一种图像分类模型的训练制造技术

本申请的实施例提供了一种图像分类模型的训练

【技术实现步骤摘要】
一种图像分类模型的训练、分类方法、装置、介质及设备


[0001]本申请涉及计算机
，具体而言，涉及一种图像分类模型的训练
、
分类方法
、
装置
、
介质及设备
。

技术介绍

[0002]随着计算机技术的飞速发展，大数据技术与医学影像辅助诊断的有机结合催生了新的影像组学方法
。
在目前的技术方案中，常采用深度学习的方式提取医学影像中的特征，以实现对应的识别或分类功能
。
然而，上述方式需要大量的样本数据进行模型训练，而考虑到患者隐私，患者数据常备保存在不同医疗机构内部，数据规模较小
。
由此，如何基于小规模的样本数据进行模型的训练，保证模型的训练效果，并提高模型识别结果的准确性成为了亟待解决的技术问题
。

技术实现思路

[0003]本申请的实施例提供了一种图像分类模型的训练
、
识别方法
、
装置
、
介质及设备，进而至少在一定程度上可以基于小规模的样本数据进行模型的训练，保证模型的训练效果，并提高模型识别结果的准确性
。
[0004]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得
。
[0005]根据本申请实施例的一个方面，提供了一种图像分类模型的训练方法，包括：
[0006]获取原始图像数据集，并对所述原始图像数据集进行预处理，所述原始图像数据集中部分为目标类型的图像数据；
[0007]从预处理后的所述原始图像数据集中，选取数量占预处理后的所述原始图像数据集的预定比例的图像数据作为训练数据，并对所述训练数据中包含的图像数据进行随机划分，得到预定数量组数的训练集和验证集；
[0008]分别采用各组训练集和验证集对预先构建的若干子分类器进行训练直至收敛，得到若干目标子分类器；
[0009]将若干所述目标子分类器针对同一样本输出的分类结果进行融合，并用以对预先构建的元分类器进行训练，得到目标元分类器；
[0010]将若干所述目标子分类器进行并联，再与所述目标元分类器串联，得到目标图像分类模型
。
[0011]根据本申请实施例的一个方面，提供了一种图像分类方法，包括：
[0012]获取待识别图像数据，并对所述待识别图像数据进行预处理；
[0013]将预处理后的所述待识别图像数据输入至预先训练完成的目标图像分类模型中，以使所述目标图像分类模型输出对应的分类结果，所述目标图像分类模型由如上述实施例所述的图像分类模型的训练方法训练得到
。
[0014]根据本申请实施例的一个方面，提供了一种图像分类模型的训练装置，包括：
[0015]第一预处理模块，用于获取原始图像数据集，并对所述原始图像数据集进行预处理，所述原始图像数据集中部分为目标类型的图像数据；
[0016]数据划分模块，用于从预处理后的所述原始图像数据集中，选取数量占预处理后的所述原始图像数据集的预定比例的图像数据作为训练数据，并对所述训练数据中包含的图像数据进行随机划分，得到预定数量组数的训练集和验证集；
[0017]第一训练模块，用于分别采用各组训练集和验证集对预先构建的若干子分类器进行训练直至收敛，得到若干目标子分类器；
[0018]第二训练模块，用于将若干所述目标子分类器针对同一样本输出的分类结果进行融合，并用以对预先构建的元分类器进行训练，得到目标元分类器；
[0019]处理模块，用于将若干所述目标子分类器进行并联，再与所述目标元分类器串联，得到目标图像分类模型
。
[0020]根据本申请实施例的一个方面，提供了一种图像分类装置，包括：
[0021]第二预处理模块，用于获取待识别图像数据，并对所述待识别图像数据进行预处理；
[0022]分类模块，用于将预处理后的所述待识别图像数据输入至预先训练完成的目标图像分类模型中，以使所述目标图像分类模型输出对应的分类结果，所述目标图像分类模型由如上述实施例所述的图像分类模型的训练方法训练得到
。
[0023]根据本申请实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的方法
。
[0024]根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的方法
。
[0025]根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中
。
计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中提供的方法
。
[0026]在本申请的一些实施例所提供的技术方案中，通过获取原始图像数据集并对其进行预处理，从预处理后的原始图像数据集中，选取数量占预处理后的原始图像数据集的预定比例的图像数据作为训练数据，并对该训练数据中包含的图像数据进行随机划分，以得到预定数量组数的训练集和验证集，从而可以基于小规模的样本数据进行后续的模型训练，并保证模型的训练效果
。
[0027]接着，分别采用各组训练集和验证集对预先构建的若干子分类器进行训练直至收敛，得到若干目标子分类器，将若干目标子分类器针对同一样本输出的分类结果进行融合，并用以对预先构建的元分类器进行训练，得到目标元分类器，再将若干目标子分类器进行并联，再与目标元分类器进行串联，从而得到目标图像分类模型
。
由此，通过若干目标子分类器和一个目标元分类器构建级联架构的目标图像分类模型，可以提高目标图像分类模型的识别结果的准确性
。
[0028]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请
。
附图说明
[0029]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理
。
显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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
。
在附图中：
[0030]图1示出了根据本申请的一个实施例的图像分类模型的训练方法的流程示意图；
[0031]图2示出了根据本申请的一个实施例的图像分类模型的训练装置的框图；
[0032]图3示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图
。
具体实施方式
[0033]现在将参考附图更全面地描述示例实施方式
。
...

