CN111767946A - 医学影像分级模型训练及预测方法、装置、设备及介质 - Google Patents

医学影像分级模型训练及预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN111767946A
CN111767946A CN202010568987.2A CN202010568987A CN111767946A CN 111767946 A CN111767946 A CN 111767946A CN 202010568987 A CN202010568987 A CN 202010568987A CN 111767946 A CN111767946 A CN 111767946A
Authority
CN
China
Prior art keywords
image
current
vector corresponding
current position
current image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010568987.2A
Other languages
English (en)
Other versions
CN111767946B (zh
Inventor
尚方信
杨叶辉
王磊
许言午
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Confucius Health Technology Co ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010568987.2A priority Critical patent/CN111767946B/zh
Publication of CN111767946A publication Critical patent/CN111767946A/zh
Application granted granted Critical
Publication of CN111767946B publication Critical patent/CN111767946B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种医学影像分级模型训练及预测方法、装置、设备及介质，涉及人工智能、深度学习以及图像处理领域，具体可应用于眼底影像筛查方面。该训练方法包括：当待训练的医学影像分级模型不满足收敛条件时，将当前图像输入至待训练的医学影像分级模型；通过医学影像分级模型计算出当前图像对应的概率向量；根据当前图像对应的概率向量和标签向量，对医学影像分级模型进行训练，直到医学影像分级模型满足收敛条件。本申请实施例不仅可以使用高成本、细粒度标注的图像，还可以使用低成本、粗粒度标注的图像，从而可以减少医学影像分级模型对细粒度标注的图像的依赖，降低医学影像数据的分析成本。

Description

医学影像分级模型训练及预测方法、装置、设备及介质
技术领域
本申请涉及计算机技术领域，进一步涉及人工智能、深度学习以及图像处理领域，尤其是一种医学影像分级模型训练及预测方法、装置、设备及介质。
背景技术
近年来，深度学习(Deep Learning，DL)和卷积神经网络(Convolutional neuralnetworks，CNNs)已经迅速发展成为自动化医学影像分析的研究热点。由于深度学习依赖大量直接相关的标注数据，使得应用它们需要高昂的数据标注成本。以疾病严重程度分级任务为例，现有方法要求有大量医学影像数据分别被包含于每一个疾病级别。与此同时，大量低成本的粗粒度标注的数据无法被利用，如仅标注疾病阴阳性的数据。例如，针对同一张眼底图像，可以采用细粒度的标注方式，将其标注为：糖尿病视网膜病变3期；也可以采用粗粒度的标注方式，将其标注为：糖尿病视网膜病变阳性。
现有技术中的医学影像分级主要包括以下两种方案：方案1、采用图像分类任务的建模方法；方案2、采用回归任务的建模方法；其中，上述方案1将医学影像分级映射至互相独立的类别，要求模型输出待测样本属于各类别的概率，以概率值最大的类别作为预测的医学影像分级，并根据预测结果与标注的差异实现模型训练。这种方法将疾病严重级别看作互相独立的类别，仅能使用细粒度标注的图像，而无法使用粗粒度标注的图像。此外，上述方案2要求模型将待测样本变换为一个连续数值并实现医学影像分级。这类方法在预测级别与标注偏差较大时，将产生更大的惩罚；而且该方法与方案1类似，同样要求待测样本的标注是准确的疾病严重级别。
发明内容
本申请提供了一种医学影像分级模型训练及预测方法、装置、设备以及存储介质，在对医学影像分级模型进行训练时，不仅可以使用高成本、细粒度标注的图像，还可以使用低成本、粗粒度标注的图像，从而可以减少医学影像分级模型对细粒度标注的图像的依赖，降低医学影像数据的分析成本。
第一方面，本申请提供了一种医学影像分级模型训练方法，所述方法包括：
当待训练的医学影像分级模型不满足收敛条件时，将当前图像输入至待训练的医学影像分级模型；其中，所述当前图像包括：细粒度标注的图像和粗粒度标注的图像；
通过所述医学影像分级模型计算出所述当前图像对应的概率向量；
根据所述当前图像对应的概率向量和预先构建的所述当前图像对应的标签向量，对所述待训练的医学影像分级模型进行训练，将下一个图像作为所述当前图像，重复执行上述操作，直到所述待训练的医学影像分级模型满足所述收敛条件
第二方面，本申请提供了一种医学影像分级预测方法，所述方法包括：
将训练集中的每一张图像分别输入至预先训练的医学影像分级模型；
通过所述医学影像分级模型计算出每一张图像对应的概率向量；
根据每一张图像对应的概率向量计算每一个概率向量的概率和，得到每一张图像对应的概率和；
将每一张图像对应的疾病严重级别确定为每一张图像对应的概率和大于预先构建的划分点集合中的划分点的数量。
第三方面，本申请提供了一种医学影像分级模型训练装置，所述装置包括：第一输入模块、第一计算模块和训练模块；其中，
所述第一输入模块，用于当待训练的医学影像分级模型不满足收敛条件时，将当前图像输入至待训练的医学影像分级模型；其中，所述当前图像包括：细粒度标注的图像和粗粒度标注的图像；
所述第一计算模块，用于通过所述医学影像分级模型计算出所述当前图像对应的概率向量；
所述训练模块，用于根据所述当前图像对应的概率向量和预先构建的所述当前图像对应的标签向量，对所述待训练的医学影像分级模型进行训练，将下一个图像作为所述当前图像，重复执行上述操作，直到所述待训练的医学影像分级模型满足所述收敛条件。
第四方面，本申请提供了一种医学影像分级预测装置，所述装置包括：第二输入模块、第二计算模块和确定模块；其中，
所述第二输入模块，用于将训练集中的每一张图像分别输入至预先训练的医学影像分级模型；
所述第二计算模块，用于通过所述医学影像分级模型计算出每一张图像对应的概率向量；根据每一张图像对应的概率向量计算每一个概率向量的概率和，得到每一张图像对应的概率和；
所述确定模块，用于将每一张图像对应的疾病严重级别确定为每一张图像对应的概率和大于预先构建的划分点集合中的划分点的数量。
第五方面，本申请实施例提供了一种电子设备，包括：
