一种图像识别模型的训练方法、训练装置、设备和介质制造方法及图纸

本申请提供了一种图像识别模型的训练方法、训练装置、设备和介质，该方法包括：针对每一个训练样本的第一医学图像，将第一医学图像输入至深度学习识别模型，得到多个第一医学图像特征，将每个第一医学图像特征输入至待训练的矫正模型，得到每个第一医学图像特征的第一矫正参数，利用第一矫正参数对每个第一医学图像特征进行矫正处理，得到矫正后的第一医学图像特征；针对每一个训练样本的第一医学图像，将第一医学图像对应的多个矫正后的第一医学图像特征重新输入至训练好的深度学习识别模型，得到第一识别结果，并基于第一识别结果和第二识别结果的差异，对待训练的矫正模型进行训练；基于深度学习识别模型和矫正模型，得到图像识别模型。图像识别模型。图像识别模型。

【技术实现步骤摘要】
一种图像识别模型的训练方法、训练装置、设备和介质


[0001]本申请涉及图像识别
，具体而言，涉及一种图像识别模型的训练方法、训练装置、设备和介质。

技术介绍

[0002]医学影像在临床一个学的应用非常广泛，对疾病的诊断提供了很大的科学和直观的依据，可以更好的配合临床的症状、化验等方面，为最终准确的诊断病情起到了不可替代的作用。随着科技的发展，为了更快的基于医学影像确诊病灶，减轻医生的压力，在大多数情况下会采用深度学习模型对医学影像进行识别，确诊病灶。
[0003]但因医学影像属于病人的隐私，不同医院之间不会将自己的病人的医学影像交给其他医院用于数据分析，所以每个医院只能用自己医院的医学影像对深度学习模型进行训练，这也导致了每个医院训练得到的深度学习模型是无法应用到其他医院中的，每个医院都需要训练自己的医学影像，例如，在新冠肺炎等急性肺部感染疾病的智能量化分析中，这种情况增加了数据处理的复杂度。

