一种医疗图像分类模型的训练方法技术

本申请公开了一种医疗图像分类模型的训练方法

【技术实现步骤摘要】
一种医疗图像分类模型的训练方法、分类方法及相关产品


[0001]本申请涉及医疗图像处理
，特别是涉及一种医疗图像分类模型的训练方法
、
分类方法及相关产品
。

技术介绍

[0002]目前在医疗图像处理
中，主要依靠医疗工作人员人工对医疗图像进行图像的分类
。
但是医疗图像不像自然图像具有明显的前景和背景差异，仅依靠图像高级特征无法很好的完成识别，且识别医疗图像中的器官是否病变等行为主要依赖于纹理的细微变化，需要医疗工作人员的识别任务更关注医疗图像的细节，由于在人工进行图像分类时具有一定主观性，在一定程度上会影响图像分类的准确性
。
另外，由于关注医疗图像的细节还会使医疗工作人员耗费大量的精力对医疗图像进行图像分类，导致图像分类效率较低
。
由此，如何提高医疗图像分类的准确性和医疗图像分类的效率是本领域技术人员关注的重点问题
。

技术实现思路

[0003]基于上述问题，本申请提供了一种医疗图像分类模型的训练方法
、
分类方法及相关产品，以提高医疗图像分类的准确性和医疗图像分类的效率
。
[0004]本申请实施例公开了如下技术方案：
[0005]本申请第一方面提供了一种医疗图像分类模型的训练方法
。
该训练方法包括：
[0006]通过待训练模型分别对第一图像
、
第二图像和第三图像进行特征提取，得到所述第一图像的第一特征提取结果
>、
所述第二图像的第二特征提取结果和所述第三图像的第三特征提取结果；所述第一图像和所述第二图像为增强处理第一样本医疗图像后得到的两个不同图像；所述第三图像为增强处理第二样本医疗图像后得到的图像，且所述第一图像与所述第三图像的增强处理方式相同；
[0007]基于所述第一特征提取结果预测所述第一样本医疗图像的类别，得到类别预测结果；
[0008]基于所述第一特征提取结果
、
所述第二特征提取结果和所述第三特征提取结果，获得所述待训练模型对于所述第一图像和所述第二图像的特征提取一致性比较结果，以及获得所述待训练模型对于所述第一图像和所述第三图像的特征提取相似度比较结果；
[0009]基于所述类别预测结果与所述第一样本医疗图像的标注类别的差距
、
所述特征提取一致性比较结果以及特征提取相似度比较结果，调整所述待训练模型的参数，直至所述待训练模型满足训练截止条件，停止训练得到医疗图像分类模型
。
[0010]本申请第二方面提供了一种医疗图像分类方法
。
医疗图像分类方法包括：
[0011]获取待分类的医疗图像；
[0012]将所述待分类的医疗图像作为医疗图像分类模型的输入，通过所述医疗图像分类模型对所述待分类的医疗图像进行特征提取和类别预测，得到所述医疗图像分类模型输出
的图像类别；所述医疗图像分类模型为根据第一方面所述的医疗图像分类模型的训练方法训练得到的模型
。
[0013]本申请第三方面提供了一种医疗图像分类模型的训练装置
。
该训练装置包括：
[0014]图像特征提取单元，用于通过待训练模型分别对第一图像
、
第二图像和第三图像进行特征提取，得到所述第一图像的第一特征提取结果
、
所述第二图像的第二特征提取结果和所述第三图像的第三特征提取结果；所述第一图像和所述第二图像为增强处理第一样本医疗图像后得到的两个不同图像；所述第三图像为增强处理第二样本医疗图像后得到的图像，且所述第一图像与所述第三图像的增强处理方式相同；
[0015]预测结果获得单元，用于基于所述第一特征提取结果预测所述第一样本医疗图像的类别，得到类别预测结果；
[0016]比较结果获得单元，用于基于所述第一特征提取结果
、