一个或多个处理器；
存储器，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，使得所述一个或多个处理器实现本申请实施例一和实施二所述的医学影像分级模型训练方法或者本申请实施例三所述的医学影像分级预测方法。
第六方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请实施例一和实施二所述的医学影像分级模型训练方法或者本申请实施例三所述的医学影像分级预测方法。
根据本申请的技术解决了现有技术中只能使用细粒度标注的图像，而无法使用粗粒度标注的图像的技术问题，本申请提供的技术方案，在对医学影像分级模型进行训练时，不仅可以使用高成本、细粒度标注的图像，还可以使用低成本、粗粒度标注的图像，从而可以减少医学影像分级模型对细粒度标注的图像的依赖，降低医学影像数据的分析成本。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例一提供的医学影像分级模型训练方法的流程示意图；
图2是本申请实施例二提供的医学影像分级模型训练方法的流程示意图；
图3是本申请实施例三提供的医学影像分级预测方法的流程示意图；
图4是本申请实施例四提供的医学影像分级模型训练装置的结构示意图；
图5是本申请实施例五提供的医学影像分级预测装置的结构示意图；
图6是用来实现本申请实施例的医学影像分级模型训练及预测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例一
图1是本申请实施例一提供的医学影像分级模型训练方法的流程示意图，该方法可以由医学影像分级模型训练装置或者电子设备来执行，该装置或者电子设备可以由软件和/或硬件的方式实现，该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示，医学影像分级模型训练方法可以包括以下步骤：
S101、当待训练的医学影像分级模型不满足收敛条件时，将当前图像输入至待训练的医学影像分级模型；其中，当前图像包括：细粒度标注的图像和粗粒度标注的图像。
在本申请的具体实施例中，当待训练的医学影像分级模型不满足收敛条件时，电子设备可以将当前图像输入至待训练的医学影像分级模型；其中，当前图像包括：细粒度标注的图像和粗粒度标注的图像。具体地，当前图像可以是反映眼底疾病的图像，也可以是反映其他疾病的图像，在此不进行限定。
较佳地，在本申请的具体实施例中，电子设备在将当前图像输入至待训练的医学影像分级模型之前，电子设备还可以先对当前图像进行预处理，具体地，电子设备可以利用Z-Score归一化、高斯滤波和中值滤波等图像预处理的方法，对当前图像进行处理，并将处理后的当前图像输入至待训练的医学影像分级模型。
S102、通过医学影像分级模型计算出当前图像对应的概率向量。
在本申请的具体实施例中，电子设备可以通过医学影像分级模型计算出当前图像对应的概率向量。具体地，电子设备可以按照从左到右的顺序将当前图像对应的概率向量的第一个位置作为当前位置；若当前位置不为当前图像对应的概率向量的最后一个位置，则根据当前位置的顺序确定出当前位置的次序；其中，当前图像对应的概率向量的最后一个位置为预先确定的疾病严重级别的总数减1；然后将当前位置上的元素取值为当前图像对应的疾病严重级别大于等于当前位置的次序的概率；再将当前位置的下一个位置作为当前位置，重复执行上述操作，直到当前位置为当前图像对应的概率向量的最后一个位置。
S103、根据当前图像对应的概率向量和预先构建的当前图像对应的标签向量，对待训练的医学影像分级模型进行训练，将下一个图像作为当前图像，重复执行上述操作，直到待训练的医学影像分级模型满足收敛条件。
在本申请的具体实施例中，电子设备可以根据当前图像对应的概率向量和预先构建的当前图像对应的标签向量，对待训练的医学影像分级模型进行训练，将下一个图像作为当前图像，重复执行上述操作，直到待训练的医学影像分级模型满足收敛条件。本申请所述的模型训练过程是指，给定输入样本和期望输出，根据模型输出与期望输出的差异，使用梯度下降法调整模型参数，以减小差异的过程。由于医学影像分级模型输出的当前图像对应的概率向量和预先确定的当前图像对应的标签向量是针对同一张图像，而医学影像分级模型输出的当前图像对应的概率向量与预先构建的当前图像对应的标签向量存在一定的差距，因此需要通过损失函数计算两者的差距，根据两者的差距对待训练的医学影像分级模型的参数进行调整。
本申请实施例提出的医学影像分级模型训练方法，当待训练的医学影像分级模型不满足收敛条件时，先将当前图像输入至待训练的医学影像分级模型；然后通过医学影像分级模型计算出当前图像对应的概率向量；再根据当前图像对应的概率向量和预先构建的当前图像对应的标签向量，对待训练的医学影像分级模型进行训练，将下一个图像作为当前图像，重复执行上述操作，直到待训练的医学影像分级模型满足收敛条件。也就是说，本申请可以将粗粒度标注的图像和细粒度标注的图像混合在一起对医学影像分级模型进行训练。而在现有的医学影像分级模型训练方法中，只能使用细粒度标注的图像，而无法使用粗粒度标注的图像。本申请针对细粒度标注的图像和粗粒度标注的图像，均采用了预先构建出与其对应的标签向量的技术手段，克服了现有技术中在对医学影像分级模型进行训练时，只能使用细粒度标注的图像，而无法使用粗粒度标注的图像的技术问题，本申请提供的技术方案，在对医学影像分级模型进行训练时，不仅可以使用高成本、细粒度标注的图像，还可以使用低成本、粗粒度标注的图像，从而可以减少医学影像分级模型对细粒度标注的图像的依赖，降低医学影像数据的分析成本；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例二
图2是本申请实施例二提供的医学影像分级模型训练方法的流程示意图。如图2所示，医学影像分级模型训练方法可以包括以下步骤：
S201、当待训练的医学影像分级模型不满足收敛条件时，将当前图像输入至待训练的医学影像分级模型；其中，当前图像包括：细粒度标注的图像和粗粒度标注的图像。
在本申请的具体实施例中，细粒度标注是指不仅标注疾病阴阳性，而且还标注疾病严重级别的标注方式。粗粒度标注是指仅标注疾病阴阳性而不标注疾病严重级别的标注方式。假设预先确定的疾病严重级别的总数为5，粗粒度标注和细粒度标注如下述表1所示：
Figure BDA0002548651850000071
表1
如上述表1所示，按照粗粒度的标注类型，将疾病严重级别标注为第0级、第1级、第2级、第3级、第4级五个级别；同时，将第0级和第1级标注为阴性；第2级、第3级和第4级标注为阳性。按照粗粒度的标注类型，只标注疾病阴阳性标注为阴性和阳性，而不标注疾病严重级别。
S202、按照从左到右的顺序将当前图像对应的概率向量的第一个位置作为当前位置。
在本申请的具体实施例中，电子设备可以按照从左到右的顺序将当前图像对应的概率向量的第一个位置作为当前位置。具体地，当前图像对应的概率向量可以包括预先确定的疾病严重级别的总数减1个元素，其中，第一个元素在第一个位置上；第二个元素在第二个位置上；…；第M个元素在第M个位置上；M为大于等于1的自然数。例如，假设预先确定的疾病严重级别的总数为5，则当前图像对应的概率向量可以包括4个元素。
