练的灵活性和稳定性。

基于上述图1所示的模型训练装置，在一种示例实施例中，上述模型训练单元120，在每个心脏图影像训练数据分别包括二维心脏图训练数据和三维心脏图训练数据的情况下，具体还用于针对预设次数训练中各次训练，获取参与本次训练的二维心脏图训练数据、三维心脏图训练数据和心电图训练数据；将二维心脏图训练数据和三维心脏图训练数据分别输入至前次训练后的特征提取模块中进行特征提取，确定二维心脏特征信息和三维心脏特征信息；将二维心脏图训练数据和三维心脏图训练数据分别输入至前次训练后的图像分割模块中进行图像分割，确定二维心脏分割结果和三维心脏分割结果；将二维心脏特征信息、三维心脏特征信息、二维心脏分割结果和三维心脏分割结果输入至前次训练后的心脏图像重构模块中进行图像重构，确定三维心脏重构图像；将心电图训练数据输入至前次训练后的心脏节律识别模块中进行节律识别，确定心脏病类型识别结果；基于心脏病类型识别结果和参与本次训练的训练样本的第一心脏病类型之间的相似度，以及重构三维心脏重构图像时产生的损失，确定本次训练后的中间网络模型的模型损失。

其中，二维心脏特征信息包括对应二维心脏图像的边缘信息、纹理信息和形状信息，三维心脏特征信息包括对应三维心脏图像的空间位置信息、方向信息、深度信息和透视度信息。心脏病类型识别结果可以包括但不限定房颤、窦性心动过速、窦性心动过缓、先天性心脏病、心力衰竭、心律失常、冠状动脉粥样硬化性心脏病和心脏瓣膜疾病等其它类型中的一个。

具体的，模型训练单元120对于每次输入的二维心脏图训练数据和三维心脏图训练数据，可以经由前次训练后的特征提取模块分别提取二维心脏图训练数据中的二维心脏特征信息和三维心脏图训练数据中的三维心脏特征信息，以及经由前次训练后的图像分割模块分别对二维心脏图训练数据和三维心脏图训练数据进行区域分割，得到区域分割结果，区域分割结果包括二维心脏图训练数据中的二维左心房区域、二维右心房区域、二维左心室区域和二维右心室区域，以及三维心脏图训练数据中的三维左心房区域、三维右心房区域、三维左心室区域和三维右心室区域；然后将提取的二维心脏特征信息、三维心脏特征信息和区域分割结果经由前次训练后的心脏图像重构模块进行三维心脏图像重构后，得到三维心脏重构图像。

此外，模型训练单元120对于每次输入的心电图训练数据，可以经由前次训练后的心脏节律识别模块进行节律识别后，得到心脏病类型识别结果；再进一步基于心脏病类型识别结果和参与本次训练的训练样本的第一心脏病类型之间的相似度，以及重构三维心脏重构图像时产生的损失，确定本次训练后的中间网络模型的模型损失。

本发明提供的模型训练装置，样本训练单元针对每次训练，通过对本次参与训练的二维心脏图训练数据和三维心脏图训练数据分别进行特征提取、区域分割和图像重构后确定的心脏病类型识别结果，与对应训练样本的第一心脏病类型之间的相似度，以及重构三维心脏重构图像时产生的损失，确定本次训练后的中间网络模型的模型损失，以此提高了每次模型训练的准确性和可靠性。

参照图2，为本发明提供的心脏图像处理装置的结构示意图，如图2所示，该心脏图像处理装置200，包括模型获取单元210和模型训练单元220。

模型获取单元210，用于获取按照前述实施例确定的目标心脏异常预测模型；

图像处理单元220，用于将目标患者的目标三维心脏图像输入至目标心脏异常预测模型中进行异常预测，确定异常预测结果，异常预测结果包括目标患者的目标心脏病类型、目标手术切入点部位、目标诊疗方案和目标方案影响信息。

其中，目标方案影响信息表征使用目标诊疗方案对目标心脏病类型的目标手术患者的影响，目标手术患者为需要手术的目标患者。

具体的，在实际应用中，当目标心脏异常预测模型预先存储于心脏图像处理装置200中时，模型获取单元210可以通过直接提取的方式获取目标心脏异常预测模型；当目标心脏异常预测模型未存储于心脏图像处理装置200中时，模型获取单元210，可以从前述模型训练装置中获取。此处对获取目标心脏异常预测模型的具体方式不作具体限定。

此外，对于图像处理单元220而言，通过使用模型获取单元210获取的目标心脏异常预测模型，对目标患者的目标三维心脏图像进行异常预测，从而得到目标患者的目标心脏病类型、目标手术切入点部位、目标诊疗方案和目标方案影响信息。

本发明提供的心脏图像处理装置，通过目标心脏异常预测模型对输入的目标患者的目标三维心脏图像进行异常预测的方式，提高了确定心脏病类型及预测手术诊疗方案产生影响的准确性和便捷性，降低了对于心脏病主治医生的依赖性，大幅提高了后续实际应用中确定心脏病类型和制定诊疗方案的智能性和高效性，为后续成功诊治心脏病患者的诊治成功概率提供可靠保障。

基于上述图2所示的心脏图像处理装置，在一种示例实施例中，还可以包括信息处理单元，信息处理单元，用于接收心脏病主治医生对于异常预测结果的反馈意见；并基于反馈意见，对目标心脏异常预测模型中模型参数的权重进行调整。

具体的，信息处理单元接收的反馈意见，可以包括心脏病主治医生对于目标心脏病类型、目标手术切入点部位、目标诊疗方案和目标方案影响信息中至少一个的反馈意见，此处的心脏病主治医生的数量可以为至少一个。并且，信息处理单元基于反馈意见，对目标心脏异常预测模型中模型参数的权重进行调整。例如，可以对目标心脏异常预测模型中影响目标心脏病类型准确性的模型参数的权重、影响目标手术切入点部位准确性的模型参数的权重、影响目标诊疗方案准确性的模型参数的权重和影响目标方案影响信息准确性的模型参数的权重中至少一个进行调整。以使得异常预测结果更加准确。

本发明提供的进行调整，通过心脏图像处理装置中的信息处理单元接收心脏病主治医生对于异常预测结果的反馈意见，并基于反馈意见调整目标心脏异常预测模型中模型参数的权重。这样，可以结合目标心脏异常预测模型和心脏病主治医生之间的信息交互性，进一步提高了使用目标心脏异常预测模型进行异常预测的精度。

图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(CommunicationsInterface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，存储器330中包括实现前述任一实施例所述模型训练装置的逻辑指令以及实现前述任一实施例所述心脏图像处理装置的逻辑指令。

此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。