所述第二特征提取结果和所述第三特征提取结果，获得所述待训练模型对于所述第一图像和所述第二图像的特征提取一致性比较结果，以及获得所述待训练模型对于所述第一图像和所述第三图像的特征提取相似度比较结果；
[0017]模型参数调整单元，用于基于所述类别预测结果与所述第一样本医疗图像的标注类别的差距
、
所述特征提取一致性比较结果以及特征提取相似度比较结果，调整所述待训练模型的参数，直至所述待训练模型满足训练截止条件，停止训练得到医疗图像分类模型
。
[0018]本申请第四方面提供了一种医疗图像分类装置
。
医疗图像分类装置包括：
[0019]医疗图像获取单元，用于获取待分类的医疗图像；
[0020]图像类别获得单元，用于将所述待分类的医疗图像作为医疗图像分类模型的输入，通过所述医疗图像分类模型对所述待分类的医疗图像进行特征提取和类别预测，得到所述医疗图像分类模型输出的图像类别；所述医疗图像分类模型为根据第一方面所述的医疗图像分类模型的训练方法训练得到的模型
。
[0021]本申请第五方面提供了一种计算机设备
。
该识别设备包括：
[0022]存储器，其上存储有计算机程序；
[0023]处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面提供的医疗图像分类模型的训练方法的步骤，或者现第二方面提供的医疗图像分类方法的步骤
。
[0024]本申请第六方面提供了一种计算机可读存储介质，其上存储有计算机程序
。
该程序被处理器执行时实现第一方面提供的医疗图像分类模型的训练方法的步骤，或者现第二方面提供的医疗图像分类方法的步骤
。
[0025]相较于现有技术，本申请具有以下有益效果：
[0026]在本申请中，首先通过待训练模型分别对第一图像
、
第二图像和第三图像进行特征提取，得到第一图像的第一特征提取结果
、
第二图像的第二特征提取结果和第三图像的第三特征提取结果；在此基础上，根据第一特征提取结果预测第一样本医疗图像的类别，得到类别预测结果；然后根据第一特征提取结果
、
第二特征提取结果和第三特征提取结果，获得待训练模型对于第一图像和第二图像的特征提取一致性比较结果，以及获得待训练模型对于第一图像和第三图像的特征提取相似度比较结果；最后根据类别预测结果与第一样本医疗图像的标注类别的差距
、
特征提取一致性比较结果以及特征提取相似度比较结果，调整待训练模型的参数，直至待训练模型满足训练截止条件，停止训练得到医疗图像分类模
型
。
可见，在本申请中对模型设计了3个特征提取路径
。
一方面在其中一个特征提取路径中预测图像的类别以得到类别预测结果，另一方面在其余两个特征提取路径中结合一致性正则化规则对相同图像进行一致性特征比较以获得一致性比较结果，以及结合相似度计算技术对不同图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种医疗图像分类模型的训练方法，其特征在于，包括：通过待训练模型分别对第一图像
、
第二图像和第三图像进行特征提取，得到所述第一图像的第一特征提取结果
、
所述第二图像的第二特征提取结果和所述第三图像的第三特征提取结果；所述第一图像和所述第二图像为增强处理第一样本医疗图像后得到的两个不同图像；所述第三图像为增强处理第二样本医疗图像后得到的图像，且所述第一图像与所述第三图像的增强处理方式相同；基于所述第一特征提取结果预测所述第一样本医疗图像的类别，得到类别预测结果；基于所述第一特征提取结果
、
所述第二特征提取结果和所述第三特征提取结果，获得所述待训练模型对于所述第一图像和所述第二图像的特征提取一致性比较结果，以及获得所述待训练模型对于所述第一图像和所述第三图像的特征提取相似度比较结果；基于所述类别预测结果与所述第一样本医疗图像的标注类别的差距
、