S203、若当前位置不为当前图像对应的概率向量的最后一个位置，则根据当前位置的顺序确定出当前位置的次序；其中，当前图像对应的概率向量的最后一个位置为预先确定的疾病严重级别的总数减1。
在本申请的具体实施例中，若当前位置不为当前图像对应的概率向量的最后一个位置，则电子设备可以根据当前位置的顺序确定出当前位置的次序；其中，当前图像对应的概率向量的最后一个位置为预先确定的疾病严重级别的总数减1。具体地，当前位置的次序等于当前位置的顺序减1。例如，假设当前位置的顺序为1，则当前位置的次序为0；假设当前位置的顺序为2，则当前位置的次序为1。
S204、将当前位置上的元素取值为当前图像对应的疾病严重级别大于等于当前位置的次序的概率；将当前位置的下一个位置作为当前位置，重复执行上述操作，直到当前位置为当前图像对应的概率向量的最后一个位置。
在本申请的具体实施例中，电子设备可以将当前位置上的元素取值为当前图像对应的疾病严重级别大于等于当前位置的次序的概率；将当前位置的下一个位置作为当前位置，重复执行上述操作，直到当前位置为当前图像对应的概率向量的最后一个位置。具体地，当前图像对应的概率向量的第k个元素可以采用以下公式表示：Pk＝Pr(y≥k|x),k＝0,1,...C-2；其中，Pk为当前图像对应的概率向量的第k个元素的取值；x表示当前图像；k表示当前位置的次序；Pr(y≥k|x)表示当前图像对应的疾病严重级别大于等于当前位置的次序的概率。
较佳地，在本申请的具体实施例中，在将当前图像输入至待训练的医学影像分级模型之前，电子设备需要先构建出当前图像对应的标签向量。具体地，若当前图像为细粒度标注的图像，则电子设备可以构建出细粒度标注的图像对应的标签向量，将细粒度标注的图像对应的标签向量作为预先构建的当前图像对应的标签向量；若当前图像为粗粒度标注的图像，则电子设备可以构建出粗粒度标注的图像对应的标签向量，将粗粒度标注的图像对应的标签向量作为预先构建的当前图像对应的标签向量。这样可以分别针对细粒度标注的图像和粗粒度标注的图像，使用其对应的标签向量对所述待训练的医学影像分级模型进行训练。
在本申请的具体实施例中，电子设备在构建细粒度标注的图像对应的标签向量时，可以先按照从左到右的顺序将当前图像对应的标签向量的第一个位置作为当前位置；若当前位置不为当前图像对应的标签向量的最后一个位置，则根据当前位置的顺序确定出当前位置的次序；其中，当前图像对应的标签向量的最后一个位置为预先确定的疾病严重级别的总数减1；然后将当前位置上的元素取值为当前图像对应的疾病严重级别大于等于当前位置的次序的概率；将当前位置的下一个位置作为当前位置，重复执行上述操作，直到当前位置为当前图像对应的标签向量的最后一个位置。例如，假设预先确定的疾病严重级别的总数为5，若当前图像对应的疾病严重级别y为第0级，则电子设备构建出的当前图像对应的标签向量yenc为[0,0,0,0]；若当前图像对应的疾病严重级别y为第1级，则电子设备构建出的当前图像对应的标签向量yenc为[1,0,0,0]；若当前图像对应的疾病严重级别y为第2级，则电子设备构建出的当前图像对应的标签向量yenc为[1,1,0,0]；若当前图像对应的疾病严重级别y为第3级，则电子设备构建出的当前图像对应的标签向量yenc为[1,1,1,0]；若当前图像对应的疾病严重级别y为第4级，则电子设备构建出的当前图像对应的标签向量yenc为[1,1,1,1]。
本申请的yenc编码规则与主流方案的yenc编码规则如下述表2所示：
Figure BDA0002548651850000091
表2
如上述表2所示，根据不同的编码方式可以将当前图像对应的疾病严重级别y编码为yenc；y∈{0,1,2,3,4}；例如，当y＝0时，yenc为[1,0,0,0]；当y＝1时，yenc为[1,0,0,0]。若当前图像为细粒度标注的图像，本申请与主流方案(1)和主流方案(2)相似，均使用细粒度标注的图像训练模型；若当前图像为粗粒度标注的图像，主流方案(1)和主流方案(2)均无法利用其指导模型训练。本申请认为疾病阴阳性为阴性的描述隐含疾病严重级别至少比第0级和第1级更严重的信息。在这种情况下，可使用粗粒度的yenc编码规则，当前图像标注为阴性时，仅要求模型不判定当前图像对应的疾病严重级别为第2级、第3级、第4级；即模型在第1个位置、第2个位置、第3个位置上的输出接近0，而不关心模型在第0个位置上的输出。反之，则要求模型在第0个位置和第1个位置上的输出接近1，而不关心模型在第2个位置和第3个位置上的输出。
在本申请的具体实施例中，电子设备在构建粗粒度标注的图像对应的标签向量时，若当前图像对应的疾病阴阳性为阴性，则电子设备可以将当前图像对应的标签向量的前N个位置上的元素取值为任意数值；将当前图像对应的标签向量的后C-N-1个位置上的元素取值为0；若当前图像对应的疾病阴阳性为阳性，则电子设备可以将当前图像对应的标签向量的前N+1个位置上的元素取值为1；将当前图像对应的标签向量的后C-N-2个位置上的元素取值为任意数值；其中，C为预先确定的疾病严重级别的总数；N为预先确定的疾病阴阳性的分界位置。具体地，电子设备可以按照以下公式构建粗粒度标注的图像对应的标签向量：
Figure BDA0002548651850000102
其中，C为预先确定的疾病严重级别的总数；N为预先确定的疾病阴阳性的分界位置；当y≤N时，表示当前图像对应的疾病阴阳性为阴性；当y＞N时，表示当前图像对应的疾病阴阳性为阳性。
更广泛地，当预先确定的疾病严重级别的总数为C，且前N个疾病严重级别(从第0级开始，包含第N级)可划归为阴性；其余疾病严重级别划归为阳性，并确保阴性和阳性下均有对应的疾病严重级别时，可使用如下述表3所示的编码规则构建粗粒度标注的图像对应的标签向量：
Figure BDA0002548651850000101
Figure BDA0002548651850000111
表3
如上述表3所示，本申请对标签向量的编码规则与现有的主流技术方案均存在差异。考虑样本x对应的疾病严重级别大于k的概率(y≥k|x)，一定存在Pr(y≥k-1|x)≥Pr(y≥k|x)。即样本x具有较高严重级别的概率，被包含于具有较低严重级别的概率。这样的编码机制不仅考虑了级别之间隐含的强度关联，而且支持“疾病阴阳性为阴性即疾病严重级别不为第2级、第3级、第4级”等粗粒度标注所隐含的信息的表达，允许模型在弱监督状态下得到训练。
S205、根据当前图像对应的概率向量和预先确定的当前图像对应的标签向量，对待训练的医学影像分级模型进行训练，将下一个图像作为当前图像，重复执行上述操作，直到待训练的医学影像分级模型满足收敛条件。
本申请实施例提出的医学影像分级模型训练方法，当待训练的医学影像分级模型不满足收敛条件时，先将当前图像输入至待训练的医学影像分级模型；然后通过医学影像分级模型计算出当前图像对应的概率向量；再根据当前图像对应的概率向量和预先构建的当前图像对应的标签向量，对待训练的医学影像分级模型进行训练，将下一个图像作为当前图像，重复执行上述操作，直到待训练的医学影像分级模型满足收敛条件。也就是说，本申请可以将粗粒度标注的图像和细粒度标注的图像混合在一起对医学影像分级模型进行训练。而在现有的医学影像分级模型训练方法中，只能使用细粒度标注的图像，而无法使用粗粒度标注的图像。本申请针对细粒度标注的图像和粗粒度标注的图像，均采用了预先构建出与其对应的标签向量的技术手段，克服了现有技术中在对医学影像分级模型进行训练时，只能使用细粒度标注的图像，而无法使用粗粒度标注的图像的技术问题，本申请提供的技术方案，在对医学影像分级模型进行训练时，不仅可以使用高成本、细粒度标注的图像，还可以使用低成本、粗粒度标注的图像，从而可以减少医学影像分级模型对细粒度标注的图像的依赖，降低医学影像数据的分析成本；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例三
