模型训练方法、装置、设备、存储介质及程序产品与流程

本公开涉及健康数据处理，具体涉及一种模型训练方法、装置、设备、存储介质及程序产品。

背景技术：

1、骨质疏松症是一种以骨量下降和骨微结构破坏为特征的代谢性骨病综合征，可导致骨脆性增加，易于发生骨质疏松性骨折。定量超声(quantitative ultrasound,qus)是一种骨密度测量技术，其工作原理是利用超声在不同成分骨质中传播速度和衰减的不同来检测骨质量，作为一种非电离技术，qus具有成本低、便携、快速、无电离辐射等优点，因此具有很好的推广性。基于qus设备向骨发射并接收的超声射频(radio-frequency,rf)信号，能够计算并输出声速值、宽频带超声衰减值、刚性指数、定量超声指数等参数，上述各项参数仅为超声射频信号中的部分特征值，若仅基于上述参数进行分析，将会导致超声射频信号中其他与骨质相关的信息大量丢失，但超声射频信号相对复杂，目前难以明确超声射频信号中可能与骨质疏松性骨折风险相关的潜在关键变量。因此，亟需一种能够更为全面、准确地提取超声射频信号特征的模型。

技术实现思路

1、本公开实施例提供一种模型训练方法、装置、设备、存储介质及程序产品。

2、第一方面，本公开实施例中提供了一种模型训练方法。

3、具体的，所述模型训练方法，包括：

4、确定初始多通道残差神经网络模型；

5、获取多通道残差神经网络模型训练数据集合，其中，所述多通道残差神经网络模型训练数据集合包括qus设备多通道骨射频数据，以及与所述多通道骨射频数据对应的骨折评价值标签；

6、以所述多通道骨射频数据作为输入，以与其对应的骨折评价值标签作为输出，训练所述初始多通道残差神经网络模型，得到多通道残差神经网络模型。

7、在本公开一种实现方式中，所述多通道残差神经网络模型包括依次连接的多通道残差子网络、多通道全局平均池化层、级联层和决策神经子网络，其中：

8、所述多通道残差子网络用于提取多通道骨射频数据的多通道骨特征；

9、所述多通道全局平均池化层用于利用全局信息，对所述多通道骨特征进行降维处理；

10、所述级联层用于对于所述多通道全局平均池化层的输出进行级联处理，得到级联骨特征；

11、所述决策神经子网络用于基于级联骨特征进行决策。

12、在本公开一种实现方式中，所述多通道残差子网络由多个通道的残差模块组成；每通道的残差模块包括多个级联残差块；每个残差块包括卷积连接支路、短路连接支路、相加层、激活函数层以及最大池化层；所述卷积连接支路包括多组卷积层、激活函数层和批量归一化层；所述短路连接支路包括一组卷积层、激活函数层和批量归一化层；所述卷积连接支路与所述短路连接支路在相加层聚合，相加层后连接有激活函数层和最大池化层；

13、所述决策神经子网络包括两层全连接层和激活函数层，第一层全连接层的神经元数量位于预设神经元数量范围内，第二层全连接层的神经元数量与临床信息数据类别数量有关。

14、在本公开一种实现方式中，所述以所述多通道骨射频数据作为输入，以与其对应的骨折评价值标签作为输出，训练所述初始多通道残差神经网络模型，包括：

15、将所述多通道骨射频数据输入至所述多通道残差子网络中对应通道的残差模块的多个级联残差块中，末端残差块的输出即为与所述多通道骨射频数据对应的多通道骨特征；

16、将所述多通道骨特征输入至所述多通道全局平均池化层中；

17、将所述多通道全局平均池化层的输出输入至级联层中，得到级联骨特征；

18、将所述级联骨特征依次输入至所述决策神经子网络中的第一层全连接层和第二层全连接层，将所述第二层全连接层的输出输入至所述激活函数层中进行非线性计算，得到骨数据决策值。

19、在本公开一种实现方式中，所述将所述多通道骨射频数据输入至所述多通道残差子网络中对应通道的残差模块的多个级联残差块中，包括：

20、将所述多通道骨射频数据输入至所述多通道残差子网络中对应通道的残差模块的首个残差块的卷积连接支路和短路连接支路中；

21、所述卷积连接支路的输出和所述短路连接支路的输出输入至所述相加层，在所述相加层进行相加；

22、所述相加层的输出输入至所述激活函数层进行处理；

23、所述激活函数层的输出输入至所述最大池化层，所述最大池化层的输出作为下一残差块的输入，输入至下一残差块的卷积连接支路和短路连接支路中，直至到达末端残差块。

24、在本公开一种实现方式中，所述将所述多通道骨射频数据输入至所述多通道残差子网络中对应通道的残差模块的多个级联残差块中之前，还包括：

25、对于所述多通道骨射频数据进行预处理。

26、在本公开一种实现方式中，所述多通道残差神经网络模型采用小样本交叉熵作为损失函数进行模型训练。

27、在本公开一种实现方式中，还包括：

28、获取待决策多通道骨射频数据；

29、将所述待决策多通道骨射频数据输入至所述多通道残差神经网络模型中，得到与所述待决策多通道骨射频数据对应的骨数据决策值。

30、在本公开一种实现方式中，还包括：

31、根据所述骨数据决策值执行预设操作。

32、第二方面，本公开实施例中提供了一种模型训练装置。

33、具体的，所述模型训练装置，包括：

34、确定模块，被配置为确定初始多通道残差神经网络模型；

35、第一获取模块，被配置为获取多通道残差神经网络模型训练数据集合，其中，所述多通道残差神经网络模型训练数据集合包括qus设备多通道骨射频数据，以及与所述多通道骨射频数据对应的骨折评价值标签；

36、训练模块，被配置为以所述多通道骨射频数据作为输入，以与其对应的骨折评价值标签作为输出，训练所述初始多通道残差神经网络模型，得到多通道残差神经网络模型。

37、第三方面，本公开实施例中提供了一种骨折风险预测装置。

38、具体的，所述骨折风险预测装置，包括：

39、第二获取模块，被配置为获取qus设备多通道骨射频数据；

40、输入模块，被配置为将所述多通道骨射频数据输入至预先训练好的多通道残差神经网络模型中，得到骨折风险预测概率；

41、预测模块，被配置为基于所述骨折风险预测概率得到骨折风险预测结果。

42、第四方面，本公开实施例提供了一种电子设备，包括存储器和至少一个处理器，其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述至少一个处理器执行以实现上述模型训练方法的方法步骤。

43、第五方面，本公开实施例提供了一种计算机可读存储介质，用于存储模型训练装置所用的计算机指令，其包含用于执行上述模型训练方法为模型训练装置所涉及的计算机指令。

44、第六方面，本公开实施例提供了一种计算机程序产品，包括计算机程序/指令，其中，该计算机程序/指令被处理器执行时实现上述模型训练方法的方法步骤。

45、本公开实施例提供的技术方案可以包括以下有益效果：

46、上述技术方案提出的模型训练方法能够全面、准确地提取超声射频信号特征，训练得到鲁棒性较强的多通道残差神经网络模型，该模型可应用于骨折风险预测领域，以及时采取有效的预防措施，降低骨质疏松性骨折发生几率，减少患者的痛苦。

47、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。