一种肺疾病检测模型的训练方法、装置、设备和介质制造方法及图纸

本申请提供了一种肺疾病检测模型的训练方法、装置、设备和介质，训练方法包括：获取肺疾病训练集合；将训练样本中的阳性医学影像样本包和阴性医学影像样本包分别输入至特征提取机制，提取阳性医学影像样本包的第一特征和阴性医学影像样本包的第二特征，并基于第一特征和第二特征，计算第一损失值；针对每一个医学影像样本包，将样本包对应的特征输入至注意力机制，得到检测结果，并基于检测结果和样本包的标签对应的真实值，计算第二损失值；基于第一损失值和第二损失值，更新肺疾病检测模型的特征提取机制的第一参数和注意力机制的第二参数，得到训练好的肺疾病检测模型。得到训练好的肺疾病检测模型。得到训练好的肺疾病检测模型。

【技术实现步骤摘要】
一种肺疾病检测模型的训练方法、装置、设备和介质


[0001]本申请涉及模型领域，具体而言，涉及一种肺疾病检测模型的训练方法、装置、设备和介质。

技术介绍

[0002]随着科技的发展，大量的先进技术也应用在了医疗领域，更多的医疗手段依赖于新的科技。比如，CT(Computed Tomography，电子计算机断层扫描)，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查。