图3是本申请实施例三提供的医学影像分级预测方法的流程示意图，该方法可以由医学影像分级预测装置或者电子设备来执行，该装置或者电子设备可以由软件和/或硬件的方式实现，该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图3所示，医学影像分级预测方法可以包括以下步骤：
S301、将训练集中的每一张图像分别输入至预先训练的医学影像分级模型。
在本申请的具体实施例中，电子设备可以将训练集中的每一张图像分别输入至预先训练的医学影像分级模型。具体地，电子设备可以将若干张图像构建一个训练集，然后将训练集中的每一帧图像分别输入至预先训练的医学影像分级模型。
S302、通过医学影像分级模型计算出每一张图像对应的概率向量。
在本申请的具体实施例中，电子设备可以通过医学影像分级模型计算出每一张图像对应的概率向量，将该概率向量即为P。例如，假设预先确定的疾病严重级别的总数为5，若当前图像对应的疾病严重级别为第1级时，当前图像对应的概率向量P为[0.8,0.9,0.1,0]。
S303、根据每一张图像对应的疾病严重等级的概率向量计算每一个概率向量的概率和，得到每一张图像对应的概率和。
在本申请的具体实施例中，电子设备可以根据每一张图像对应的疾病严重等级的概率向量计算每一个概率向量的概率和，得到每一张图像对应的概率和S。即S＝∑Pi,i＝0,1,...C-1；其中，Pi为次序为的位置i上的元素取值；C为预先确定的疾病严重级别的总数。例如，假设预先确定的疾病严重级别的总数为5，若当前图像对应的疾病严重级别为第1级时，当前图像对应的概率向量P为[0.8,0.9,0.1,0]，在本步骤中，S＝0.8+0.9+0.1+0＝1.8。
S304、将每一张图像对应的疾病严重等级确定为每一张图像对应的概率和大于预先构建的划分点集合中的划分点的数量。
在本申请的具体实施例中，在将训练集中的每一张图像分别输入至预先训练的医学影像分级模型之前，电子设备可以先构建划分点集合，具体包括以下步骤：先按照从左到右的顺序将预先构建的划分点集合的第一个位置作为当前位置；若当前位置不为预先构建的划分点集合的最后一个位置，则电子设备可以根据当前位置的顺序确定出当前位置的次序；然后将当前位置上的元素取值为预设数值与当前位置的次序的总和；再将当前位置的下一个位置作为当前位置，重复执行上述操作，直到当前位置为预先构建的划分点集合的最后一个位置；其中，预先构建的划分点集合的最后一个位置为预先确定的疾病严重级别的总数减1。具体地，预先构建的划分点集合的第1个位置上的划分点取值为预设数值加0；第2个位置上的划分点的取值为预设数值加1；…；第C-1个位置上的划分点取值为预设数值加C-2；其中，C为预先确定的疾病严重级别的总数。
较佳地，在本申请的具体实施例中，电子设备还可以使用Nelder-Mead等适用于不可导函数的优化算法，以Kappa指标最大化为优化目标，调整划分点集合中的各个划分点。在计算出每一张图像对应的概率向量以及该概率向量的概率和之后，电子设备可以将每一张图像对应的疾病严重级别确定为每一张图像对应的概率和大于预先构建的划分点集合中的划分点的数量。概率和与疾病严重级别的映射规则可以如下述表4所示：
Figure BDA0002548651850000131
表4
如上述表4所示，划分点集合为[0.5,1.5,2.5,3.5]，若当前图像对应的概率和为0.4，则当前图像对应的疾病严重级别为第0级；若当前图像对应的概率和为1.4，则当前图像对应的疾病严重级别为第1级；若当前图像对应的概率和为1.6，则当前图像对应的疾病严重级别为第2级；若当前图像对应的概率和为2.6，则当前图像对应的疾病严重级别为第3级；若当前图像对应的概率和为3.6，则当前图像对应的疾病严重级别为第4级。
本申请实施例提出的医学影像分级模型训练方法，当待训练的医学影像分级模型不满足收敛条件时，先将当前图像输入至待训练的医学影像分级模型；然后通过医学影像分级模型计算出当前图像对应的概率向量；再根据当前图像对应的概率向量和预先构建的当前图像对应的标签向量，对待训练的医学影像分级模型进行训练，将下一个图像作为当前图像，重复执行上述操作，直到待训练的医学影像分级模型满足收敛条件。也就是说，本申请可以将粗粒度标注的图像和细粒度标注的图像混合在一起对医学影像分级模型进行训练。而在现有的医学影像分级模型训练方法中，只能使用细粒度标注的图像，而无法使用粗粒度标注的图像。本申请针对细粒度标注的图像和粗粒度标注的图像，均采用了预先构建出与其对应的标签向量的技术手段，克服了现有技术中在对医学影像分级模型进行训练时，只能使用细粒度标注的图像，而无法使用粗粒度标注的图像的技术问题，本申请提供的技术方案，在对医学影像分级模型进行训练时，不仅可以使用高成本、细粒度标注的图像，还可以使用低成本、粗粒度标注的图像，从而可以减少医学影像分级模型对细粒度标注的图像的依赖，降低医学影像数据的分析成本；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例四
图4是本申请实施例四提供的医学影像分级模型训练装置的结构示意图。如图4所示，所述装置400包括：第一输入模块401、第一计算模块402和训练模块403；其中，
所述第一输入模块401，用于当待训练的医学影像分级模型不满足收敛条件时，将当前图像输入至待训练的医学影像分级模型；其中，所述当前图像包括：细粒度标注的图像和粗粒度标注的图像；
所述第一计算模块402，用于通过所述医学影像分级模型计算出所述当前图像对应的概率向量；
所述训练模块403，用于根据所述当前图像对应的概率向量和预先构建的所述当前图像对应的标签向量，对所述待训练的医学影像分级模型进行训练，将下一个图像作为所述当前图像，重复执行上述操作，直到所述待训练的医学影像分级模型满足所述收敛条件。
进一步的，所述第一计算模块402包括：设置子模块4021(图中未示出)、确定子模块4022(图中未示出)和计算子模块4023(图中未示出)；其中，
所述设置子模块4021，用于按照从左到右的顺序将所述当前图像对应的概率向量的第一个位置作为当前位置；
所述确定子模块4022，用于若所述当前位置不为所述当前图像对应的概率向量的最后一个位置，则根据所述当前位置的顺序确定出所述当前位置的次序；其中，所述当前图像对应的概率向量的最后一个位置为预先确定的疾病严重级别的总数减1；
所述计算子模块4023，用于将所述当前位置上的元素取值为所述当前图像对应的疾病严重级别大于等于所述当前位置的次序的概率；将所述当前位置的下一个位置作为所述当前位置，重复执行上述操作，直到所述当前位置为所述当前图像对应的概率向量的最后一个位置。