所述特征提取一致性比较结果以及特征提取相似度比较结果，调整所述待训练模型的参数，直至所述待训练模型满足训练截止条件，停止训练得到医疗图像分类模型
。2.
根据权利要求1所述的训练方法，其特征在于，所述待训练模型包括卷积神经网络，所述卷积神经网络包括特征提取网络和全连接分类器，所述全连接分类器包括第一全连接层和分类层，所述待训练模型还包括第二全连接层和第三全连接层；所述卷积神经网络具有第一输出端
、
第二输出端和第三输出端，所述第一输出端连接所述第一全连接层的输入端，所述第二输出端连接所述第二全连接层的输入端，所述第三输出端连接所述第三全连接层的输入端；所述第一图像
、
所述第二图像和所述第三图像均由所述特征提取网络进行特征提取，所述第一特征提取结果
、
所述第二特征提取结果和所述第三特征提取结果分别经由所述第一输出端
、
所述第二输出端和所述第三输出端，进入到所述第一全连接层
、
所述第二全连接层和所述第三全连接层
。3.
根据权利要求2所述的训练方法，其特征在于，所述基于所述第一特征提取结果
、
所述第二特征提取结果和所述第三特征提取结果，获得所述待训练模型对于所述第一图像和所述第二图像的特征提取一致性比较结果，以及获得所述待训练模型对于所述第一图像和所述第三图像的特征提取相似度比较结果，包括：获取所述第一全连接层对所述第一特征提取结果进行处理后输出的第一特征向量，获取所述第二全连接层对所述第二特征提取结果进行处理后输出的第二特征向量，并获取所述第三全连接层对所述第三特征提取结果进行处理后输出的第三特征向量；基于所述第一特征向量和所述第二特征向量，获得所述待训练模型对于所述第一图像和所述第二图像的特征提取一致性比较结果；基于所述第一特征向量和所述第三特征向量，获得所述待训练模型对于所述第一图像和所述第三图像的特征提取相似度比较结果
。4.
根据权利要求3所述的训练方法，其特征在于，所述待训练模型具有对应的训练数据集，所述训练数据集中的样本医疗图像被分划到多个训练批次，每个训练批次中的样本医疗图像组成多个样本医疗图像对，一个样本医疗图像对包括在模型训练过程中用于相互对照的一个第一样本医疗图像和一个第二样本医疗图像；对于目标训练批次的训练过程，所述基于所述类别预测结果与所述第一样本医疗图像
的标注类别的差距
、
所述特征提取一致性比较结果以及特征提取相似度比较结果，调整所述待训练模型的参数，包括：基于所述目标训练批次中各样本医疗图像对对应的类别预测结果与标注类别的差距，计算所述待训练模型的类别预测损失；基于所述目标训练批次中各样本医疗图像对对应的特征提取一致性比较结果，计算所述待训练模型的一致性损失；基于所述目标训练批次中各样本医疗图像对对应的特征提取相似度比较结果，计算所述待训练模型的相似度损失；根据所述类别预测损失
、
所述一致性损失和所述相似度损失，计算所述待训练模型在所述目标训练批次的总损失；根据所述总损失调整所述待训练模型的参数
。5.
根据权利要求3或4所述的训练方法，其特征在于，所述基于所述第一特征向量和所述第二特征向量，获得所述待训练模型对于所述第一图像和所述第二图像的特征提取一致性比较结果，包括：对所述第一特征向量归一化处理得到第一归一化向量，对所述第二特征向量归一化处理得到第二归一化向量；基于所述第一归一化向量和所述第二归一化向量，采用以下公式计算特征提取一致性比较结果
lcr
：所述第一全连接层和所述第二全连接层均具有
n
个神经元，所述第一归一化向量和所述第二归一化向量均为
n
维向量；
Q
i
表示所述第一归一化向量中第
i
个维度的值，
P
i
表示所述第二归一化向量中第

【专利技术属性】
技术研发人员：何涛，王晨，徐赛，李志，李盼，闻英友，
申请(专利权)人：东软集团股份有限公司，
类型：发明
国别省市：