模型训练方法及装置、图像识别方法及装置制造方法及图纸

本申请提供了一种模型训练方法及装置、图像识别方法及装置，涉及神经网络技术领域。该模型训练方法包括：利用第一识别模型，基于M幅图像各自对应的第一类别分配权重数据确定M幅图像各自对应的第一类别识别结果；基于M幅图像各自对应的类别标签数据和第一类别识别结果，确定M幅图像各自对应的类别一致率数据；基于M幅图像各自对应的类别一致率数据，确定M幅图像各自对应的第二类别分配权重数据；基于M幅图像各自对应的第二类别分配权重数据训练第一识别模型，得到图像识别模型。本申请能够为错误预测的图像样本重新定义其学习难易权重，进而使模型更多关注到错误预测的图像样本，极大提高训练得到的图像识别模型的识别精准度。准度。准度。

【技术实现步骤摘要】
模型训练方法及装置、图像识别方法及装置


[0001]本申请涉及神经网络
，具体涉及一种模型训练方法及装置、图像识别方法及装置。

技术介绍

[0002]通常情况下，三维医学图像序列包括多个部位。为了方便阅片人操作，需要确定三维医学图像序列中的图像各自所属的部位（即确定三维医学图像序列中的图像各自对应的类别），以便基于部位提取出该部位对应的图像。
[0003]然而，现有的部位识别方法和部位提取方法，精准度均较低。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请。本申请实施例提供了一种模型训练方法及装置、图像识别方法及装置。
[0005]第一方面，本申请一实施例提供了一种模型训练方法，该模型训练方法包括：利用第一识别模型，基于M幅图像各自对应的第一类别分配权重数据确定M幅图像各自对应的第一类别识别结果；基于M幅图像各自对应的类别标签数据和第一类别识别结果，确定M幅图像各自对应的类别一致率数据；基于M幅图像各自对应的类别一致率数据，确定M幅图像各自对应的第二类别分配权重数据；基于M幅图像各自对应的第二类别分配权重数据训练第一识别模型，得到图像识别模型，其中，图像识别模型用于确定待识别图像序列中的图像各自对应的类别识别结果。
[0006]结合第一方面，在第一方面的某些实现方式中，基于M幅图像各自对应的类别标签数据和第一类别识别结果，确定M幅图像各自对应的类别一致率数据，包括：针对M幅图像中的每幅图像，基于图像对应的类别标签数据和第一类别识别结果，确定图像对应的边界一致率数据；基于图像对应的边界一致率数据，确定图像对应的类别一致率数据。
[0007]结合第一方面，在第一方面的某些实现方式中，基于图像对应的类别标签数据和第一类别识别结果，确定图像对应的边界一致率数据，包括：基于图像对应的第一类别识别结果，确定图像对应的相邻预测类别的序列信息；基于图像对应的类别标签数据，确定图像对应的相邻真实类别的序列信息；基于图像对应的相邻预测类别的序列信息、相邻真实类别的序列信息，确定图像对应的边界一致率数据。
[0008]结合第一方面，在第一方面的某些实现方式中，相邻预测类别的序列信息包括图像所属预测类别的中间序列信息和结束序列信息、与图像所属预测类别相邻的下一预测类别的中间序列信息和起始序列信息，相邻真实类别的序列信息包括图像所属真实类别的中间序列信息和结束序列信息、与图像所属真实类别相邻的下一真实类别的中间序列信息和起始序列信息。其中，基于图像对应的相邻预测类别的序列信息、相邻真实类别的序列信息，确定图像对应的边界一致率数据，包括：基于与图像所属预测类别相邻的下一预测类别的起始序列信息、图像所属预测类别的结束序列信息、与图像所属真实类别相邻的下一真
