【技术实现步骤摘要】
本申请涉及数据处理，特别是涉及一种医学图像生成模型的训练方法、问答方法及相关产品。
技术介绍
1、目前在相关技术中，大多数的医学图像生成模型为无条件的图像生成模型，由于该无条件的图像生成模型为随机采样噪声，以及该无条件的图像生成模型在预测过程中无法很好的预测噪声，最终导致无条件的图像生成模型生成的医学图像准确性不高。由此，如何提高生成医学图像的准确性，是本领域技术人员关注的重点问题。
技术实现思路
1、基于上述问题，本申请提供了一种医学图像生成模型的训练方法、问答方法及相关产品，以提高生成医学图像的准确性。
2、本申请实施例公开了如下技术方案：
3、本申请第一方面提供一种医学图像生成模型的训练方法，包括：
4、获取医学样本图像和医学图像标签；
5、将所述医学样本图像输入到待训练医学图像生成模型中，所述待训练医学图像生成模型对所述医学样本图像进行处理，获得所述医学样本图像的噪声图像和所述医学样本图像的图像类型；
6、所述待训练医学图像生成模型根据所述医学样本图像的图像类型对所述医学样本图像的噪声图像进行预测，获得医学预测图像；
7、根据所述医学图像标签和所述医学预测图像的差异，调整所述待训练医学图像生成模型的参数，直至调整后的模型满足训练截止条件，训练结束获得医学图像生成模型。
8、可选的，所述待训练医学图像生成模型包括医学图像加噪器、医学图像编码器和医学梯度估计器，所述待训练医学图像生成模型对所述医
9、所述医学图像加噪器对所述医学样本图像进行加噪处理，获得所述医学样本图像的噪声图像；
10、所述医学图像编码器对所述医学样本图像进行特征提取，获得所述医学样本图像的医学特征向量；
11、所述医学梯度估计器对所述噪声图像和所述医学特征向量进行梯度估计，获得所述医学样本图像的图像类型。
12、可选的，所述待训练医学图像生成模型还包括医学图像去噪器，所述待训练医学图像生成模型根据所述医学样本图像的图像类型对所述医学样本图像的噪声图像进行预测，获得医学预测图像，包括：
13、所述医学图像去噪器根据所述医学样本图像的图像类型预测所述噪声图像的噪声，获得预测噪声；
14、根据所述预测噪声对所述噪声图像进行还原处理，获得医学预测图像。
15、可选的，所述训练截止条件包括关于预测噪声的损失条件，所述损失条件为通过所述医学图像标签和所述医学预测图像的差异生成；
16、所述调整所述待训练医学图像生成模型的参数，包括：
17、冻结医学图像加噪器和所述医学图像去噪器的参数，调整所述医学图像编码器和所述医学梯度估计器的参数。
18、可选的，所述医学图像编码器包括第一卷积层、第二卷积层、第三卷积层、注意力层、第四卷积层和第五卷积层，其中所述第一卷积层与所述第二卷积层连接，所述第二卷积层与所述第三卷积层连接，所述第三卷积层与所述注意力层连接，所述注意力层与所述第四卷积层连接，所述第四卷积层与所述第五卷积层连接。
19、本申请第二方面提供一种医学问答方法，包括：
20、获取目标医学问题和目标医学图像，其中所述目标医学图像用于为所述目标医学问题提供答案；
21、利用医学问答系统对所述目标医学问题和所述目标医学图像进行处理，获得针对于所述目标医学问题的目标医学答案。
22、可选的，所述医学问答系统包括医学问题特征提取模块和医学图像编码器，所述医学图像编码器为根据第一方面所述的医学图像生成模型的训练方法训练得到的医学图像生成模型中的医学图像编码器，所述利用医学问答系统对所述目标医学问题和所述目标医学图像进行处理，获得针对于所述目标医学问题的目标医学答案，包括：
23、通过所述医学问题特征提取模块对所述目标医学问题进行问题特征提取，获得所述目标医学问题的问题类型和所述目标医学问题的问题特征向量；
24、通过所述医学图像编码器对所述目标医学图像进行图像特征提取，获得所述目标医学图像的图像特征向量；
25、对所述问题类型、所述问题特征向量和所述图像特征向量进行处理，获得针对于所述目标医学问题的目标医学答案。
26、本申请第三方面提供一种医学图像生成模型的训练装置，包括：
27、医学图像获取单元，用于获取医学样本图像和医学图像标签；
28、医学图像处理单元，用于将所述医学样本图像输入到待训练医学图像生成模型中，所述待训练医学图像生成模型对所述医学样本图像进行处理，获得所述医学样本图像的噪声图像和所述医学样本图像的图像类型；
29、预测图像获得单元，用于所述待训练医学图像生成模型根据所述医学样本图像的图像类型对所述医学样本图像的噪声图像进行预测，获得医学预测图像；
30、模型参数调整单元，用于根据所述医学图像标签和所述医学预测图像的差异，调整所述待训练医学图像生成模型的参数，直至调整后的模型满足训练截止条件，训练结束获得医学图像生成模型。
31、可选的，所述医学图像处理单元，具体用于：
32、所述医学图像加噪器对所述医学样本图像进行加噪处理，获得所述医学样本图像的噪声图像；
