网络训练方法、图像检测方法和介质技术

本申请涉及一种网络训练方法、图像检测方法、装置、计算机设备和存储介质。方法包括：获取训练医学影像集；将各训练医学影像输入至初始网络，通过初始网络中的主干网络以及第一网络确定各训练医学影像中感兴趣区域的预测位置，通过初始网络中的主干网络以及第二网络确定各训练医学影像对应的预测类别；计算各训练医学影像对应的预测类别与每个训练医学影像对应的类别标签之间的类别损失，以及计算各训练医学影像中感兴趣区域的预测位置与部分训练医学影像对应的位置标签之间的位置损失；根据类别损失和位置损失对初始网络进行训练，确定训练好的网络。采用本方法能够降低人工标注成本。成本。成本。

【技术实现步骤摘要】
网络训练方法、图像检测方法和介质


[0001]本申请涉及图像处理
，特别是涉及一种网络训练方法、图像检测方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着医学影像技术的不断发展，越来越多的患者在去医院进行检查时，医生都会让患者拍摄一张医学影像，并通过对拍摄的医学影像进行分析，获得该患者的影像分析结果。
[0003]相关技术中，医生在对医学影像进行分析时，通常会结合深度学习技术对医学影像进行分析，即医生预先会对多个样本医学影像分别进行人工标注，标注好每个样本医学影像上全部病灶的位置及类别，并通过标注后的各个样本医学影像进行深度学习网络的训练，得到训练好的网络。之后，医生就可以通过训练较好的网络对患者的医学影像进行分析，得到该患者的医学影像分析结果。
[0004]然而，采用上述技术去训练深度学习网络，该训练过程中需要耗费医生大量的时间和精力去对样本医学影像进行标注，这样会导致人工标注成本较高。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够降低人工标注成本的网络训练方法、图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络训练方法，其特征在于，所述网络包括主干网络、第一网络和第二网络，所述方法包括：获取训练医学影像集；所述训练医学影像集包括多个训练医学影像、每个训练医学影像对应的类别标签以及部分训练医学影像对应的位置标签；将各所述训练医学影像输入至初始网络，通过所述初始网络中的主干网络以及第一网络确定各所述训练医学影像中感兴趣区域的预测位置，通过所述初始网络中的主干网络以及第二网络确定各所述训练医学影像对应的预测类别；计算各所述训练医学影像对应的预测类别与每个训练医学影像对应的类别标签之间的类别损失，以及计算各所述训练医学影像中感兴趣区域的预测位置与部分训练医学影像对应的位置标签之间的位置损失；根据所述类别损失和所述位置损失对所述初始网络进行训练，确定训练好的网络。2.根据权利要求1所述的方法，其特征在于，所述类别标签包括所述训练医学影像的图像类别标签和/或所述训练医学影像的正负样本标签，所述训练医学影像对应的预测类别包括所述训练医学影像的预测样本类别以及所述训练医学影像的预测图像类别，所述计算各所述训练医学影像对应的预测类别与每个训练医学影像对应的类别标签之间的类别损失，包括：计算各所述训练医学影像对应的预测样本类别和对应的正负样本标签之间的第一类别损失；计算各所述训练医学影像的图像类别标签和对应的预测图像类别之间的第二类别损失；根据所述第一类别损失以及所述第二类别损失，确定所述类别损失。3.根据权利要求2所述的方法，其特征在于，所述根据所述第一类别损失以及所述第二类别损失，确定所述类别损失，包括：获取所述第二网络输出的各所述训练医学影像对应的正样本热图以及所述第一网络输出的各所述训练医学影像对应的类别热图；所述正样本热图中包括各所述训练医学影像中正样本训练医学影像对应的预测样本类别，所述类别热图中包括所述训练医学影像中感兴趣区域的预测类别与预测位置；计算所述正样本热图与所述类别热图之间的热图损失；根据所述第一类别损失、所述第二类别损失以及所述热图损失确定所述类别损失。4.根据权利要求3所述的方法，其特征在于，所述根...

【专利技术属性】
技术研发人员：殷敬敬，郑介志，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：