技术实现思路

[0004]有鉴于此，本申请的目的在于提供一种图像识别模型的训练方法、训练装置、设备和介质，用于解决现有技术中用于识别医学图像的深度识别模型的鲁棒性低的问题。
[0005]第一方面，本申请实施例提供了一种图像识别模型的训练方法，所述训练方法包括：
[0006]获取训练样本集合；
[0007]针对每一个训练样本的第一医学图像，将所述第一医学图像输入至训练好的深度学习识别模型，得到多个第一医学图像特征，将每个第一医学图像特征输入至待训练的矫正模型，得到每个第一医学图像特征的第一矫正参数，利用所述第一矫正参数对每个第一医学图像特征进行矫正处理，得到矫正后的第一医学图像特征；
[0008]针对每一个训练样本的第一医学图像，将所述第一医学图像对应的多个矫正后的第一医学图像特征重新输入至所述训练好的深度学习识别模型，得到第一识别结果，并基于第一识别结果和第二识别结果的差异，对所述待训练的矫正模型进行训练；所述第二识别结果为所述训练好的深度学习识别模型从所述第一医学图像对应的第二医学图像识别得到，所述第一医学图像是所述第二医学图像经过数据增强处理得到的；
[0009]基于训练好的深度学习识别模型和训练好的矫正模型，得到训练好的图像识别模型。
[0010]可选的，所述训练好的深度学习识别模型是基于单中心医学图像数据训练得到的。
[0011]可选的，所述训练样本集合是将所述单中心医学图像数据进行数据增强处理得到的。
[0012]可选的，所述方法还包括：
[0013]针对每一个训练样本的第一医学图像，将该第一医学图像对应的多个矫正后的第一医学图像特征输入至所述训练好的深度学习识别模型，得到多个第一医学图像矫正特征，以及将所述第一医学图像对应的第二医学图像输入至所述训练好的深度学习识别模型，得到多个第二医学图像特征；
[0014]针对每一个训练样本的第一医学图像，按照对应的特征层级将所述医学图像的每一个第一医学图像矫正特征和所述第二医学图像的每一个第二医学图像特征进行相似度比较，根据比较结果对所述待训练的矫正模型进行训练。
[0015]可选的，所述训练方法还包括：
[0016]将获取到的待识别医学图像输入至所述训练好的图像识别模型中的深度学习识别模型，得到多个第三医学图像特征；
[0017]将所述多个第三医学图像特征分别输入至所述训练好的图像识别模型中的矫正模型，确定每个第三医学图像特征的第二矫正参数；
[0018]针对每个第三医学图像特征，利用所述第二矫正参数对所述第三医学图像特征进行矫正，得到矫正后的第三医学图像特征；
[0019]将多个矫正后的第三医学图像特征输入至所述训练好的图像识别模型中的深度学习识别模型，确定所述待识别医学图像的识别结果。
[0020]第二方面，本申请实施例提供了一种图像识别模型的训练装置，所述训练装置包括：
[0021]获取模块，用于获取训练样本集合；
[0022]第一矫正模块，用于针对每一个训练样本的第一医学图像，将所述第一医学图像输入至训练好的深度学习识别模型，得到多个第一医学图像特征，将每个第一医学图像特征输入至待训练的矫正模型，得到每个第一医学图像特征的第一矫正参数，利用所述第一矫正参数对每个第一医学图像特征进行矫正处理，得到矫正后的第一医学图像特征；
[0023]第一训练模块，用于针对每一个训练样本的第一医学图像，将所述第一医学图像对应的多个矫正后的第一医学图像特征重新输入至所述训练好的深度学习识别模型，得到第一识别结果，并基于第一识别结果和第二识别结果的差异，对所述待训练的矫正模型进行训练；所述第二识别结果为所述训练好的深度学习识别模型从所述第一医学图像对应的第二医学图像识别得到，所述第一医学图像是所述第二医学图像经过数据增强处理得到的；
[0024]组合模块，用于基于训练好的深度学习识别模型和训练好的矫正模型，得到训练好的图像识别模型。
[0025]可选的，所述训练好的深度学习识别模型是基于单中心医学图像数据训练得到的。
[0026]可选的，所述训练样本集合是将所述单中心医学图像数据进行数据增强处理得到的。
[0027]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训练方法的步骤。
[0028]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训练方法的步骤。
[0029]本申请实施例提出图像识别模型的训练方法，首先，获取训练样本集合；其次，针对每一个训练样本的第一医学图像，将所述第一医学图像输入至训练好的深度学习识别模型，得到多个第一医学图像特征，将每个第一医学图像特征输入至待训练的矫正模型，得到每个第一医学图像特征的第一矫正参数，利用所述第一矫正参数对每个第一医学图像特征进行矫正处理，得到矫正后的第一医学图像特征；然后，针对每一个训练样本的第一医学图像，将所述第一医学图像对应的多个矫正后的第一医学图像特征重新输入至所述训练好的深度学习识别模型，得到第一识别结果，并基于第一识别结果和第二识别结果的差异，对所述待训练的矫正模型进行训练；所述第二识别结果为所述训练好的深度学习识别模型从所述第一医学图像对应的第二医学图像识别得到，所述第一医学图像是所述第二医学图像经过数据增强处理得到的；最后，基于训练好的深度学习识别模型和训练好的矫正模型，得到训练好的图像识别模型。
[0030]在某些实施例中，在得到利用单中心医学图像数据已经训练好的深度学习识别模型后，如果要对多中心医学图像数据进行识别，则需要再对已经训练好的深度学习识别模型进行训练，也不需要获取多中心医学图像数据，只对单中心医学图像数据进行数据增强处理，并利用数据增强处理后的第一医学图像对待训练的矫正模型进行训练，得到训练后的矫正模型，最后利用训练好的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像识别模型的训练方法，其特征在于，所述训练方法包括：获取训练样本集合；针对每一个训练样本的第一医学图像，将所述第一医学图像输入至训练好的深度学习识别模型，得到多个第一医学图像特征，将每个第一医学图像特征输入至待训练的矫正模型，得到每个第一医学图像特征的第一矫正参数，利用所述第一矫正参数对每个第一医学图像特征进行矫正处理，得到矫正后的第一医学图像特征；针对每一个训练样本的第一医学图像，将所述第一医学图像对应的多个矫正后的第一医学图像特征重新输入至所述训练好的深度学习识别模型，得到第一识别结果，并基于第一识别结果和第二识别结果的差异，对所述待训练的矫正模型进行训练；所述第二识别结果为所述训练好的深度学习识别模型从所述第一医学图像对应的第二医学图像识别得到，所述第一医学图像是所述第二医学图像经过数据增强处理得到的；基于训练好的深度学习识别模型和训练好的矫正模型，得到训练好的图像识别模型。2.根据权利要求1所述的训练方法，其特征在于，所述训练好的深度学习识别模型是基于单中心医学图像数据训练得到的。3.根据权利要求2所述的训练方法，其特征在于，所述训练样本集合是将所述单中心医学图像数据进行数据增强处理得到的。4.根据权利要求1所述的训练方法，其特征在于，所述方法还包括：针对每一个训练样本的第一医学图像，将该第一医学图像对应的多个矫正后的第一医学图像特征输入至所述训练好的深度学习识别模型，得到多个第一医学图像矫正特征，以及将所述第一医学图像对应的第二医学图像输入至所述训练好的深度学习识别模型，得到多个第二医学图像特征；针对每一个训练样本的第一医学图像，按照对应的特征层级将所述医学图像的每一个第一医学图像矫正特征和所述第二医学图像的每一个第二医学图像特征进行相似度比较，根据比较结果对所述待训练的矫正模型进行训练。5.根据权利要求1所述的训练方法，其特征在于，所述训练方法还包括：将获取到的待识别医学图像输入至所述训练好的图像识别模型中的深度学习识别模型，得到多个第三医学图像特征；将所述多个第三医学图像特征分别输入至所述训练好的图像识别模型中的矫正模型，确...

【专利技术属性】
技术研发人员：唐雯，王大为，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：