进一步的，所述装置还包括：第一构建模块404(图中未示出)，用于若所述当前图像为所述细粒度标注的图像，则构建出所述细粒度标注的图像对应的标签向量，将所述细粒度标注的图像对应的标签向量作为所述预先构建的所述当前图像对应的标签向量；若所述当前图像为所述粗粒度标注的图像，则构建出所述粗粒度标注的图像对应的标签向量，将所述粗粒度标注的图像对应的标签向量作为所述预先构建的所述当前图像对应的标签向量。
进一步的，所述第一构建模块404，具体用于按照从左到右的顺序将所述当前图像对应的标签向量的第一个位置作为当前位置；若所述当前位置不为所述当前图像对应的标签向量的最后一个位置，则根据所述当前位置的顺序确定出所述当前位置的次序；其中，所述当前图像对应的标签向量的最后一个位置为预先确定的疾病严重级别的总数减1；将所述当前位置上的元素取值为所述当前图像对应的疾病严重级别大于等于所述当前位置的次序的概率；将所述当前位置的下一个位置作为所述当前位置，重复执行上述操作，直到所述当前位置为所述当前图像对应的标签向量的最后一个位置。
进一步的，所述第一构建模块404，具体用于若所述当前图像对应的疾病阴阳性为阴性，则将所述当前图像对应的标签向量的前N个位置上的元素取值为任意数值；将所述当前图像对应的标签向量的后C-N-1个位置上的元素取值为0；若所述当前图像对应的疾病阴阳性为阳性，则将所述当前图像对应的标签向量的前N+1个位置上的元素取值为1；将所述当前图像对应的标签向量的后C-N-2个位置上的元素取值为任意数值；其中，C为预先确定的疾病严重级别的总数；N为预先确定的疾病阴阳性的分界位置。
上述医学影像分级模型训练装置可执行本申请实施例一和实施例二所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例一和实施例二提供的医学影像分级模型训练方法。
实施例五
图5是本申请实施例五提供的医学影像分级预测装置的结构示意图。如图5所示，所述装置500包括：第二输入模块501、第二计算模块502和确定模块503；其中，
所述第二输入模块501，用于将训练集中的每一张图像分别输入至预先训练的医学影像分级模型；
所述第二计算模块502，用于通过所述医学影像分级模型计算出每一张图像对应的概率向量；根据每一张图像对应的概率向量计算每一个概率向量的概率和，得到每一张图像对应的概率和；
所述确定模块503，用于将每一张图像对应的疾病严重级别确定为每一张图像对应的概率和大于预先构建的划分点集合中的划分点的数量。
进一步的，所述装置还包括：第二构建模块504(图中未示出)，用于按照从左到右的顺序将所述预先构建的划分点集合的第一个位置作为当前位置；若所述当前位置不为所述预先构建的划分点集合的最后一个位置，则根据所述当前位置的顺序确定出所述当前位置的次序；将所述当前位置上的划分点取值为预设数值与所述当前位置的次序的总和；将所述当前位置的下一个位置作为所述当前位置，重复执行上述操作，直到所述当前位置为所述预先构建的划分点集合的最后一个位置；其中，所述预先构建的划分点集合的最后一个位置为预先确定的疾病严重级别的总数减1。
上述医学影像分级预测装置可执行本申请实施例三所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例三提供的医学影像分级预测方法。
实施例六
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例的医学影像分级模型训练及预测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的医学影像分级模型训练及预测方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的医学影像分级模型训练及预测方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的医学影像分级模型训练及预测方法对应的程序指令/模块(例如，附图4所示的第一输入模块401、第一计算模块402和训练模块403)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的医学影像分级模型训练及预测方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据医学影像分级模型训练及预测方法的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至医学影像分级模型训练及预测方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
医学影像分级模型训练及预测方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与医学影像分级模型训练及预测方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，当待训练的医学影像分级模型不满足收敛条件时，先将当前图像输入至待训练的医学影像分级模型；然后通过医学影像分级模型计算出当前图像对应的概率向量；再根据当前图像对应的概率向量和预先构建的当前图像对应的标签向量，对待训练的医学影像分级模型进行训练，将下一个图像作为当前图像，重复执行上述操作，直到待训练的医学影像分级模型满足收敛条件。也就是说，本申请可以将粗粒度标注的图像和细粒度标注的图像混合在一起对医学影像分级模型进行训练。而在现有的医学影像分级模型训练方法中，只能使用细粒度标注的图像，而无法使用粗粒度标注的图像。本申请针对细粒度标注的图像和粗粒度标注的图像，均采用了预先构建出与其对应的标签向量的技术手段，克服了现有技术中在对医学影像分级模型进行训练时，只能使用细粒度标注的图像，而无法使用粗粒度标注的图像的技术问题，本申请提供的技术方案，在对医学影像分级模型进行训练时，不仅可以使用高成本、细粒度标注的图像，还可以使用低成本、粗粒度标注的图像，从而可以减少医学影像分级模型对细粒度标注的图像的依赖，降低医学影像数据的分析成本；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (16)

1.一种医学影像分级模型训练方法，其特征在于，所述方法包括：
当待训练的医学影像分级模型不满足收敛条件时，将当前图像输入至待训练的医学影像分级模型；其中，所述当前图像包括：细粒度标注的图像和粗粒度标注的图像；
通过所述医学影像分级模型计算出所述当前图像对应的概率向量；
根据所述当前图像对应的概率向量和预先构建的所述当前图像对应的标签向量，对所述待训练的医学影像分级模型进行训练，将下一个图像作为所述当前图像，重复执行上述操作，直到所述待训练的医学影像分级模型满足所述收敛条件。
2.根据权利要求1所述的方法，其特征在于，所述通过所述医学影像分级模型计算出所述当前图像对应的概率向量，包括：
按照从左到右的顺序将所述当前图像对应的概率向量的第一个位置作为当前位置；
若所述当前位置不为所述当前图像对应的概率向量的最后一个位置，则根据所述当前位置的顺序确定出所述当前位置的次序；其中，所述当前图像对应的概率向量的最后一个位置为预先确定的疾病严重级别的总数减1；