实类别的起始序列信息和图像所属真实类别的结束序列信息，确定第一偏移数据；基于与图像所属预测类别相邻的下一预测类别的中间序列信息、图像所属预测类别的中间序列信息、与图像所属真实类别相邻的下一真实类别的中间序列信息和图像所属真实类别的中间序列信息，确定第二偏移数据；基于第一偏移数据和第二偏移数据，确定图像对应的边界一致率数据。
[0009]结合第一方面，在第一方面的某些实现方式中，图像对应的边界一致率数据，确定图像对应的类别一致率数据，包括：基于待识别图像序列样本对应的层厚信息和/或层间距信息，确定待识别图像序列样本对应的一致率分类区间信息；基于一致率分类区间信息和图像对应的边界一致率数据，确定图像对应的类别一致率数据。
[0010]结合第一方面，在第一方面的某些实现方式中，基于M幅图像各自对应的类别一致率数据，确定M幅图像各自对应的第二类别分配权重数据，包括：确定M幅图像各自对应的高斯分布概率权重数据；基于M幅图像各自对应的类别一致率数据和高斯分布概率权重数据，确定M幅图像各自对应的第二类别分配权重数据。
[0011]结合第一方面，在第一方面的某些实现方式中，确定M幅图像各自对应的高斯分布概率权重数据，包括：针对M幅图像中的每幅图像，基于图像所属真实类别包含的图像数量确定高斯半径，以图像所属真实类别的中心序列信息作为分布的均值，得到高斯分布概率权重数据。
[0012]结合第一方面，在第一方面的某些实现方式中，基于M幅图像各自对应的类别一致率数据和高斯分布概率权重数据，确定M幅图像各自对应的第二类别分配权重数据，包括：基于M幅图像各自对应的类别一致率数据和高斯分布概率权重数据，确定M幅图像各自对应的第一增量权重数据；基于M幅图像各自对应的第一增量权重数据和第一类别分配权重数据，确定M幅图像各自对应的第二类别分配权重数据。
[0013]结合第一方面，在第一方面的某些实现方式中，基于M幅图像各自对应的第二类别分配权重数据训练第一识别模型，得到图像识别模型，包括：基于M幅图像各自对应的第二类别分配权重数据训练第一识别模型，得到第二识别模型；利用第二识别模型，确定M幅图像各自对应的第二类别识别结果；基于M幅图像各自对应的类别标签数据和第二类别识别结果，得到M幅图像各自对应的当前类别分配权重数据；基于M幅图像各自对应的第一类别分配权重数据、第二类别分配权重数据和当前类别分配权重数据，确定M幅图像各自对应的第三类别分配权重数据；基于M幅图像各自对应的第三类别分配权重数据训练第二识别模型，得到图像识别模型。
[0014]第二方面，本申请一实施例提供了一种图像识别方法，该图像识别方法包括：确定图像识别模型，该图像识别模型基于上述第一方面提及的模型训练方法训练得到；利用图像识别模型，确定待识别图像序列中的图像各自对应的类别识别结果。
[0015]第三方面，本申请一实施例提供了一种模型训练装置，该模型训练装置包括：第一确定模块，用于利用第一识别模型，基于M幅图像各自对应的第一类别分配权重数据确定M幅图像各自对应的第一类别识别结果；第二确定模块，用于基于M幅图像各自对应的类别标签数据和第一类别识别结果，确定M幅图像各自对应的类别一致率数据；第三确定模块，用于基于M幅图像各自对应的类别一致率数据，确定M幅图像各自对应的第二类别分配权重数据；训练模块，用于基于M幅图像各自对应的第二类别分配权重数据训练第一识别模型，得
到图像识别模型，其中，图像识别模型用于确定待识别图像序列中的图像各自对应的类别识别结果。
[0016]第四方面，本申请一实施例提供了一种图像识别装置，该图像识别装置包括：模型确定模块，用于确定图像识别模型，该图像识别模型基于上述第一方面提及的模型训练方法训练得到；识别结果确定模块，用于利用图像识别模型，确定待识别图像序列中的图像各自对应的类别识别结果。
[0017]第五方面，本申请一实施例提供了一种计算机可读存储介质，该存储介质存储有计算机程序，该计算机程序用于执行上述第一方面提及的模型训练方法和/或第二方面所提及的图像识别方法。