33、所述医学图像编码器对所述医学样本图像进行特征提取，获得所述医学样本图像的医学特征向量；
34、所述医学梯度估计器对所述噪声图像和所述医学特征向量进行梯度估计，获得所述医学样本图像的图像类型。
35、可选的，所述预测图像获得单元，具体用于：
36、所述医学图像去噪器根据所述医学样本图像的图像类型预测所述噪声图像的噪声，获得预测噪声；
37、根据所述预测噪声对所述噪声图像进行还原处理，获得医学预测图像。
38、可选的，所述模型参数调整单元，具体用于：
39、冻结医学图像加噪器和所述医学图像去噪器的参数，调整所述医学图像编码器和所述医学梯度估计器的参数。
40、可选的，所述医学图像编码器包括第一卷积层、第二卷积层、第三卷积层、注意力层、第四卷积层和第五卷积层，其中所述第一卷积层与所述第二卷积层连接，所述第二卷积层与所述第三卷积层连接，所述第三卷积层与所述注意力层连接，所述注意力层与所述第四卷积层连接，所述第四卷积层与所述第五卷积层连接。
41、本申请第四方面提供一种医学问答装置，包括：
42、医学问题获取单元，用于获取目标医学问题和目标医学图像，其中所述目标医学图像用于为所述目标医学问题提供答案；
43、医学问题处理单元，用于利用医学问答系统对所述目标医学问题和所述目标医学图像进行处理，获得针对于所述目标医学问题的目标医学答案。
44、可选的，所述医学问题处理单元，具体用于：
45、通本文档来自技高网...
【技术保护点】
1.一种医学图像生成模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述待训练医学图像生成模型包括医学图像加噪器、医学图像编码器和医学梯度估计器，所述待训练医学图像生成模型对所述医学样本图像进行处理，获得所述医学样本图像的噪声图像和所述医学样本图像的图像类型，包括：
3.根据权利要求2所述的方法，其特征在于，所述待训练医学图像生成模型还包括医学图像去噪器，所述待训练医学图像生成模型根据所述医学样本图像的图像类型对所述医学样本图像的噪声图像进行预测，获得医学预测图像，包括：
4.根据权利要求3所述的方法，其特征在于，所述训练截止条件包括关于预测噪声的损失条件，所述损失条件为通过所述医学图像标签和所述医学预测图像的差异生成；
5.根据权利要求2所述的方法，其特征在于，所述医学图像编码器包括第一卷积层、第二卷积层、第三卷积层、注意力层、第四卷积层和第五卷积层，其中所述第一卷积层与所述第二卷积层连接，所述第二卷积层与所述第三卷积层连接，所述第三卷积层与所述注意力层连接，所述注意力层与所述第四卷积层连接，所述第四
6.一种医学问答方法，其特征在于，包括：
7.根据权利要求6所述的方法，其特征在于，所述医学问答系统包括医学问题特征提取模块和医学图像编码器，所述医学图像编码器为根据权利要求1-5任意一项所述的医学图像生成模型的训练方法训练得到的医学图像生成模型中的医学图像编码器，所述利用医学问答系统对所述目标医学问题和所述目标医学图像进行处理，获得针对于所述目标医学问题的目标医学答案，包括：
8.一种医学图像生成模型的训练装置，其特征在于，包括：
9.一种计算机设备，其特征在于，包括：处理器、存储器、系统总线；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行权利要求1-5任一项所述的医学图像生成模型的训练方法的步骤，或者执行权利要求6-7任一项所述的医学问答方法的步骤。
...【技术特征摘要】
1.一种医学图像生成模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述待训练医学图像生成模型包括医学图像加噪器、医学图像编码器和医学梯度估计器，所述待训练医学图像生成模型对所述医学样本图像进行处理，获得所述医学样本图像的噪声图像和所述医学样本图像的图像类型，包括：
3.根据权利要求2所述的方法，其特征在于，所述待训练医学图像生成模型还包括医学图像去噪器，所述待训练医学图像生成模型根据所述医学样本图像的图像类型对所述医学样本图像的噪声图像进行预测，获得医学预测图像，包括：
4.根据权利要求3所述的方法，其特征在于，所述训练截止条件包括关于预测噪声的损失条件，所述损失条件为通过所述医学图像标签和所述医学预测图像的差异生成；
5.根据权利要求2所述的方法，其特征在于，所述医学图像编码器包括第一卷积层、第二卷积层、第三卷积层、注意力层、第四卷积层和第五卷积层，其中所述第一卷积层与所述第二卷积层连接，所述第二卷积层与所述第三卷积层连接...
【专利技术属性】
技术研发人员：卞德昕，王晓茹，曲昭伟，刘明时，李梅芳，邓博文，
申请(专利权)人：北京邮电大学，
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。