一种医疗图像分类模型训练方法、医疗图像分类方法技术

本发明专利技术提供一种医疗图像分类模型训练方法，包括：S1、从目标诊疗场景中采样多个诊疗错误的医疗图像以构建经验代价集，其中，所述经验代价集包括多个正常医疗图像和多个异常医疗图像，且每个正常医疗图像和每个异常医疗图像均对应一个误分类代价，所述误分类代价为其对应的正常医疗图像或异常医疗图像诊疗错误所造成的经济损失；S2、从所述目标诊疗场景中采样多个医疗图像以构建训练集，所述训练集中包括多个正常医疗图像和多个异常医疗图像，且所述每个正常医疗图像的标签为无病，所述每个异常医疗图像的标签为有病；S3、根据所述经验代价集确定分类阈值，并基于分类阈值采用所述训练集对医疗图像分类模型进行多轮迭代训练直至收敛。

【技术实现步骤摘要】

本专利技术涉及深度学习领域，具体来说，涉及深度学习领域中的医疗图像分类技术，更具体地说，涉及基于深度神经网络模型的医疗图像分类技术，即一种医疗图像分类模型训练方法、医疗图像分类方法。

技术介绍

1、近年来，深度学习已经成为人工智能领域最重要的技术之一。因强大的数据特征表达能力，深度神经网络模型已经被成功应用到众多视觉识别任务中并取得了显著的突破，如物体检测、语义分割和医疗图像分类等。深度神经网络模型的成功源于其大量的模型参数对任务模式的学习，而这一过程需要大量的标注数据进行模型训练。在传统的深度神经网络模型训练中，标注数据的类别分布往往受人为调整而变得均衡，即不同类别的样本数量无明显差别。

2、而在实际应用中，如医疗图像分类任务，自然采集的医疗图像数据类别通常表现为长尾分布，即一小部分医疗图像类别拥有大量的样本(正常医疗图像)，而其余的大部分类别只有较少的样本(异常医疗图像)。这样的数据分布特性会使得深度神经网络模型在训练的过程中，往往会过于关注拥有大量样本的类别(正常医疗图像)，而忽视拥有小部分样本的类别(异常医疗图像)。也就是说，在长尾数据本文档来自技高网...

【技术保护点】

1.一种医疗图像分类模型训练方法，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，在所述步骤S3中，每轮迭代训练包括：

3.根据权利要求2所述的方法，其特征在于，所述每次内层迭代计算包括：

4.根据权利要求3所述的方法，其特征在于，所述预设的内层损失函数为：

5.根据权利要求4所述的方法，其特征在于，在所述步骤S3中，每轮迭代训练还包括：

6.根据权利要求5所述的方法，其特征在于，所述预设的外层损失函数为：

7.一种医疗图像分类方法，其特征在于，所述方法包括：

8.一种医疗图像分类系...

【技术特征摘要】

1.一种医疗图像分类模型训练方法，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，在所述步骤s3中，每轮迭代训练包括：

3.根据权利要求2所述的方法，其特征在于，所述每次内层迭代计算包括：

4.根据权利要求3所述的方法，其特征在于，所述预设的内层损失函数为：

5.根据权利要求4所述的方法，其特征在于，在所述步骤s3中，每轮迭代训练还包括：...

【专利技术属性】
技术研发人员：许倩倩，邵慧杨，温佩松，杨智勇，高培峰，黄庆明，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：