用于图像分类的模型处理方法、装置及存储介质制造方法及图纸

本申请关于一种用于图像分类的模型处理方法、装置及存储介质，涉及医疗技术领域。该方法包括：获取包含样本医学图像，以及样本医学图像对应的分类标签的样本数据集；获取样本医学图像的真实影像组学特征；通过图像处理模型对样本医学图像进行处理，获得预测分类结果以及预测影像组学特征；基于预测分类结果、分类标签、预测影像组学特征和真实影像组学特征，对图像处理模型进行训练；基于训练后的图像处理模型生成图像分类模型。通过上述方法，将影像组学特征引入到图像分类模型的训练过程中，从而使得影像组学特征与神经网络自动学习的特征进行融合，共同对模型参数进行调整，从而提高获得的图像分类模型的分类准确性。提高获得的图像分类模型的分类准确性。提高获得的图像分类模型的分类准确性。

【技术实现步骤摘要】
用于图像分类的模型处理方法、装置及存储介质


[0001]本申请涉及医疗
，特别涉及用于图像分类的模型处理方法、装置及存储介质。

技术介绍

[0002]在医疗领域，通过医学成像进行器官损伤程度检测已成为辅助医生进行病例判断的常用技术，随着科技的进步，使得利用计算机设备基于医学成像获取的医学图像自动进行图像分类成为可能。
[0003]在相关技术中，通常将医学图像输入到神经网络模型中，基于神经网络提取到的医学图像特征对医学图像进行分类，从而获得医学图像的分类结果。
[0004]然而，上述技术中，在训练神经网络模型时，需要通过大量的医学图像样本进行模型训练，而在医学领域中，实际的医学图像样本数量较少，导致训练获得的神经网络模型的分类效果较差，获得的分类结果的准确性较低。

技术实现思路

[0005]本申请实施例提供了一种用于图像分类的模型处理方法、装置及存储介质，可以提高获得的图像分类模型的分类准确性，该技术方案如下：
[0006]一方面，提供了一种用于图像分类的模型处理方法，所述方法包括：
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于图像分类的模型处理方法，其特征在于，所述方法包括：获取样本数据集，所述样本数据集中包含样本医学图像，以及所述样本医学图像对应的分类标签；获取所述样本医学图像的真实影像组学特征；通过图像处理模型对所述样本医学图像进行处理，获得所述样本医学图像的预测分类结果，以及所述样本医学图像的预测影像组学特征；所述图像处理模型中用于提取所述预测分类结果对应的机器学习特征的部分，与用于提取所述预测影像组学特征对应的机器学习特征的部分是相同的；基于所述预测分类结果、所述分类标签、所述预测影像组学特征、以及所述真实影像组学特征，对所述图像处理模型进行参数更新，以对所述图像处理模型进行训练；基于训练完成后的所述图像处理模型，生成图像分类模型；所述图像分类模型用于对目标医学图像进行处理，并输出所述目标医学图像的分类结果。2.根据权利要求1所述的方法，其特征在于，所述通过图像处理模型对所述样本医学图像进行处理，获得所述样本医学图像的预测分类结果，以及所述样本医学图像的预测影像组学特征，包括：通过所述图像处理模型中的特征提取部分对所述样本医学图像进行处理，获得所述样本医学图像的机器学习特征；通过所述图像处理模型中的分类部分对所述样本医学图像的机器学习特征进行处理，获得所述预测分类结果；通过所述图像处理模型中的影像组学预测部分对所述样本医学图像的机器学习特征进行处理，获得所述预测影像组学特征。3.根据权利要求2任一所述的方法，其特征在于，所述基于所述预测分类结果、所述分类标签、所述预测影像组学特征、以及所述真实影像组学特征，对所述图像处理模型进行参数更新，以对所述图像处理模型进行训练，包括：基于所述预测分类结果，以及所述分类标签，计算第一损失函数；基于所述预测影像组学特征，以及所述真实影像组学特征，计算第二损失函数；基于所述第一损失函数以及所述第二损失函数，对所述图像处理模型进行参数更新，以对所述图像处理模型进行训练。4.根据权利要求3所述的方法，其特征在于，所述基于所述第一损失函数以及所述第二损失函数，对所述图像处理模型进行参数更新，以对所述图像处理模型进行训练，包括：基于所述第一损失函数，对所述图像处理模型中的特征提取部分，以及所述图像处理模型中的分类部分进行参数更新；基于所述第二损失函数，对所述图像处理模型中的特征提取部分，以及通过所述图像处理模型中的影像组学预测部分进行参数更新。5.根据权利要求3所述的方法，其特征在于，所述基于所述第一损失函数以及所述第二损失函数，对所述图像处理模型进行参数更新，以对所述图像处理模型进行训练，包括：基于所述第一损失函数以及所述第二损失函数，对所述图像处理模型的参数进行交替迭代更新，以对所述图像处理模型进行训练。6.根据权利要求3所述的方法，其特征在于，所述第一损失函数为分类损失函数，所述
第二损失函数为回归损失函数。7.根据权利要求2所述的方法，其特征在于，所述基于训练完成后的所述图像处理模型，生成图像分类模型，包括：基于训练完成后的所述图像处理模型中的机器学习特征的部分，以及训练完成后的所述图像处理模型中的所述分类部分，生成所述图像分类模型。8.根据权利要求1所述的方法，其特征在于，在获取所述样本医学图像的真实影像组学特征之前，所述方法还包括：对所述样本医学图像进行数据增强处理；所述获取所述样本医学图像的真实影像组学特征，包括：获取数据增强处理后的所述样本医学图像的所述真实影像组学特征；所述通过图像处理模型对所述样本医学图像进行处理，获得所述样本医学图像的预测分类结果，以及所述样本医学图像的预测影像组学特征，包括：通过所述图像处理模型对数据增强处理后的所述样本医学图像进行处理，获得所述样本医学图像的预...

【专利技术属性】
技术研发人员：熊俊峰，伍健荣，朱艳春，钱天翼，时允凯，孙文博，徐海波，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：