本说明书公开了一种模型训练方法、装置、存储介质及电子设备。在本说明书提供地模型训练方法中，获取样本医学图像，所述样本医学图像包含处于不同生长阶段的病变组织；根据各样本医学图像中，处于不同生长阶段的病变组织之间的差异，确定标注转移特征；将所述样本医学图像输入待训练的病变发展预测模型中，通过所述病变发展预测模型中的提取层，提取所述样本医学图像的图像特征；通过所述病变发展预测模型中的输出层，根据所述图像特征输出所述病变组织的预测转移特征；以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练。所述病变发展预测模型进行训练。所述病变发展预测模型进行训练。
【技术实现步骤摘要】
一种模型训练方法、装置、存储介质及电子设备
[0001]本说明书涉及计算机
，尤其涉及一种模型训练方法、装置、存储介质及电子设备。
技术介绍
[0002]肿瘤是一种十分危险的病变组织，当肿瘤发生转移后，若没有第一时间处理，有很高的概率致使患者死亡。因此，对肿瘤是否会发生转移的评估与预后是非常重要的。
[0003]如今，临床治疗中大多采用如Ki67、P53、CEA、CYFRA21
‑
1等免疫组化检查指标结果来评估肿瘤的恶性程度、预测转移风险等。但是，上述免疫组化检查项目需要通过局部组织活检来检查，属于一种有创检查。另外，大多数免疫组化检查项目仅能表征出肿瘤发生转移的可能性，而无法做出很好的预后。
[0004]为解决上述问题，本说明书提供一种模型训练方法，用于训练能够安全、有效地预估病变组织的风险的模型。
技术实现思路
[0005]本说明书提供一种模型训练方法、装置、存储介质及电子设备，以部分的解决现有技术存在的上述问题。
[0006]本说明书采用下述技术方案：
[0007]本说明书提供了一种模型训练方法，包括：
[0008]获取样本医学图像，所述样本医学图像包含处于不同生长阶段的病变组织；
[0009]根据各样本医学图像中，处于不同生长阶段的病变组织之间的差异，确定标注转移特征；
[0010]将所述样本医学图像输入待训练的病变发展预测模型中，通过所述病变发展预测模型中的提取层，提取所述样本医学图像的图像特征；
[0011]通过所述病变发展预测模型中的输出层，根据所述图像特征输出所述病变组织的预测转移特征；
[0012]以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练。
[0013]可选地，所述病变发展预测模型还包括注意力层；
[0014]在输出所述病变组织的预测转移特征之前，所述方法还包括：
[0015]获取预设的约束图像，所述约束图像中包含所述样本医学图像中的感兴趣区域；
[0016]通过所述注意力层，根据所述图像特征，确定所述病变发展预测模型在处理所述样本医学图像时的注意力图像；
[0017]以所述约束图像与所述注意力图像之间的差异最小为优化目标，对所述病变发展预测模型中提取层和注意力层的参数进行调整。
[0018]可选地，预先确定约束图像，具体包括：
[0019]确定所述样本医学图像中包含的病变组织区域；
[0020]将所述病变组织区域的边缘向所述病变组织区域的外部扩展指定长度，得到感兴趣区域，以使所述感兴趣区域包含所述病变组织区域以及所述病变组织区域周围的其它风险区域；
[0021]将包含所述感兴趣区域的所述样本医学图像作为约束图像。
[0022]可选地，所述标注转移特征包括标注转移方向，所述预测转移特征包括预测转移方向；
[0023]以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练，具体包括：
[0024]以所述预测转移方向与所述标注转移方向之间的差异最小为优化目标，对所述病变发展预测模型进行训练。
[0025]可选地，所述病变组织的预测转移方向包括所述病变组织的下一生长阶段相对于当前生长阶段的预测转移方向，和/或所述病变组织的最终生长阶段相对于当前生长阶段的预测转移方向。
[0026]可选地，所述标注转移特征包括标注转移方式，所述预测转移特征包括预测转移方式；
[0027]以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练，具体包括：
[0028]以所述预测转移方式与所述标注转移方式之间的差异最小为优化目标，对所述病变发展预测模型进行训练。
[0029]可选地，所述标注转移特征包括标注生长阶段，所述预测转移特征包括预测生长阶段；
[0030]以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练，具体包括：
[0031]以所述预测生长阶段与所述标注生长阶段之间的差异最小为优化目标，对所述病变发展预测模型进行训练。
