1.一种模型训练方法,其特征在于,所述方法包括:
获取样本超声信息,所述样本超声信息包括至少两个样本超声心动视频,每个样本超声心动视频所对应的病患的临床信息以及每个样本超声心动视频所对应的真实标签,所述样本超声心动视频的真实标签包括患病标签和无病标签;
对于每个样本超声心动视频,将所述样本超声心动视频分为涵盖整个样本超声心动视频的多个连续帧短视频,多个连续帧短视频连续但不重叠;
提取每个样本超声心动视频中的所有连续帧短视频的视频特征;
融合每个样本超声心动视频中的所有连续帧短视频的视频特征,得到超声心动视频的视频特征;
通过图神经网络算法对每个样本超声心动视频的视频特征进行聚合优化,得到所述样本超声心动视频的优化视频特征;
根据各个样本超声心动视频的优化视频特征和相应的临床信息拼接得到的新特征以及对应样本超声心动视频的真实标签,训练用于获取超声心动视频的心脏疾病检测结果的分类器模型。
2.根据权利要求1所述的方法,其特征在于,所述通过图神经网络算法对每个样本超声心动视频的视频特征进行聚合优化,得到所述样本超声心动视频的优化视频特征,包括:
根据各个样本超声心动视频的视频特征创建图神经网络算法;
通过所述图神经网络算法优化所述所有样本超声心动视频的视频特征,得到样本超声心动视频的优化视频特征。
3.根据权利要求2所述的方法,其特征在于,所述根据各个样本超声心动视频的视频特征创建图神经网络算法,包括:
确定任意两个样本超声心动视频的视频特征是否满足预设条件;
根据图创建所述图神经网络算法,其中所述的图包括:图的顶点为所有样本超声心动视频的视频特征,将满足所述预设条件的样本超声心动视频的两个视频特征相连接作为图的边。
4.根据权利要求3所述的方法,其特征在于,所述确定任意两个样本超声心动视频的视频特征是否满足预设条件,包括:
检测任意两个样本超声心动视频的视频特征之间的欧式距离是否小于预设阈值。
5.根据权利要求3所述的方法,其特征在于,所述确定任意两个样本超声心动视频的视频特征是否满足预设条件,包括:
检测任意两个视频特征所对应的样本超声心动视频在经过用于提取连续帧短视频的视频特征的模型后得到的标签是否相同。
6.根据权利要求3所述的方法,其特征在于,所述图神经网络算法包括gcn算法、graphsage算法和gat算法中的任意一种。
7.根据权利要求1所述的方法,其特征在于,所述根据各个样本超声心动视频的优化视频特征和相应的临床信息拼接得到的新特征以及对应样本超声心动视频的真实标签,训练用于获取超声心动视频的心脏疾病检测结果的分类器模型,包括:
将各个所述样本超声心动视频的优化视频特征拼接对应的临床信息得到的新特征输入多层感知器,得到根据每个样本超声心动视频预测得到的所述心脏疾病的预测标签;
根据各个预测标签以及对应的真实标签调整所述多层感知器的参数,并得到训练后的所述分类器模型。
8.根据权利要求1所述的方法,其特征在于,所述提取每个样本超声心动视频中的涵盖整个视频连续但不重叠的多个连续帧短视频的视频特征,包括:
使用训练数据中的样本超声心动视频的连续帧短视频对应超声心动视频的真实标签训练3d卷积神经网络作为视频特征提取模型;
对所述视频特征提取模型进行动态卷积、均衡采样以及添加长时间特征库模块优化处理;
根据优化处理并训练后的视频特征提取模型提取各个样本超声心动视频中的所有连续帧短视频的视频特征。
9.一种心脏疾病检测装置,其特征在于,包括:存储器和处理器,所述存储器与所述处理器通信连接,所述存储器内存储有计算机指令,所述处理器用于加载并执行所述计算机指令以实现如下步骤:
获取超声心动视频和所述超声心动视频所对应的临床信息;
将所述超声心动视频分为涵盖整个超声心动视频的多个连续帧短视频,多个连续帧短视频连续但不重叠;
提取所述超声心动视频中的所有连续帧短视频的视频特征;
融合所述超声心动视频中的所有连续帧短视频的视频特征,得到超声心动视频的视频特征;
通过图神经网络算法对所述超声心动视频的视频特征进行聚合优化,得到超声心动视频的优化视频特征;
将所述超声心动视频的优化视频特征拼接临床信息输入到训练后的分类器模型,得到心脏疾病的检测结果;所述训练后的分类器模型为根据样本超声信息训练得到的模型,所述样本超声信息包括多个样本超声心动视频、每个样本超声心动视频所对应的病患的临床信息以及每个样本超声心动视频所对应的真实标签,所述样本超声心动视频的真实标签包括患病标签和无病标签。
10.一种计算机可读存储介质,其特征在于,包括至少一条程序指令,所述至少一条程序指令被处理器加载并执行,以实现如下步骤:
获取超声心动视频和所述超声心动视频所对应的临床信息;
将所述超声心动视频分为涵盖整个超声心动视频的多个连续帧短视频,多个连续帧短视频连续但不重叠;
提取所述超声心动视频中的所有连续帧短视频的视频特征;
融合所述超声心动视频中的所有连续帧短视频的视频特征,得到超声心动视频的视频特征;
通过图神经网络算法对所述超声心动视频的视频特征进行聚合优化,得到超声心动视频的优化视频特征;
将所述超声心动视频的优化视频特征拼接临床信息输入到训练后的分类器模型,得到心脏疾病的检测结果;所述训练后的分类器模型为根据样本超声信息训练得到的模型,所述样本超声信息包括多个样本超声心动视频、每个样本超声心动视频所对应的病患的临床信息以及每个样本超声心动视频所对应的真实标签,所述样本超声心动视频的真实标签包括患病标签和无病标签。