一种模型训练方法、装置及电子设备制造方法及图纸

本公开揭示了一种模型训练方法及装置，用于医学OCT领域，尤其用于眼科OCT领域。该方法包括：获取多个标注有图像质量评价值的OCT医学图像；将获取的多个OCT医学图像划分为训练集和验证集；基于训练集和验证集，对至少一个预设网络模型中的每个分别进行独立训练，得到对应的至少一个候选模型；以及基于模型推理与人工标注的一致度衡量参数、和/或模型的推理速度，从至少一个候选模型中选定目标模型用于OCT医学图像质量的预测。OCT医学图像质量的预测。OCT医学图像质量的预测。

【技术实现步骤摘要】
一种模型训练方法、装置及电子设备


[0001]本公开属于人工智能和OCT(Optical Coherence Tomography，光学相干断层扫描技术)等
，尤其属于医学OCT领域，可以应用于眼科OCT场景。

技术介绍

[0002]在医学
，医学影像是一种非常重要的医疗检测手段和诊断依据。各种医学成像技术发展迅速，尤其20世纪80年代以来，随着信息技术的蓬勃发展，计算机科学、应用数学、材料学以及制造业也都得到了快速发展，尤其是跨学科知识的交叉应用，进一步促进了医学影像技术的发展。随着医学影像技术与医学场景应用越来越密切，一些新的成像技术或影像分析应用技术也越来越普及。比如大家熟知的X射线成像、核磁共振、光学相干断层扫描技术(Optical Coherence Tomography，简称OCT)。
[0003]其中，OCT因其具有非接触性、高探测灵敏度、高分辨率、无损伤和在检测上对活体组织无辐射等特点，得到越来越多的应用，尤其在眼科应用较为广泛。目前，OCT成像技术的发展迅速，实现了各种技术上的突破，但是始终存在一个问题，即图像质量问题，不同设备扫描得到的OCT图像在质量上存在差异，同一设备不同时间或在不同活体组织上扫描得到的OCT图像质量也存在差异。质量较差的图像会影响医生的诊断，无法有效应用于临床，需要重新拍摄。因此，准确地评估图像质量非常重要。