将所述当前位置上的元素取值为所述当前图像对应的疾病严重级别大于等于所述当前位置的次序的概率；将所述当前位置的下一个位置作为所述当前位置，重复执行上述操作，直到所述当前位置为所述当前图像对应的概率向量的最后一个位置。
3.根据权利要求1所述的方法，其特征在于，在所述将当前图像输入至待训练的医学影像分级模型之前，所述方法还包括：
若所述当前图像为所述细粒度标注的图像，则构建出所述细粒度标注的图像对应的标签向量，将所述细粒度标注的图像对应的标签向量作为所述预先构建的所述当前图像对应的标签向量；
若所述当前图像为所述粗粒度标注的图像，则构建出所述粗粒度标注的图像对应的标签向量，将所述粗粒度标注的图像对应的标签向量作为所述预先构建的所述当前图像对应的标签向量。
4.根据权利要求3所述的方法，其特征在于，所述构建出所述细粒度标注的图像对应的标签向量，包括：
按照从左到右的顺序将所述当前图像对应的标签向量的第一个位置作为当前位置；
若所述当前位置不为所述当前图像对应的标签向量的最后一个位置，则根据所述当前位置的顺序确定出所述当前位置的次序；其中，所述当前图像对应的标签向量的最后一个位置为预先确定的疾病严重级别的总数减1；
将所述当前位置上的元素取值为所述当前图像对应的疾病严重级别大于等于所述当前位置的次序的概率；将所述当前位置的下一个位置作为所述当前位置，重复执行上述操作，直到所述当前位置为所述当前图像对应的标签向量的最后一个位置。
5.根据权利要求3所述的方法，其特征在于，所述构建出所述粗粒度标注的图像对应的标签向量，包括：
若所述当前图像对应的疾病阴阳性为阴性，则将所述当前图像对应的标签向量的前N个位置上的元素取值为任意数值；将所述当前图像对应的标签向量的后C-N-1个位置上的元素取值为0；
若所述当前图像对应的疾病阴阳性为阳性，则将所述当前图像对应的标签向量的前N+1个位置上的元素取值为1；将所述当前图像对应的标签向量的后C-N-2个位置上的元素取值为任意数值；其中，C为预先确定的疾病严重级别的总数；N为预先确定的疾病阴阳性的分界位置。
6.一种医学影像分级预测方法，其特征在于，所述方法包括：
将训练集中的每一张图像分别输入至预先训练的医学影像分级模型；
通过所述医学影像分级模型计算出每一张图像对应的概率向量；
根据每一张图像对应的概率向量计算每一个概率向量的概率和，得到每一张图像对应的概率和；
将每一张图像对应的疾病严重级别确定为每一张图像对应的概率和大于预先构建的划分点集合中的划分点的数量。
7.根据权利要求6所述的方法，其特征在于，在所述将训练集中的每一张图像分别输入至预先训练的医学影像分级模型之前，所述方法还包括：
按照从左到右的顺序将所述预先构建的划分点集合的第一个位置作为当前位置；
若所述当前位置不为所述预先构建的划分点集合的最后一个位置，则根据所述当前位置的顺序确定出所述当前位置的次序；
将所述当前位置上的划分点取值为预设数值与所述当前位置的次序的总和；将所述当前位置的下一个位置作为所述当前位置，重复执行上述操作，直到所述当前位置为所述预先构建的划分点集合的最后一个位置；其中，所述预先构建的划分点集合的最后一个位置为预先确定的疾病严重级别的总数减1。
8.一种医学影像分级模型训练装置，其特征在于，所述装置包括：第一输入模块、第一计算模块和训练模块；其中，
所述第一输入模块，用于当待训练的医学影像分级模型不满足收敛条件时，将当前图像输入至待训练的医学影像分级模型；其中，所述当前图像包括：细粒度标注的图像和粗粒度标注的图像；
所述第一计算模块，用于通过所述医学影像分级模型计算出所述当前图像对应的概率向量；
所述训练模块，用于根据所述当前图像对应的概率向量和预先构建的所述当前图像对应的标签向量，对所述待训练的医学影像分级模型进行训练，将下一个图像作为所述当前图像，重复执行上述操作，直到所述待训练的医学影像分级模型满足所述收敛条件。
9.根据权利要求8所述的装置，其特征在于，所述第一计算模块包括：设置子模块、确定子模块和计算子模块；其中，
所述设置子模块，用于按照从左到右的顺序将所述当前图像对应的概率向量的第一个位置作为当前位置；
所述确定子模块，用于若所述当前位置不为所述当前图像对应的概率向量的最后一个位置，则根据所述当前位置的顺序确定出所述当前位置的次序；其中，所述当前图像对应的概率向量的最后一个位置为预先确定的疾病严重级别的总数减1；
所述计算子模块，用于将所述当前位置上的元素取值为所述当前图像对应的疾病严重级别大于等于所述当前位置的次序的概率；将所述当前位置的下一个位置作为所述当前位置，重复执行上述操作，直到所述当前位置为所述当前图像对应的概率向量的最后一个位置。
10.根据权利要求8所述的装置，其特征在于，所述装置还包括：第一构建模块，用于若所述当前图像为所述细粒度标注的图像，则构建出所述细粒度标注的图像对应的标签向量，将所述细粒度标注的图像对应的标签向量作为所述预先构建的所述当前图像对应的标签向量；若所述当前图像为所述粗粒度标注的图像，则构建出所述粗粒度标注的图像对应的标签向量，将所述粗粒度标注的图像对应的标签向量作为所述预先构建的所述当前图像对应的标签向量。
11.根据权利要求10所述的装置，其特征在于：
所述第一构建模块，具体用于按照从左到右的顺序将所述当前图像对应的标签向量的第一个位置作为当前位置；若所述当前位置不为所述当前图像对应的标签向量的最后一个位置，则根据所述当前位置的顺序确定出所述当前位置的次序；其中，所述当前图像对应的标签向量的最后一个位置为预先确定的疾病严重级别的总数减1；将所述当前位置上的元素取值为所述当前图像对应的疾病严重级别大于等于所述当前位置的次序的概率；将所述当前位置的下一个位置作为所述当前位置，重复执行上述操作，直到所述当前位置为所述当前图像对应的标签向量的最后一个位置。
12.根据权利要求10所述的装置，其特征在于：
所述第一构建模块，具体用于若所述当前图像对应的疾病阴阳性为阴性，则将所述当前图像对应的标签向量的前N个位置上的元素取值为任意数值；将所述当前图像对应的标签向量的后C-N-1个位置上的元素取值为0；若所述当前图像对应的疾病阴阳性为阳性，则将所述当前图像对应的标签向量的前N+1个位置上的元素取值为1；将所述当前图像对应的标签向量的后C-N-2个位置上的元素取值为任意数值；其中，C为预先确定的疾病严重级别的总数；N为预先确定的疾病阴阳性的分界位置。
13.一种医学影像分级预测装置，其特征在于，所述装置包括：第二输入模块、第二计算模块和确定模块；其中，
所述第二输入模块，用于将训练集中的每一张图像分别输入至预先训练的医学影像分级模型；
所述第二计算模块，用于通过所述医学影像分级模型计算出每一张图像对应的概率向量；根据每一张图像对应的概率向量计算每一个概率向量的概率和，得到每一张图像对应的概率和；
所述确定模块，用于将每一张图像对应的疾病严重级别确定为每一张图像对应的概率和大于预先构建的划分点集合中的划分点的数量。
14.根据权利要求13所述的装置，其特征在于，所述装置还包括：第二构建模块，用于按照从左到右的顺序将所述预先构建的划分点集合的第一个位置作为当前位置；若所述当前位置不为所述预先构建的划分点集合的最后一个位置，则根据所述当前位置的顺序确定出所述当前位置的次序；将所述当前位置上的划分点取值为预设数值与所述当前位置的次序的总和；将所述当前位置的下一个位置作为所述当前位置，重复执行上述操作，直到所述当前位置为所述预先构建的划分点集合的最后一个位置；其中，所述预先构建的划分点集合的最后一个位置为预先确定的疾病严重级别的总数减1。