[0018]第六方面，本申请一实施例提供了一种电子设备，该电子设备包括：处理器；用于存储处理器可执行指令的存储器；该处理器用于执行上述第一方面本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：利用第一识别模型，基于M幅图像各自对应的第一类别分配权重数据确定所述M幅图像各自对应的第一类别识别结果；基于所述M幅图像各自对应的类别标签数据和第一类别识别结果，确定所述M幅图像各自对应的类别一致率数据；基于所述M幅图像各自对应的类别一致率数据，确定所述M幅图像各自对应的第二类别分配权重数据；基于所述M幅图像各自对应的第二类别分配权重数据训练所述第一识别模型，得到图像识别模型，其中，所述图像识别模型用于确定待识别图像序列中的图像各自对应的类别识别结果。2.根据权利要求1所述的模型训练方法，其特征在于，所述基于所述M幅图像各自对应的类别标签数据和第一类别识别结果，确定所述M幅图像各自对应的类别一致率数据，包括：针对所述M幅图像中的每幅图像，基于所述图像对应的类别标签数据和第一类别识别结果，确定所述图像对应的边界一致率数据；基于所述图像对应的边界一致率数据，确定所述图像对应的类别一致率数据。3.根据权利要求2所述的模型训练方法，其特征在于，所述基于所述图像对应的类别标签数据和第一类别识别结果，确定所述图像对应的边界一致率数据，包括：基于所述图像对应的第一类别识别结果，确定所述图像对应的相邻预测类别的序列信息；基于所述图像对应的类别标签数据，确定所述图像对应的相邻真实类别的序列信息；基于所述图像对应的相邻预测类别的序列信息、相邻真实类别的序列信息，确定所述图像对应的边界一致率数据。4.根据权利要求3所述的模型训练方法，其特征在于，所述相邻预测类别的序列信息包括所述图像所属预测类别的中间序列信息和结束序列信息、与所述图像所属预测类别相邻的下一预测类别的中间序列信息和起始序列信息，所述相邻真实类别的序列信息包括所述图像所属真实类别的中间序列信息和结束序列信息、与所述图像所属真实类别相邻的下一真实类别的中间序列信息和起始序列信息，其中，所述基于所述图像对应的相邻预测类别的序列信息、相邻真实类别的序列信息，确定所述图像对应的边界一致率数据，包括：基于所述与所述图像所属预测类别相邻的下一预测类别的起始序列信息、所述图像所属预测类别的结束序列信息、所述与所述图像所属真实类别相邻的下一真实类别的起始序列信息和所述图像所属真实类别的结束序列信息，确定第一偏移数据；基于所述与所述图像所属预测类别相邻的下一预测类别的中间序列信息、所述图像所属预测类别的中间序列信息、所述与所述图像所属真实类别相邻的下一真实类别的中间序列信息和所述图像所属真实类别的中间序列信息，确定第二偏移数据；基于所述第一偏移数据和所述第二偏移数据，确定所述图像对应的边界一致率数据。5.根据权利要求2至4任一项所述的模型训练方法，其特征在于，所述图像对应的边界
一致率数据，确定所述图像对应的类别一致率数据，包括：基于所述待识别图像序列样本对应的层厚信息和/或层间距信息，确定所述待识别图像序列样本对应的一致率分类区间信息；基于所述一致率分类区间信息和所述图像对应的边界一致率数据，确定所述图像对应的类别一致率数据。6.根据权利要求1至4任一项所述的模型训练方法，其特征在于，所述基于所述M幅图像各自对应的类别一致率数据，确定所述M幅图像各自对应的第二类别分配权重数据，包括：确定所述M幅图像各自对应的高斯分布概率权重...

【专利技术属性】
技术研发人员：蔡鑫，崔亚轩，邱慎杰，
申请(专利权)人：浙江太美医疗科技股份有限公司，
类型：发明
国别省市：