【技术实现步骤摘要】
本公开涉及图像处理领域，尤其涉及一种乳腺图像分类模型的训练方法、装置及电子设备。
技术介绍
1、在乳腺图像诊断中，病灶的良恶性判断具有重要意义，对于恶性病变，早期发现和及时治疗可以显著提高治愈率，对于良性病变，通过准确分类可以避免不必要的手术或治疗，减轻患者的身心负担，因此，通过分析病灶的良恶性，可以更准确的对患者进行有针对性地治疗。
2、在乳腺图像分类任务中，对于不同种类、模态的医学图像，特殊类型的病灶图像等，现在的公开数据集难以通过监督学习的方式对模型进行训练，因此现有的乳腺图像分类中，常采用半监督学习生成伪标签的方法对模型进行训练，将生成的伪标签作为无标签数据的标签，但直接将伪标签作为无标签数据的标签进行训练会引入噪声，因此提出动态阈值调整策略，只有模型预测概率大于阈值时才会将纳入该数据进行学习，但采用动态阈值的方式进行处理后，仍需要手动设计较多的超参数，效率较低。
技术实现思路
1、本公开提供了一种乳腺图像分类模型的训练方法、装置、电子设备及存储介质，以至少解决现有技术中存在的以上技术问题。
2、根据本公开的第一方面，提供了一种乳腺图像分类模型的训练方法，所述方法包括：
3、获取有标签乳腺图像数据和无标签乳腺图像数据作为训练样本数据；
4、基于所述有标签乳腺图像数据对所述乳腺图像分类模型进行训练；
5、确定所述有标签乳腺图像数据的第一损失值；
6、将通过所述有标签乳腺图像数据训练过的乳腺图像分类模型对所
7、根据所述无标签乳腺图像数据的预测概率确定所述无标签乳腺图像数据的损失权重；
8、根据所述损失权重确定所述无标签乳腺图像数据的第二损失值；
9、根据所述第一损失值和所述第二损失值确定所述乳腺图像分类模型当前训练轮次对应的总损失值；
10、确定所述总损失值是否满足预设要求；
11、若满足预设要求，将当前训练轮次得到的乳腺图像分类模型确定为目标乳腺图像分类模型；若不满足预设要求，将当前训练轮次得到的具有伪标签的无标签乳腺图像数据确定为有标签乳腺图像数据，返回基于所述有标签乳腺图像数据对所述乳腺图像分类模型进行训练的步骤，直至所述乳腺图像分类模型的总损失值满足预设要求。
12、在一可实施方式中，所述基于所述有标签乳腺图像数据对所述乳腺图像分类模型进行训练，包括：获取所述有标签乳腺图像数据的第一乳腺图像和第二乳腺图像；对所述第一乳腺图像和所述第二乳腺图像进行特征提取；将得到的特征输入自注意力模块进行第一次权重分配，得到第一特征向量；对所述第一特征向量进行切分，得到与所述第一乳腺图像对应的第一高维特征向量和与所述第二乳腺图像对应的第二高维特征向量；将所述第一高维特征向量和所述第二高维特征向量输入跨注意力模块进行第二次权重分配，得到第二特征向量和第三特征向量；对所述第一高维特征向量进行最大池化处理得到第一特征，所述第二高维特征向量进行线性投影处理得到第二特征，所述第二特征向量和所述第三特征向量进行平均池化处理得到第三特征；根据所述第一特征，所述第二特征和所述第三特征，得到融合特征；将所述融合特征输入全连接层，得到所述有标签乳腺图像数据的病灶类型。
13、在一可实施方式中，所述确定所述有标签乳腺图像数据的第一损失值，包括：根据如下交叉损失函数确定所述有标签乳腺图像数据的交叉损失值：其中，lce表示所述有标签乳腺图像数据的交叉损失值，n表示有标签乳腺图像数据数量，k表示乳腺图像数据的类别数，i表示有标签乳腺图像数据，j表示乳腺图像数据的类别，yij表示第i个有标签乳腺图像数据在第j类上的真实标签，pij表示第i个有标签乳腺图像数据在第j类上的预测概率；根据如下多视角损失函数确定所述有标签乳腺图像数据的多视角损失值：其中，lmv表示所述有标签乳腺图像数据的多视角损失值，of为所述第一高维特征向量，rf为所述第二高维特征向量，oa为所述第二特征向量，ra为所述第三特征向量；根据所述交叉损失值和所述多视角损失值确定所述第一损失值。
14、在一可实施方式中，所述根据所述无标签乳腺图像数据的预测概率确定所述无标签乳腺图像数据的损失权重，包括：根据所述无标签乳腺图像的预测概率确定所述无标签乳腺图像数据的均值和方差；通过平滑算法对所述均值和方差进行更新；根据所述无标签乳腺图像数据更新后的均值和方差确定所述无标签乳腺图像数据的损失权重。
15、在一可实施方式中，在得到所述无标签图像数据的预测概率后，所述方法还包括：对所述预测概率进行标准化对齐处理。
