一种神经网络训练、检测方法、装置及设备制造方法及图纸

本发明专利技术实施例提供了一种神经网络训练、检测方法、装置及设备，该方法包括：获取待处理全切片数字图像及其对应的标签；分割待处理全切片数字图像，得到多张分割图像；通过神经网络的特征提取层和全连接层得到示例特征图以及多张分割图像对应的权重；将权重与示例特征图相乘后，输入至分类器，得到分类结果；基于分类结果与标签的对比结果，判断神经网络是否收敛；若否，则调整神经网络的参数，直至神经网络收敛，得到训练完成的神经网络模型。可见，本方案中，只需获取整张WSI的标签，并通过全连接层计算得到由WSI分割出的多张分割图像的权重，引导神经网络的训练，不需要在训练的过程中对分割得到的多张分割图像进行标注，减少了人力耗费。耗费。耗费。

【技术实现步骤摘要】
一种神经网络训练、检测方法、装置及设备


[0001]本专利技术涉及图像处理
，特别是涉及一种神经网络训练、检测方法、装置及设备。

技术介绍

[0002]目前，可以通过数字切片扫描仪对人体组织进行切片扫描，生成全切片数字图像(WSI，Whole Slid Image)。在医学上，可以通过对全切片数字图像进行分类结果，实现对一些疾病的诊断。例如，可以对甲状腺的WSI进行分类，判断该甲状腺是否癌变，或者判断甲状腺癌是否为良性或恶性；可以对肺部的WSI进行分类，判断肺部是否癌变，或者判断肺癌是否为良性或恶性，等等。
[0003]目前，主要的WSI分类方案包括：将需要分类的WSI切割成数张小图像，将这数张小图像输入至训练好的神经网络，得到每张小图像的检测结果，再将每张小图像的检测结果进行整合得到WSI的分类结果。其中，训练神经网络的方案包括：将WSI切割成数张小图像，对每张小图像进行标注，将标注后的小图像输入至神经网络，对神经网络进行训练，得到训练好的神经网络。
[0004]上述方案中，在训练神经网络时，需要由专业人员或医生对切割得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种神经网络训练方法，其特征在于，包括：获取待处理全切片数字图像及其对应的标签；对所述待处理全切片数字图像进行分割，得到多张分割图像；将所述多张分割图像输入至神经网络中的特征提取层，得到所述特征提取层输出的示例特征图；所述神经网络包括顺次连接的特征提取层、全连接层、以及分类器；将所述示例特征图输入至所述全连接层，分别得到所述全连接层输出的每张所述分割图像的权重；将所述权重与所述示例特征图相乘后，输入至所述分类器，得到所述待处理全切片数字图像的分类结果；将所述分类结果与所述标签进行对比，得到对比结果，基于所述对比结果判断所述神经网络是否收敛；若否，则对所述神经网络的参数进行调整，并返回所述将所述多张分割图像输入至神经网络中的特征提取层的步骤，直至所述神经网络收敛，得到训练完成的神经网络模型。2.根据权利要求1所述的方法，其特征在于，所述将所述多张分割图像输入至神经网络中的特征提取层，得到所述特征提取层输出的示例特征图，包括：识别包含预设人体组织区域的分割图像，作为目标分割图像；判断所述目标分割图像的数量是否满足预设数量条件；若是，则将所述目标分割图像输入至神经网络中的特征提取层，得到所述特征提取层输出的示例特征图。3.根据权利要求1所述的方法，其特征在于，所述全连接层包括顺次连接的第一全连接层和第二全连接层；所述将所述示例特征图输入至所述全连接层，分别得到所述全连接层输出的每张所述分割图像的权重，包括：对所述示例特征图进行最大池化处理，得到多个特征向量；将所述多个特征向量输入至所述第一全连接层，得到所述第一全连接层输出的特征矩阵；将所述特征矩阵输入至所述第二全连接层，得到所述第二全连接层输出的每张所述分割图像的权重；所述将所述权重与所述示例特征图相乘后，输入至所述分类器，得到所述待处理全切片数字图像的分类结果，包括：将所述第二全连接层输出的每张所述分割图像的权重与所述示例特征图相乘后，输入至所述分类器，得到所述待处理全切片数字图像的分类结果。4.根据权利要求1所述的方法，其特征在于，所述将所述多张分割图像输入至神经网络中的特征提取层，得到所述特征提取层输出的示例特征图，包括：针对每张分割图像，对该分割图像进行不同尺度的卷积计算，得到该分割图像的多个待处理特征图；其中，每一所述待处理特征图分别对应一种尺度的卷积计算；对所述多个待处理特征图进行特征融合，得到该分割图像对应的融合特征图；将所述多张分割图像对应...

【专利技术属性】
技术研发人员：祝闯，邱书豪，周文莉，刘军，刘芳，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：