15.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器包括权利要求8-12或者13-14中任一项所述的装置。
16.一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权利要求1-5或者6-7中任一项所述的方法。
CN202010568987.2A 2020-06-19 2020-06-19 医学影像分级模型训练及预测方法、装置、设备及介质 Active CN111767946B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010568987.2A CN111767946B (zh) 2020-06-19 2020-06-19 医学影像分级模型训练及预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010568987.2A CN111767946B (zh) 2020-06-19 2020-06-19 医学影像分级模型训练及预测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN111767946A true CN111767946A (zh) 2020-10-13
CN111767946B CN111767946B (zh) 2024-03-22

Family

ID=72721245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010568987.2A Active CN111767946B (zh) 2020-06-19 2020-06-19 医学影像分级模型训练及预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN111767946B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112241452A (zh) * 2020-10-16 2021-01-19 百度(中国)有限公司 一种模型训练方法、装置、电子设备及存储介质
CN117747124A (zh) * 2024-02-20 2024-03-22 浙江大学 基于网络激发图分解的医学大模型逻辑反演方法及系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150016699A1 (en) * 2013-07-11 2015-01-15 Radiological Imaging Technology, Inc. Phantom image classification
US20170329755A1 (en) * 2016-05-13 2017-11-16 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus and computer device for automatic semantic annotation for an image
US20180165547A1 (en) * 2016-12-08 2018-06-14 Shenzhen University Object Recognition Method and Device
CN109002845A (zh) * 2018-06-29 2018-12-14 西安交通大学 基于深度卷积神经网络的细粒度图像分类方法
CN109753978A (zh) * 2017-11-01 2019-05-14 腾讯科技（深圳）有限公司 图像分类方法、装置以及计算机可读存储介质
US10430946B1 (en) * 2019-03-14 2019-10-01 Inception Institute of Artificial Intelligence, Ltd. Medical image segmentation and severity grading using neural network architectures with semi-supervised learning techniques
US20190347772A1 (en) * 2018-04-19 2019-11-14 Subtle Medical, Inc. Systems and methods for improving magnetic resonance imaging using deep learning
CN110458233A (zh) * 2019-08-13 2019-11-15 腾讯云计算（北京）有限责任公司 混合粒度物体识别模型训练及识别方法、装置及存储介质
CN110598782A (zh) * 2019-09-06 2019-12-20 上海杏脉信息科技有限公司 一种训练用于医学影像的分类网络的方法与装置
CN110738662A (zh) * 2019-10-29 2020-01-31 徐州医科大学 基于细粒度医学图像分割与真值发现数据扩增的垂体瘤质地影像分级方法
US20200065961A1 (en) * 2018-08-21 2020-02-27 International Business Machines Corporation Training classifier with data of different granularity
US20200082221A1 (en) * 2018-09-06 2020-03-12 Nec Laboratories America, Inc. Domain adaptation for instance detection and segmentation
CN111274425A (zh) * 2020-01-20 2020-06-12 平安科技（深圳）有限公司 医疗影像分类方法、装置、介质及电子设备
CN111291755A (zh) * 2020-02-13 2020-06-16 腾讯科技（深圳）有限公司 对象检测模型训练及对象检测方法、装置、计算机设备和存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150016699A1 (en) * 2013-07-11 2015-01-15 Radiological Imaging Technology, Inc. Phantom image classification
US20170329755A1 (en) * 2016-05-13 2017-11-16 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus and computer device for automatic semantic annotation for an image