技术实现思路

[0004]在实现本公开实施例的过程中，专利技术人通过对相关技术的分析研究发现，相关技术中对图像质量评价存在没有关于图像质量的主观评价基准的问题。
[0005]有鉴于此，本公开实施例的目的在于公开了一种模型训练方法、装置及电子设备，以用于眼科OCT图像的质量评价并解决上述技术问题。
[0006]第一方面，本公开实施例公开了一种模型训练方法，包括：
[0007]获取多个标注有图像质量评价值的OCT医学图像；
[0008]将获取的多个OCT医学图像划分为训练集和验证集；
[0009]基于所述训练集和所述验证集，对至少一个预设网络模型中的每个分别进行独立训练，得到对应的至少一个候选模型；以及
[0010]基于模型推理与人工标注的一致度衡量参数、和/或模型的推理速度，从所述至少一个候选模型中选定目标模型用于OCT医学图像质量的预测。
[0011]可选的，所述OCT医学图像包括眼科OCT图像。
[0012]可选的，将获取的多个OCT医学图像划分为训练集和验证集，包括：
[0013]将获取的所述多个OCT医学图像中属于同一只眼睛的所有图像都划分到训练集中或者验证集中。
[0014]可选的，基于所述训练集和所述验证集，对至少一个预设网络模型中的每个分别进行独立训练，包括：
[0015]对所述训练集中的部分或者全部图像，随机在预设尺寸范围内进行裁剪和/或左右翻转，以得到数据增广后的训练集；以及
[0016]基于所述数据增广后的训练集和所述验证集，对所述至少一个预设网络模型中的每个分别进行独立训练。
[0017]可选的，对所述训练集中的部分或者全部图像，随机在预设尺寸范围内进行裁剪，包括：
[0018]对所述训练集中的部分或者全部图像，随机在预设尺寸范围内以预定尺寸在图像上进行裁剪。
[0019]可选的，所述多个标注有图像质量评价值的OCT医学图像是通过对对应的多个原始OCT医学图像进行数据标注得到的，其中，
[0020]所述多个原始OCT医学图像包括：对多个患者以多种拍摄模式进行拍摄获得的涉及多个拍摄范围的OCT医学图像。
[0021]可选的，在对多个原始OCT医学图像进行数据标注之前，
[0022]先按照预定规则从所述多个原始OCT医学图像中抽取多个OCT医学图像样本，再对抽取的多个样本图像进行数据标注，以获得所述多个标注有图像质量评价值的OCT医学图像。
[0023]可选的，所述多个标注有图像质量评价值的OCT医学图像是由至少两个标注者对所述多个样本图像进行标注得到的，其中，
[0024]不同的标注者对所述多个样本图像中的部分图像存在重复标注；
[0025]重复标注的样本图像用于确定不同标注者间对图像质量评价的一致度衡量参数；
[0026]不同标注者间对图像质量评价的一致度衡量参数用于作为衡量所述目标模型的模型推理与人工标注间的一致性的基准参数。
[0027]可选的，所述方法还包括：
[0028]获取测试集；
[0029]利用所述目标模型，对所述测试集中的每个OCT医学图像进行图像质量预测，得到对应的预测值；
[0030]基于所述测试集中每个OCT医学图像的预测值和对应的实际标注值，计算对应的均方差；
[0031]将计算得到的均方差作为衡量所述目标模型的模型推理与人工标注间的一致性的指标参数。
[0032]第二方面，本公开实施例还提供了一种模型训练装置，包括：
[0033]获取模块，用于获取多个标注有图像质量评价值的OCT医学图像；
[0034]划分模块，用于将获取的多个OCT医学图像划分为训练集和验证集；
[0035]训练模块，用于基于所述训练集和所述验证集，对至少一个预设网络模型中的每个分别进行独立训练，得到对应的至少一个候选模型；以及
[0036]筛选模块，用于基于模型推理与人工标注的一致度衡量参数、和/或模型的推理速度，从所述至少一个候选模型中选定目标模型用于OCT医学图像质量的预测。
[0037]第三方面，本公开实施例还提供了一种电子设备，包括：
[0038]至少一个处理器；以及
[0039]与所述至少一个处理器通信连接的存储器；其中，
[0040]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开实施例所述的方法。
[0041]第四方面，本公开实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开实施例所述的方法。
附图说明
[0042]为了更清楚地说明本公开实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0043]图1是本公开实施例公开的一种模型训练方法的流程图；
[0044]图2是本公开实施例公开的对目标模型进行测试验证的流程图；
[0045]图3是本公开实施例公开的目标模型预测结果与专家标注结果之间的混淆矩阵示意图；
[0046]图4是本公开实施例公开的一种模型训练装置的结构示意图。
具体实施方式
[0047]为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，包括：获取多个标注有图像质量评价值的OCT医学图像；将获取的多个OCT医学图像划分为训练集和验证集；基于所述训练集和所述验证集，对至少一个预设网络模型中的每个分别进行独立训练，得到对应的至少一个候选模型；以及基于模型推理与人工标注的一致度衡量参数、和/或模型的推理速度，从所述至少一个候选模型中选定目标模型用于OCT医学图像质量的预测。2.根据权利要求1所述的方法，其中，所述OCT医学图像包括眼科OCT图像。3.根据权利要求2所述的方法，其中，将获取的多个OCT医学图像划分为训练集和验证集，包括：将获取的所述多个OCT医学图像中属于同一只眼睛的所有图像都划分到训练集中或者验证集中。4.根据权利要求2或3所述的方法，其中，基于所述训练集和所述验证集，对至少一个预设网络模型中的每个分别进行独立训练，包括：对所述训练集中的部分或者全部图像，随机在预设尺寸范围内进行裁剪和/或左右翻转，以得到数据增广后的训练集；以及基于所述数据增广后的训练集和所述验证集，对所述至少一个预设网络模型中的每个分别进行独立训练。5.根据权利要求4所述的方法，其中，对所述训练集中的部分或者全部图像，随机在预设尺寸范围内进行裁剪，包括：对所述训练集中的部分或者全部图像，随机在预设尺寸范围内以预定尺寸在图像上进行裁剪。6.根据权利要求1所述的方法，其中，所述多个标注有图像质量评价值的OCT医学图像是通过对对应的多个原始OCT医学图像进行数据标注得到的，其中，所述多个原始OCT医学图像包括：对多个患者以多种拍摄模式进行拍摄获得的涉及多个拍摄范围的OCT医学图像。7.根据权利要求6所述的方法，其中：在对多个原始OCT医学图像进行数据标注之前，先按照预定规则从所述多个原始OCT医学图像中抽取多个OCT医学图像样本，再对抽取的多个样本图像进行数据标注，以获得所述多个标注...

【专利技术属性】
技术研发人员：焦琳斐，杨卓榛，汪霄，
申请(专利权)人：图湃北京医疗科技有限公司，
类型：发明
国别省市：