技术实现思路

[0003]有鉴于此，本申请的目的在于提供一种肺疾病检测模型的训练方法、装置、设备和介质，用于解决现有技术中肺疾病检测模型太依靠病灶的精标注和计算结果不准确的问题。
[0004]第一方面，本申请实施例提供了一种肺疾病检测模型的训练方法，包括：
[0005]获取肺疾病训练集合；所述肺疾病训练集合中包括至少一个训练样本，每一个训练样本包括阳性医学影像样本包和阴性医学影像样本包；
[0006]针对每一个训练样本，将所述训练样本中的阳性医学影像样本包和所述阴性医学影像样本包分别输入至肺疾病检测模型的特征提取机制，提取所述阳性医学影像样本包的第一特征和所述阴性医学影像样本包的第二特征，并基于所述第一特征和所述第二特征，计算第一损失值；
[0007]针对每一个医学影像样本包，将所述样本包对应的特征输入至肺疾病检测模型的注意力机制，得到检测结果，并基于所述检测结果和所述样本包的标签对应的真实值，计算第二损失值；其中，所述医学影像样本包为阳性医学影像样本包或阴性医学影像样本包；
[0008]基于所述第一损失值和所述第二损失值，更新所述肺疾病检测模型的特征提取机制的第一参数和注意力机制的第二参数，得到训练好的肺疾病检测模型，以使训练好的肺疾病检测模型对待检测的医学图像中的肺疾病进行检测。
[0009]可选的，通过以下步骤确定医学影像样本包：
[0010]将医学影像按预设方向对应的间隔采样均分为预设数量的等份；
[0011]从每一个等份中随机选择一个间隔采样组合在一起，确定为所述医学影像样本包。
[0012]可选的，将医学影像按预设方向对应的间隔采样均分为预设数量的等份，包括：
[0013]利用预设灰度值范围，在医学影像中突出肺部组织；
[0014]突出肺部组织的医学影像对应的间隔采样均分为预设数量的等份。
[0015]可选的，所述第一特征包括所述阳性医学影像样本包中每一个间隔采样的第一子特征，所述第二特征包括所述阴性医学影像样本包中每一个间隔采样的第二子特征；基于
所述第一特征和所述第二特征，计算第一损失值，包括：
[0016]针对阳性医学影像样本包中每一个间隔采样，计算所述间隔采样的第一子特征与所述阴性医学影像样本包中对应的间隔采样的第二子特征之间的特征距离；
[0017]根据所述阳性医学影像采样本包中每一个间隔采样对应的特征距离，将所述阳性医学影像样本包中的间隔采样分为带病灶类和不带病灶类；
[0018]基于所述阳性医学影像样本包中不带病灶类的间隔采样对应的特征距离和带病灶类的间隔采样对应的特征距离的倒数，计算所述第一损失值。
[0019]可选的，基于第一损失值和第二损失值，更新所述肺疾病检测模型的特征提取机制的第一参数和注意力机制的第二参数，得到训练好的肺疾病检测模型，包括：
[0020]基于所述第一损失值和所述第二损失值更新所述肺疾病检测模型的特征提取机制的第一参数；
[0021]基于所述第二损失值更新所述肺疾病检测模型的注意力机制的第二参数；
[0022]基于更新所述第一参数后的所述肺疾病检测模型的特征提取机制和更新所述第二参数后的所述肺疾病检测模型的注意力机制，得到训练好的肺疾病检测模型。
[0023]第二方面，本申请实施例提供了一种肺疾病检测模型的训练装置，包括：
[0024]获取模块，用于获取肺疾病训练集合；所述肺疾病训练集合中包括至少一个训练样本，每一个训练样本包括阳性医学影像样本包和阴性医学影像样本包；
[0025]提取模块，用于针对每一个训练样本，将所述训练样本中的阳性医学影像样本包和所述阴性医学影像样本包分别输入至肺疾病检测模型的特征提取机制，提取所述阳性医学影像样本包的第一特征和所述阴性医学影像样本包的第二特征，并基于所述第一特征和所述第二特征，计算第一损失值；
[0026]结果模块，用于针对每一个医学影像样本包，将所述样本包对应的特征输入至肺疾病检测模型的注意力机制，得到检测结果，并基于所述检测结果和所述样本包的标签对应的真实值，计算第二损失值；其中，所述医学影像样本包为阳性医学影像样本包或阴性医学影像样本包；
[0027]更新模块，用于基于所述第一损失值和所述第二损失值，更新所述肺疾病检测模型的特征提取机制的第一参数和注意力机制的第二参数，得到训练好的肺疾病检测模型，以使训练好的肺疾病检测模型对待检测的医学图像中的肺疾病进行检测。
[0028]可选的，所述装置还包括：
[0029]均分模块，用于将医学影像按预设方向对应的间隔采样分为预设数量的等份；
[0030]确定模块，用于将每一个等份中随机选择一个间隔采样组合在一起，确定为所述医学影像样本包。
[0031]可选的，所述均分模块，包括：
[0032]筛选单元，用于利用预设灰度值范围，在医学影像中突出肺部组织；
[0033]均分单元，用于将突出肺部组织的医学影像对应的间隔采样均分为预设数量的等份。
[0034]第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0035]第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法的步骤。
[0036]本申请实施例提出的肺疾病检测模型的训练方法，首先，获取肺疾病训练集合；所述肺疾病训练集合中包括至少一个训练样本，每一个训练样本包括阳性医学影像样本包和阴性医学影像样本包；其次，针对每一个训练样本，将所述训练样本中的阳性医学影像样本包和所述阴性医学影像样本包分别输入至肺疾病检测模型的特征提取机制，提取所述阳性医学影像样本包的第一特征和所述阴性医学影像样本包的第二特征，并基于所述第一特征和所述第二特征，计算第一损失值；再次，针对每一个医学影像样本包，将所述样本包对应的特征输入至肺疾病检测模型的注意力机制，得到检测结果，并基于所述检测结果和所述样本包的标签对应的真实值，计算第二损失值；其中，所述医学影像样本包为阳性医学影像样本包或阴性医学影像样本包；最后，基于所述第一损失值和所述第二损失值，更新所述肺疾病检测模型的特征提取机制的第一参数和注意力机制的第二参数，得到训练好的肺疾病检测模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肺疾病检测模型的训练方法，其特征在于，包括：获取肺疾病训练集合；所述肺疾病训练集合中包括至少一个训练样本，每一个训练样本包括阳性医学影像样本包和阴性医学影像样本包；针对每一个训练样本，将所述训练样本中的阳性医学影像样本包和所述阴性医学影像样本包分别输入至肺疾病检测模型的特征提取机制，提取所述阳性医学影像样本包的第一特征和所述阴性医学影像样本包的第二特征，并基于所述第一特征和所述第二特征，计算第一损失值；针对每一个医学影像样本包，将所述样本包对应的特征输入至肺疾病检测模型的注意力机制，得到检测结果，并基于所述检测结果和所述样本包的标签对应的真实值，计算第二损失值；其中，所述医学影像样本包为阳性医学影像样本包或阴性医学影像样本包；基于所述第一损失值和所述第二损失值，更新所述肺疾病检测模型的特征提取机制的第一参数和注意力机制的第二参数，得到训练好的肺疾病检测模型，以使训练好的肺疾病检测模型对待检测的医学图像中的肺疾病进行检测。2.根据权利要求1所述的训练方法，其特征在于，通过以下步骤确定医学影像样本包：将医学影像按预设方向对应的间隔采样均分为预设数量的等份；从每一个等份中随机选择一个间隔采样组合在一起，确定为所述医学影像样本包。3.根据权利要求2所述的训练方法，其特征在于，将医学影像按预设方向对应的间隔采样均分为预设数量的等份，包括：利用预设灰度值范围，在医学影像中突出肺部组织将突出肺部组织的医学影像对应的间隔采样均分为预设数量的等份。4.根据权利要求1所述的训练方法，其特征在于，所述第一特征包括所述阳性医学影像样本包中每一个间隔采样的第一子特征，所述第二特征包括所述阴性医学影像样本包中每一个间隔采样的第二子特征；基于所述第一特征和所述第二特征，计算第一损失值，包括：针对阳性医学影像样本包中每一个间隔采样，计算所述间隔采样的第一子特征与所述阴性医学影像样本包中对应的间隔采样的第二子特征之间的特征距离；根据所述阳性医学影像采样本包中每一个间隔采样对应的特征距离，将所述阳性医学影像样本包中的间隔采样分为带病灶类和不带病灶类；基于所述阳性医学影像样本包中不带病灶类的间隔采样对应的特征距离和带病灶类的间隔采样对应的特征距离的倒数，计算所述第一损失值。5.根据权利要求1所述的训练方法，其特征在于，基于第一损失值和第二损失值，更新所述肺疾病检测模型的特征提取机制的第一参数和注意力机制的第二参数，得到训练好的肺疾病...

【专利技术属性】
技术研发人员：谭卫雄，刘柏韵，武江芬，王少康，陈宽，
申请(专利权)人：推想医疗科技股份有限公司，
类型：发明
国别省市：