【技术保护点】

【技术特征摘要】
1.
一种图像分类模型的训练方法，其特征在于，包括：获取原始图像数据集，并对所述原始图像数据集进行预处理，所述原始图像数据集中部分为目标类型的图像数据；从预处理后的所述原始图像数据集中，选取数量占预处理后的所述原始图像数据集的预定比例的图像数据作为训练数据，并对所述训练数据中包含的图像数据进行随机划分，得到预定数量组数的训练集和验证集；分别采用各组训练集和验证集对预先构建的若干子分类器进行训练直至收敛，得到若干目标子分类器；将若干所述目标子分类器针对同一样本输出的分类结果进行融合，并用以对预先构建的元分类器进行训练，得到目标元分类器；将若干所述目标子分类器进行并联，再与所述目标元分类器串联，得到目标图像分类模型
。2.
根据权利要求1所述的方法，其特征在于，在得到目标图像分类模型之后，所述方法还包括：将预处理后的所述原始图像数据集中除所述训练数据以外的图像数据作为测试数据，并根据所述测试数据对所述目标图像分类模型进行测试
。3.
根据权利要求1所述的方法，其特征在于，所述图像数据为
MRI
影像数据；对所述原始图像数据集进行预处理，包括：采用模板图像对所述原始图像数据集中包含的图像数据进行图像配准，并对配准后的图像数据的体素进行均值为
0、
标准差为1的标准化处理；将标准化处理后的所述图像数据的体素进行截断处理，以使其体素数值介于预定区间范围内；将截断处理后的所述图像数据进行背景滤除，并将属于同一对象的轴位面
、
冠状面和矢状面三个方向的图像数据进行三维拼接
。4.
根据权利要求1‑3中任一项所述的方法，其特征在于，若干所述子分类器的结构相同，均包括相连接的全卷积神经网络和多层感知机，且不同所述子分类器的初始参数
、
优化策略和学习率保持一致
。5.
一种图像分类方法，其特征在于，包括：获取待识别图像数据，并对所述待识别图像数据进行预处理；将预处理后的所述待识别图像数据输入至预先训练完成的目标图像分类模型中，以使所述目标图像分类模型输出对应的分类结果，所述目标图...

【专利技术属性】
技术研发人员：苏毓涵，黄超锋，林志阳，李乔，吴挺竹，廖新勤，林勤，陈忠，
申请(专利权)人：厦门大学，
类型：发明
国别省市：