[0032]本说明书提供了一种风险预估方法，采用如图1所述的方法中预先训练病变发展预测模型，所述方法包括：
[0033]获取包含病变组织的医学图像；
[0034]将所述医学图像输入预先训练的病变发展预测模型中，通过所述病变发展预测模型中的提取层，提取所述医学图像的图像特征；
[0035]通过所述病变发展预测模型中的输出层，根据所述图像特征输出所述病变组织的预测转移特征。
[0036]本说明书提供了一种模型训练装置，包括：
[0037]获取模块，用于获取样本医学图像，所述样本医学图像包含处于不同生长阶段的病变组织；
[0038]标注模块，用于根据各样本医学图像中，处于不同生长阶段的病变组织之间的差异，确定标注转移特征；
[0039]输入模块，用于将所述样本医学图像输入待训练的病变发展预测模型中，通过所
述病变发展预测模型中的提取层，提取所述样本医学图像的图像特征；
[0040]输出模块，用于通过所述病变发展预测模型中的输出层，根据所述图像特征输出所述病变组织的预测转移特征；
[0041]训练模块，用于以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练。
[0042]本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述模型训练方法。
[0043]本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述模型训练方法。
[0044]本说明书采用的上述至少一个技术方案能够达到以下有益效果：
[0045]在本说明书提供地模型训练方法中，获取样本医学图像，所述样本医学图像包含处于不同生长阶段的病变组织；根据各样本医学图像中，处于不同生长阶段的病变组织之间的差异，确定标注转移特征；将所述样本医学图像输入待训练的病变发展预测模型中，通过所述病变发展预测模型中的提取层，提取所述样本医学图像的图像特征；通过所述病变发展预测模型中的输出层，根据所述图像特征输出所述病变组织的预测转移特征；以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练。
[0046]在采用本说明书提供的模型训练方法对病变发展预测模型进行训练时，以各不同生长阶段的病变组织的医学图像作为训练的样本，并根据各不同生长阶段的病变组织之间的差异确定训练的标注；将样本医学图像作为病变发展预测模型的输入，以病变发展预测模型输出的预测转移特征与作为标注的标注转移特征之间的差异最小为优化目标，对病变发展预测模型进行训练。通过上述方法可训练得到能够预测本文档来自技高网...
【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，所述方法包括：获取样本医学图像，所述样本医学图像包含处于不同生长阶段的病变组织；根据各样本医学图像中，处于不同生长阶段的病变组织之间的差异，确定标注转移特征；将所述样本医学图像输入待训练的病变发展预测模型中，通过所述病变发展预测模型中的提取层，提取所述样本医学图像的图像特征；通过所述病变发展预测模型中的输出层，根据所述图像特征输出所述病变组织的预测转移特征；以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练。2.如权利要求1所述的方法，其特征在于，所述病变发展预测模型还包括注意力层；在输出所述病变组织的预测转移特征之前，所述方法还包括：获取预设的约束图像，所述约束图像中标注有所述样本医学图像中的感兴趣区域；通过所述注意力层，根据所述图像特征，确定所述病变发展预测模型在处理所述样本医学图像时的注意力图像；以所述约束图像与所述注意力图像之间的差异最小为优化目标，对所述病变发展预测模型中提取层和注意力层的参数进行调整。3.如权利要求2所述的方法，其特征在于，预先确定约束图像，具体包括：确定所述样本医学图像中包含的病变组织区域；将所述病变组织区域的边缘向所述病变组织区域的外部扩展指定长度，得到感兴趣区域，以使所述感兴趣区域包含所述病变组织区域以及所述病变组织区域周围的其它风险区域；将包含所述感兴趣区域的所述样本医学图像作为约束图像。4.如权利要求1所述的方法，其特征在于，所述标注转移特征包括标注转移方向，所述预测转移特征包括预测转移方向；以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练，具体包括：以所述预测转移方向与所述标注转移方向之间的差异最小为优化目标，对所述病变发展预测模...
【专利技术属性】
技术研发人员：石峰，曹泽红，隗英，周翔，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。