16、在一可实施方式中，在所述获取有标签乳腺图像数据和无标签乳腺图像数据作为训练样本数据后，所述方法还包括：对所述无标签乳腺图像数据进行图像增强处理；对图像增强处理后的所述无标签乳腺图像数据和所述有标签乳腺图像数据进行标准化处理。
17、根据本公开的第二方面，提供一种乳腺图像的分类方法，应用于上述目标乳腺图像分类模型，所述方法包括：将待分类乳腺图像数据输入至所述目标乳腺图像分类模型；确定所述目标乳腺图像分类模型的输出为所述待分类乳腺图像数据的分类结果。
18、根据本公开的第三方面，提供一种乳腺图像分类模型的训练装置，所述装置包括：
19、获取模块，用于获取有标签乳腺图像数据和无标签乳腺图像数据作为训练样本数据；
20、训练模块，用于基于所述有标签乳腺图像数据对所述乳腺图像分类模型进行训练；
21、第一确定模块，用于确定所述有标签乳腺图像数据的第一损失值；
22、所述训练模块，还用于将通过所述有标签乳腺图像数据训练过的乳腺图像分类模型对所述无标签乳腺图像数据进行分类预测，得到所述无标签乳腺图像数据的预测概率及对应的伪标签；
23、所述第一确定模块，还用于根据所述无标签乳腺图像数据的预测概率确定所述无标签乳腺图像数据的损失权重；
24、所述第一确定模块，还用于根据所述损失权重确定所述无标签乳腺图像数据的第二损失值；
25、所述第一确定模块，还用于根据所述第一损失值和所述第二损失值确定所述乳腺图像分类模型当前训练轮次对应的总损失值；
26、判断模块，用于确定所述总损失值是否满足预设要求；
27、所述判断模块，还用于若满足预设要求，将当前训练轮次得到的乳腺图像分类模型确定为目标乳腺图像分类模型；若不满足预设要求，将当前训练轮次得到的具有伪标签的无标签乳腺图像数据确定为有标签乳腺图像数据，返回基于所述有标签乳腺图像数据对所述乳腺图像分类模型进行训练的步骤，直至所述乳腺图像分类模型的总损失值满足预设要求。
28、在一可实施方式中，所述训练模块，包括：获取子模块，用于获取所述有标签乳腺图像数据的第一乳腺图像和第二乳腺图像；特征提取子模块，用于对所述第一乳腺图像和所述第二乳腺图像进行特征本文档来自技高网...
【技术保护点】
1.一种乳腺图像分类模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述有标签乳腺图像数据对所述乳腺图像分类模型进行训练，包括：
3.根据权利要求2所述的方法，其特征在于，所述确定所述有标签乳腺图像数据的第一损失值，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述无标签乳腺图像数据的预测概率确定所述无标签乳腺图像数据的损失权重，包括：
5.根据权利要求1所述的方法，其特征在于，在得到所述无标签图像数据的预测概率后，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，在所述获取有标签乳腺图像数据和无标签乳腺图像数据作为训练样本数据后，所述方法还包括：
7.一种乳腺图像的分类方法，其特征在于，应用于权利要求1-6中任一项目标乳腺图像分类模型，所述方法包括：
8.一种乳腺图像分类模型的训练装置，其特征在于，所述装置包括：
9.一种乳腺图像的分类装置，其特征在于，应用于权利要求1-6中任一项目标乳腺图像分类模型，所述装置包括：
10.一种电子设备，其特征在于，包括：
11.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
...【技术特征摘要】
1.一种乳腺图像分类模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述有标签乳腺图像数据对所述乳腺图像分类模型进行训练，包括：
3.根据权利要求2所述的方法，其特征在于，所述确定所述有标签乳腺图像数据的第一损失值，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述无标签乳腺图像数据的预测概率确定所述无标签乳腺图像数据的损失权重，包括：
5.根据权利要求1所述的方法，其特征在于，在得到所述无标签图像数据的预测概率后，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，在...
【专利技术属性】
技术研发人员：王雅倩，王子腾，丁佳，吕晨翀，
申请(专利权)人：北京医准医疗科技有限公司，
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。