模型训练方法、医疗图像处理方法及电子设备技术

本申请实施例提供了模型训练方法、医疗图像处理方法及电子设备，模型训练方法包括：对训练医疗图像进行域统一处理，得到经过域统一处理的训练医疗图像，对训练医疗图像进行域统一处理包括：获取训练医疗图像的每一个单通道医疗图像；对所述每一个单通道医疗图像分别进行预设处理操作；对每一个经过预设处理操作的单通道医疗图像分别进行数值域重整；对每一个经过数值域重整的单通道医疗图像分别进行色彩空间混淆；对每一个经过色彩空间混淆的单通道医疗图像分别进行归一化处理；利用经过域统一处理的训练医疗图像对预设机器学习模型进行训练。提升机器学习模型的泛化性。大幅度提升在进行机器学习模型在未见域的医疗图像上的性能。

【技术实现步骤摘要】
模型训练方法、医疗图像处理方法及电子设备
本申请涉及机器学习领域，具体涉及模型训练方法、医疗图像处理方法及电子设备。
技术介绍
在对用于医疗领域的机器学习模型进行训练时，训练集经常包括多个domain(域)的医疗图像。可以表现成为不同的相机类型有不同的色彩特征、不同的拍摄质量、不同的人群等。例如，用于分析眼部的健康情况的机器模型的训练集经常包括多个domain(域)的眼底医疗图像。目前，是直接利用包括多个域的医疗图像训练集对机器学习模型进行训练。由于不同域的医疗图像在与整体色彩上有明显地差异，因此，诸如与整体色彩相关的特征会成为需要学习的特征。然而，在训练医疗图像的收集过程中，很多域的医疗图像由于各种限制因素难以获得，这些域称之为未见域。例如，某些特定相机拍摄的医疗图像无法获得、某些特定人群的医疗图像难以采集等。同时，在训练之后利用机器学习模型处理医疗图像时，一些未知域的待处理医疗图像却均可能经常出现。由于训练集中缺少未见域的训练医疗图像，使得机器学习模型难以学习到未见域的医疗图像的与整体色彩相关的特征，导致机器学习模型本文档来自技高网...

【技术保护点】
1.一种模型训练方法，其特征在于，所述方法包括：/n对训练医疗图像进行域统一处理，得到经过域统一处理的训练医疗图像，对训练医疗图像进行域统一处理包括：获取所述训练医疗图像的每一个单通道医疗图像；对所述每一个单通道医疗图像分别进行预设处理操作，预设处理操作包括：减均值处理；对每一个经过预设处理操作的单通道医疗图像分别进行数值域重整；对每一个经过数值域重整的单通道医疗图像分别进行色彩空间混淆；对每一个经过色彩空间混淆的单通道医疗图像分别进行归一化处理；/n利用经过域统一处理的训练医疗图像对预设机器学习模型进行训练。/n

【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：
对训练医疗图像进行域统一处理，得到经过域统一处理的训练医疗图像，对训练医疗图像进行域统一处理包括：获取所述训练医疗图像的每一个单通道医疗图像；对所述每一个单通道医疗图像分别进行预设处理操作，预设处理操作包括：减均值处理；对每一个经过预设处理操作的单通道医疗图像分别进行数值域重整；对每一个经过数值域重整的单通道医疗图像分别进行色彩空间混淆；对每一个经过色彩空间混淆的单通道医疗图像分别进行归一化处理；
利用经过域统一处理的训练医疗图像对预设机器学习模型进行训练。


2.根据权利要求1所述的方法，其特征在于，预设处理操作还包括：在减均值处理之后进行的预设步长的模糊操作。


3.根据权利要求1所述的方法，其特征在于，对每一个经过数值域重整的单通道医疗图像分别进行色彩空间混淆包括：
获取与单通道医疗图像的数量相同的数量的随机数；
基于预设特征向量、预设特征值、获取到的随机数，计算出每一个经过数值域重整的单通道医疗图像各自对应的标量，其中，预设特征向量、预设特征值通过对用于提取特征的医疗图像进行特征向量提取和特征值提取得到，用于提取特征的医疗图像被从所有训练医疗图像中选择出；
对于每一个经过数值域重整的单通道医疗图像，将所述经过数值域重整的单通道医疗图像中的每一个像素的像素值分别与所述经过数值域重整的单通道医疗图像对应的标量相加，以得到所述经过数值域重整的单通道医疗图像中的每一个像素的经过色彩空间混淆的像素值。


4.根据权利要求3所述的方法，其特征在于，获取到的随机数为服从均值为0并且标准差为σ的正态分布的随机数。


5.根据权利要求4所述的方法，其特征在于，σ的取值范围为0.1-2。

【专利技术属性】
技术研发人员：熊健皓，赵昕，和超，张大磊，
申请(专利权)人：上海鹰瞳医疗科技有限公司，
类型：发明
国别省市：上海;31