US20180165547A1 (en) * 2016-12-08 2018-06-14 Shenzhen University Object Recognition Method and Device
CN109753978A (zh) * 2017-11-01 2019-05-14 腾讯科技（深圳）有限公司 图像分类方法、装置以及计算机可读存储介质
US20190347772A1 (en) * 2018-04-19 2019-11-14 Subtle Medical, Inc. Systems and methods for improving magnetic resonance imaging using deep learning
CN109002845A (zh) * 2018-06-29 2018-12-14 西安交通大学 基于深度卷积神经网络的细粒度图像分类方法
US20200065961A1 (en) * 2018-08-21 2020-02-27 International Business Machines Corporation Training classifier with data of different granularity
US20200082221A1 (en) * 2018-09-06 2020-03-12 Nec Laboratories America, Inc. Domain adaptation for instance detection and segmentation
US10430946B1 (en) * 2019-03-14 2019-10-01 Inception Institute of Artificial Intelligence, Ltd. Medical image segmentation and severity grading using neural network architectures with semi-supervised learning techniques
CN110458233A (zh) * 2019-08-13 2019-11-15 腾讯云计算（北京）有限责任公司 混合粒度物体识别模型训练及识别方法、装置及存储介质
CN110598782A (zh) * 2019-09-06 2019-12-20 上海杏脉信息科技有限公司 一种训练用于医学影像的分类网络的方法与装置
CN110738662A (zh) * 2019-10-29 2020-01-31 徐州医科大学 基于细粒度医学图像分割与真值发现数据扩增的垂体瘤质地影像分级方法
CN111274425A (zh) * 2020-01-20 2020-06-12 平安科技（深圳）有限公司 医疗影像分类方法、装置、介质及电子设备
CN111291755A (zh) * 2020-02-13 2020-06-16 腾讯科技（深圳）有限公司 对象检测模型训练及对象检测方法、装置、计算机设备和存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112241452A (zh) * 2020-10-16 2021-01-19 百度(中国)有限公司 一种模型训练方法、装置、电子设备及存储介质
CN112241452B (zh) * 2020-10-16 2024-01-05 百度(中国)有限公司 一种模型训练方法、装置、电子设备及存储介质
CN117747124A (zh) * 2024-02-20 2024-03-22 浙江大学 基于网络激发图分解的医学大模型逻辑反演方法及系统

Also Published As

Publication number Publication date
CN111767946B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
CN111144577B (zh) 异构图之中节点表示的生成方法、装置和电子设备
CN111710412B (zh) 诊断结果的校验方法、装置及电子设备
CN111639710A (zh) 图像识别模型训练方法、装置、设备以及存储介质
CN111523596A (zh) 目标识别模型训练方法、装置、设备以及存储介质
CN112036509A (zh) 用于训练图像识别模型的方法和装置
CN111667054A (zh) 生成神经网络模型的方法、装置、电子设备以及存储介质
CN111339759B (zh) 领域要素识别模型训练方法、装置及电子设备
CN111311321B (zh) 用户消费行为预测模型训练方法、装置、设备及存储介质
CN112561077A (zh) 多任务模型的训练方法、装置及电子设备
CN111783451A (zh) 用于增强文本样本的方法和装置
CN111737995A (zh) 基于多种词向量训练语言模型的方法、装置、设备及介质
CN110852379B (zh) 用于目标物体识别的训练样本生成方法及装置
CN112149741A (zh) 图像识别模型的训练方法、装置、电子设备及存储介质
CN112329453B (zh) 样本章节的生成方法、装置、设备以及存储介质
CN111881908A (zh) 目标检测模型的修正方法、检测方法、装置、设备及介质
CN111640425A (zh) 一种模型训练和意图识别方法、装置、设备及存储介质
CN112561056A (zh) 神经网络模型的训练方法、装置、电子设备和存储介质
CN111767833A (zh) 模型生成方法、装置、电子设备及存储介质
CN111767946B (zh) 医学影像分级模型训练及预测方法、装置、设备及介质
CN112560499A (zh) 语义表示模型的预训练方法、装置、电子设备及存储介质
CN111640103A (zh) 图像检测方法、装置、设备以及存储介质
CN111967591A (zh) 神经网络自动剪枝方法、装置及电子设备
CN111563198A (zh) 一种物料召回方法、装置、设备及存储介质
CN110909136A (zh) 满意度预估模型的训练方法、装置、电子设备及存储介质
CN111311000B (zh) 用户消费行为预测模型训练方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20210419

Address after: 100000 Room 220, 2nd Floor, Building 4, No. 1, Shangdi East Road, Haidian District, Beijing

Applicant after: Beijing Confucius Health Technology Co.,Ltd.

Address before: 100085 Beijing, Haidian District, No. ten on the ground floor, No. 10 Baidu building, layer 2

Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant