CN114120035A - 一种医学影像识别训练方法 - Google Patents

一种医学影像识别训练方法 Download PDF

Info

Publication number
CN114120035A
CN114120035A CN202111361626.1A CN202111361626A CN114120035A CN 114120035 A CN114120035 A CN 114120035A CN 202111361626 A CN202111361626 A CN 202111361626A CN 114120035 A CN114120035 A CN 114120035A
Authority
CN
China
Prior art keywords
model
data
image recognition
training
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.)
Withdrawn
Application number
CN202111361626.1A
Other languages
English (en)
Inventor
韩帅
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202111361626.1A priority Critical patent/CN114120035A/zh
Publication of CN114120035A publication Critical patent/CN114120035A/zh
Withdrawn legal-status Critical Current

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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Molecular Biology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及医学影像识别训练技术领域，且公开了一种医学影像识别训练方法，包括以下步骤：S1、数据收集；S2、数据筛选；S3、数据处理；S4、算法搭建；S5、算法计算；S6、训练学习。本发明中，在医学图像处理领域基于强化学习理念设计多种训练策略，建立医学图像自动化识别机制。本发明提出的优化框架打破了以往深度学习方法的单一化，能从结构和参数两个方面联合优化共同提高模型性能。可用于少样本识别任务的子网络由控制器动态生成，可节省人为设计花费的时间和精力。网络架构的生成策略直接由数据集中的任务分布决定，使子网络熟悉复杂而多变的任务环境，更加适合运用在少量标注数据的分类场景。

Description

一种医学影像识别训练方法
技术领域
本发明涉及医学影像识别训练技术领域，尤其涉及一种医学影像识别训练方法。
背景技术
在大数据时代的背景下，智能医疗正在走进寻常百姓的生活。智能医疗能够通过物联网和云计算的技术、人工智能的专家系统以及嵌入式系统的智能化设备，打造统一的医疗信息平台，实现患者与医务人员、医疗机构、医疗设备之间的互动，达到医疗服务的信息化，对于医学影像的智能化识别和诊断是其中的一个分支。相关技术中，针对于医学影像的智能化识别，通常通过同一类病症的医学影像数据对单一的医学影像模型进行训练，以使训练好的医学影像模型具备对该类病症进行病变确认、病变区域标注以及病情严重程度分析等功能。但是，由于疾病种类和医学影像的多样性，一次成型的影像识别模型会出现适应性不强、识别效果差的情况。
为此，我们提出一种医学影像识别训练方法。
发明内容
本发明主要是解决上述现有技术所存在的技术问题，提供一种医学影像识别训练方法。
为了实现上述目的，本发明采用了如下技术方案，一种医学影像识别训练方法，包括以下步骤：
S1、数据收集；
S2、数据筛选；
S3、数据处理；
S4、算法搭建：通过循环网络RNN构成的控制器来搭建算法框架，所述算法框架还包括循环网络RNN构成的控制器从搜索域中选择不同大小的卷积核以及池化层来定义子网络，由控制器生成的子模型架构通过Reptile算法在元数据集上进行训练，并返回准确性作为奖励来评估控制器的体系结构选择策略，奖励函数的评估在验证集上进行；
S5、算法计算；
S6、训练学习。
作为优选，所述S1中的数据收集具体为：从特征样本库准备训练数据集，将其分为训练集、验证集和测试集，S2中的数据筛选具体为：对收集的数据范围进行规定，去除无关的数据，再对候选样本进行审核；S3中数据处理具体为：对筛选后的数据进行归一化、旋转、扩增预处理。
作为优选，所述S5的算法计算具体为：建立优化搜索目标，设计损失函数，minθ，A∑τL(D`τ,θ`)＝∑τL(D`τ，T(Dτ，θ))，其中Dτ和D`τ分别代表任务τ上的训练集和测试集，L为损失,T(Dτ，θ)是在Dτ上的训练过程,∑τL(D`τ，T(Dτ，θ))是测试样本在更新后的参数θ`上计算而得的损失值，建立可迁移框架，运用LSTM网络作为控制器来搭建可迁移的框架，所述控制器旨在生成四层子模型体系结构，分别为K1、K2、K3和K4层，创建每一层时需要做出两步决策：(1)控制器从搜索域中选择出当前层所需的操作符，如卷积、池化；(2)要选择哪层进行跳跃连接，搜索域包括：内核大小为3*3、5*5和7*7的卷积，内核大小为3*3、5*5和7*7的深度可分卷积，以及内核大小为3*3的平均池化和最大池化。
作为优选，所述S6中的训练学习具体为：网格训练，在控制器网络输入训练集进行控制网络训练，提高高精度模型的生成概率，同时减少低精度模型的生成概率，在网格训练后对子模型进行训练，，输入训练集进行子模型训练，将每种任务都视为一个独立的学习问题，不断地对任务进行采样，并对其进行训练，然后将初始化移向该任务的更新后权重，完成了子模型的训练过程，，当完成收敛后，选取在元数据集中表现最好的架构准确率重新训练，获得最终准确率，保存网络模型。
作为优选，所述S1中的特征样本库为包含有大量正常人医学影像以及患者的医学影像数据的数据库，S3中的扩增处理的方式包括对图像进行旋转、剪裁、饱和度调节、色调调节和曝光时间调节，对扩增处理后的背景图像进行图像类别标注，并对标注后的背景图像进行归一化处理。
作为优选，所述方法还可为以下步骤：
Ss1、图像获取；
Ss2、样本获取；
Ss3、颜色区分；
Ss4、影像识别；
Ss5、学习诊断。
作为优选，所述Ss1中的图像获取具体为：将待识别的医学影像输入当前的影像识别模型，以根据对所述当前的影像识别模型输出的影像识别数据的验证结果，Ss2中的样本获取具体为：从所述当前的影像识别模型输出的影像识别数据中获取样本数据，所述当前的影像识别模型为预先训练好的第一影像识别模型，所述验证结果是利用预设的置信度阈值和由医生输入的判断结果确定的，所述样本数据是由医学影像专家对验证结果为错误的影像识别数据进行修改后得到的数据。
作为优选，所述Ss3中的颜色区分具体为：将图像模型与样本模型中的色块进行区分对比，通过对比得出的结论进行分析，同色块进行归类，同时获取该色块所产生的病症，随后通过Ss4的影像识别对学习的内容进行识别，Ss4具体为：当所述样本数据的数量达到第一预设数量时，通过所述第一预设数量的所述样本数据对所述第一影像识别模型进行重训练，以获取第二影像识别模型，将所述第一影像识别模型与所述第二影像识别模型的识别性能进行对比，以获取更新后的影像识别模型，所述更新后的影像识别模型为所述第二影像识别模型或者第三影像识别模型，所述第三影像识别模型为对从模型库中选取的初始模型进行训练获取到的识别性能优于所述第一影像识别模型的影像识别模型，将所述更新后的影像识别模型作为所述当前的影像识别模型，循环执行从所述将待识别的医学影像输入当前的影像识别模型，以根据对所述当前的影像识别模型输出的影像识别数据的验证结果，从所述当前的影像识别模型输出的影像识别数据中获取样本数据，到所述通过所述更新后的影像识别模型对当前输入的医学影像进行识别的步骤，在所述将待识别的医学影像输入当前的影像识别模型，以根据对所述当前的影像识别模型输出的影像识别数据的验证结果，从所述当前的影像识别模型输出的影像识别数据中获取样本数据之前，所述方法还包括：通过第二预设数量的训练数据对所述第一影像识别模型进行训练，所述训练数据包括：样本医学影像以及所述样本医学影像对应的诊断信息，所述诊断信息包括：疾病诊断结果，病变区域和病情严重程度中的至少一种。
作为优选，所述Ss5中的学习诊断具体为将第一医学影像作为所述当前的影像识别模型的输入，以获取所述当前的影像识别模型输出的第一影像识别数据，所述第一影像识别数据包括：所述第一医学影像、所述第一医学影像对应的诊断信息，以及所述诊断信息的置信度，所述诊断信息包括：疾病诊断结果、病变区域和病情严重程度中的至少一种；当所述置信度小于所述置信度阈值时，确定所述第一影像识别数据的验证结果为错误；将所述第一影像识别数据输出至第一交互接口，以使得医学影像专家通过所述第一交互接口将所述第一影像识别数据修改为第二影像识别数据；将所述第二影像识别数据作为样本数据，所述样本数据是由医学影像专家对验证结果为错误的影像识别数据进行修改后得到的数据；将所述第二影像识别数据作为最终识别数据输出至第二交互接口，用于医生通过所述第二交互接口获取所述最终识别数据。
有益效果
本发明提供了一种医学影像识别训练方法。具备以下有益效果：
(1)、该一种医学影像识别训练方法，在医学图像处理领域基于强化学习理念设计多种训练策略，建立医学图像自动化识别机制。本发明提出的优化框架打破了以往深度学习方法的单一化，能从结构和参数两个方面联合优化共同提高模型性能。可用于少样本识别任务的子网络由控制器动态生成，可节省人为设计花费的时间和精力。网络架构的生成策略直接由数据集中的任务分布决定，使子网络熟悉复杂而多变的任务环境，更加适合运用在少量标注数据的分类场景。
(2)、该一种医学影像识别训练方法，能够将待识别的医学影像输入当前的影像识别模型，以根据对该当前的影像识别模型输出的影像识别数据的验证结果，从当前的影像识别模型输出的影像识别数据中获取样本数据，该当前的影像识别模型为预先训练好的第一影像识别模型，该验证结果是利用预设的置信度阈值和由医生输入的判断结果确定的，该样本数据是由医学影像专家对验证结果为错误的影像识别数据进行修改后得到的数据；当该样本数据的数量达到第一预设数量时，通过该第一预设数量的该样本数据对该第一影像识别模型进行重训练，以获取第二影像识别模型；将该第一影像识别模型与该第二影像识别模型的识别性能进行对比，以获取更新后的影像识别模型，该更新后的影像识别模型为该第二影像识别模型或者第三影像识别模型，该第三影像识别模型为对从模型库中选取的初始模型进行训练获取到的识别性能优于该第一影像识别模型的影像识别模型；通过该更新后的影像识别模型对当前输入的医学影像进行识别。能够在得到医学影像识别结果的同时，通过该医学影像和该识别结果持续地对影像识别模型进行训练和更新，保证影像识别模型的可成长性、适应性和正确率。
(3)、该一种医学影像识别训练方法，可根据情况不同选择两种不同方式对人工智能进行训练，通过不同的训练方式强化人工智能对不同患者不同情况的区别，从而保证其能够识别更多病因，同时保证影像识别模型的可成长性、适应性和正确率。
(4)、该一种医学影像识别训练方法，使用算法方式进行固定流程式运作，在面对相同病症时，能够具备更高的识别性，并且识别速度更快，能够使患者更快的被治疗，更加适合运用在少量标注数据的分类场景。
(5)、该一种医学影像识别训练方法，使用实际影像对人工智能进行学习，让其能够通过学习不同模型的内容提高对不同病症的识别，保证影像识别模型的可成长性、适应性和正确率。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单的介绍。显而易见的，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其他的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明流程图；
图2为本发明另一方案流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：一种医学影像识别训练方法，如图1所示，包括以下步骤：
S1、数据收集；
S2、数据筛选；
S3、数据处理；
S4、算法搭建：通过循环网络RNN构成的控制器来搭建算法框架，所述算法框架还包括循环网络RNN构成的控制器从搜索域中选择不同大小的卷积核以及池化层来定义子网络，由控制器生成的子模型架构通过Reptile算法在元数据集上进行训练，并返回准确性作为奖励来评估控制器的体系结构选择策略，奖励函数的评估在验证集上进行；
S5、算法计算；
S6、训练学习。
所述S1中的数据收集具体为：从特征样本库准备训练数据集，将其分为训练集、验证集和测试集，S2中的数据筛选具体为：对收集的数据范围进行规定，去除无关的数据，再对候选样本进行审核；S3中数据处理具体为：对筛选后的数据进行归一化、旋转、扩增预处理。
所述S5的算法计算具体为：建立优化搜索目标，设计损失函数，minθ，A∑τL(D`τ,θ`)＝∑τL(D`τ，T(Dτ，θ))，其中Dτ和D`τ分别代表任务τ上的训练集和测试集，L为损失,T(Dτ，θ)是在Dτ上的训练过程,∑τL(D`τ，T(Dτ，θ))是测试样本在更新后的参数θ`上计算而得的损失值，建立可迁移框架，运用LSTM网络作为控制器来搭建可迁移的框架，所述控制器旨在生成四层子模型体系结构，分别为K1、K2、K3和K4层，创建每一层时需要做出两步决策：(1)控制器从搜索域中选择出当前层所需的操作符，如卷积、池化；(2)要选择哪层进行跳跃连接，搜索域包括：内核大小为3*3、5*5和7*7的卷积，内核大小为3*3、5*5和7*7的深度可分卷积，以及内核大小为3*3的平均池化和最大池化。
所述S6中的训练学习具体为：网格训练，在控制器网络输入训练集进行控制网络训练，提高高精度模型的生成概率，同时减少低精度模型的生成概率，在网格训练后对子模型进行训练，，输入训练集进行子模型训练，将每种任务都视为一个独立的学习问题，不断地对任务进行采样，并对其进行训练，然后将初始化移向该任务的更新后权重，完成了子模型的训练过程，，当完成收敛后，选取在元数据集中表现最好的架构准确率重新训练，获得最终准确率，保存网络模型，所述S1中的特征样本库为包含有大量正常人医学影像以及患者的医学影像数据的数据库，S3中的扩增处理的方式包括对图像进行旋转、剪裁、饱和度调节、色调调节和曝光时间调节，对扩增处理后的背景图像进行图像类别标注，并对标注后的背景图像进行归一化处理。
实施例二：一种医学影像识别训练方法，如图2所示，包括以下步骤：
Ss1、图像获取；
Ss2、样本获取；
Ss3、颜色区分；
Ss4、影像识别；
Ss5、学习诊断。
所述Ss1中的图像获取具体为：将待识别的医学影像输入当前的影像识别模型，以根据对所述当前的影像识别模型输出的影像识别数据的验证结果，Ss2中的样本获取具体为：从所述当前的影像识别模型输出的影像识别数据中获取样本数据，所述当前的影像识别模型为预先训练好的第一影像识别模型，所述验证结果是利用预设的置信度阈值和由医生输入的判断结果确定的，所述样本数据是由医学影像专家对验证结果为错误的影像识别数据进行修改后得到的数据。
所述Ss3中的颜色区分具体为：将图像模型与样本模型中的色块进行区分对比，通过对比得出的结论进行分析，同色块进行归类，同时获取该色块所产生的病症，随后通过Ss4的影像识别对学习的内容进行识别，Ss4具体为：当所述样本数据的数量达到第一预设数量时，通过所述第一预设数量的所述样本数据对所述第一影像识别模型进行重训练，以获取第二影像识别模型，将所述第一影像识别模型与所述第二影像识别模型的识别性能进行对比，以获取更新后的影像识别模型，所述更新后的影像识别模型为所述第二影像识别模型或者第三影像识别模型，所述第三影像识别模型为对从模型库中选取的初始模型进行训练获取到的识别性能优于所述第一影像识别模型的影像识别模型，将所述更新后的影像识别模型作为所述当前的影像识别模型，循环执行从所述将待识别的医学影像输入当前的影像识别模型，以根据对所述当前的影像识别模型输出的影像识别数据的验证结果，从所述当前的影像识别模型输出的影像识别数据中获取样本数据，到所述通过所述更新后的影像识别模型对当前输入的医学影像进行识别的步骤，在所述将待识别的医学影像输入当前的影像识别模型，以根据对所述当前的影像识别模型输出的影像识别数据的验证结果，从所述当前的影像识别模型输出的影像识别数据中获取样本数据之前，所述方法还包括：通过第二预设数量的训练数据对所述第一影像识别模型进行训练，所述训练数据包括：样本医学影像以及所述样本医学影像对应的诊断信息，所述诊断信息包括：疾病诊断结果，病变区域和病情严重程度中的至少一种。
所述Ss5中的学习诊断具体为将第一医学影像作为所述当前的影像识别模型的输入，以获取所述当前的影像识别模型输出的第一影像识别数据，所述第一影像识别数据包括：所述第一医学影像、所述第一医学影像对应的诊断信息，以及所述诊断信息的置信度，所述诊断信息包括：疾病诊断结果、病变区域和病情严重程度中的至少一种；当所述置信度小于所述置信度阈值时，确定所述第一影像识别数据的验证结果为错误；将所述第一影像识别数据输出至第一交互接口，以使得医学影像专家通过所述第一交互接口将所述第一影像识别数据修改为第二影像识别数据；将所述第二影像识别数据作为样本数据，所述样本数据是由医学影像专家对验证结果为错误的影像识别数据进行修改后得到的数据；将所述第二影像识别数据作为最终识别数据输出至第二交互接口，用于医生通过所述第二交互接口获取所述最终识别数据
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.一种医学影像识别训练方法，其特征在于：包括以下步骤：
S1、数据收集；
S2、数据筛选；
S3、数据处理；
S4、算法搭建：通过循环网络RNN构成的控制器来搭建算法框架，所述算法框架还包括循环网络RNN构成的控制器从搜索域中选择不同大小的卷积核以及池化层来定义子网络，由控制器生成的子模型架构通过Reptile算法在元数据集上进行训练，并返回准确性作为奖励来评估控制器的体系结构选择策略，奖励函数的评估在验证集上进行；
S5、算法计算；
S6、训练学习。
2.根据权利要求1所述的一种医学影像识别训练方法，其特征在于：所述S1中的数据收集具体为：从特征样本库准备训练数据集，将其分为训练集、验证集和测试集，S2中的数据筛选具体为：对收集的数据范围进行规定，去除无关的数据，再对候选样本进行审核；S3中数据处理具体为：对筛选后的数据进行归一化、旋转、扩增预处理。
3.根据权利要求1所述的一种医学影像识别训练方法，其特征在于：所述S5的算法计算具体为：建立优化搜索目标，设计损失函数，minθ，A∑τL(D`τ,θ`)＝∑τL(D`τ，T(Dτ，θ))，其中Dτ和D`τ分别代表任务τ上的训练集和测试集，L为损失,T(Dτ，θ)是在Dτ上的训练过程,∑τL(D`τ，T(Dτ，θ))是测试样本在更新后的参数θ`上计算而得的损失值，建立可迁移框架，运用LSTM网络作为控制器来搭建可迁移的框架，所述控制器旨在生成四层子模型体系结构，分别为K1、K2、K3和K4层，创建每一层时需要做出两步决策：(1)控制器从搜索域中选择出当前层所需的操作符，如卷积、池化；(2)要选择哪层进行跳跃连接，搜索域包括：内核大小为3*3、5*5和7*7的卷积，内核大小为3*3、5*5和7*7的深度可分卷积，以及内核大小为3*3的平均池化和最大池化。
4.根据权利要求1所述的一种医学影像识别训练方法，其特征在于：所述S6中的训练学习具体为：网格训练，在控制器网络输入训练集进行控制网络训练，提高高精度模型的生成概率，同时减少低精度模型的生成概率，在网格训练后对子模型进行训练，，输入训练集进行子模型训练，将每种任务都视为一个独立的学习问题，不断地对任务进行采样，并对其进行训练，然后将初始化移向该任务的更新后权重，完成了子模型的训练过程，，当完成收敛后，选取在元数据集中表现最好的架构准确率重新训练，获得最终准确率，保存网络模型。
5.根据权利要求1-4所述的一种医学影像识别训练方法，其特征在于：所述S1中的特征样本库为包含有大量正常人医学影像以及患者的医学影像数据的数据库，S3中的扩增处理的方式包括对图像进行旋转、剪裁、饱和度调节、色调调节和曝光时间调节，对扩增处理后的背景图像进行图像类别标注，并对标注后的背景图像进行归一化处理。
6.根据权利要求1所述的一种医学影像识别训练方法，其特征在于：所述方法还可为以下步骤：
Ss1、图像获取；
Ss2、样本获取；
Ss3、颜色区分；
Ss4、影像识别；
Ss5、学习诊断。
7.根据权利要求6所述的一种医学影像识别训练方法，其特征在于：所述Ss1中的图像获取具体为：将待识别的医学影像输入当前的影像识别模型，以根据对所述当前的影像识别模型输出的影像识别数据的验证结果，Ss2中的样本获取具体为：从所述当前的影像识别模型输出的影像识别数据中获取样本数据，所述当前的影像识别模型为预先训练好的第一影像识别模型，所述验证结果是利用预设的置信度阈值和由医生输入的判断结果确定的，所述样本数据是由医学影像专家对验证结果为错误的影像识别数据进行修改后得到的数据。
8.根据权利要求6所述的一种医学影像识别训练方法，其特征在于：所述Ss3中的颜色区分具体为：将图像模型与样本模型中的色块进行区分对比，通过对比得出的结论进行分析，同色块进行归类，同时获取该色块所产生的病症，随后通过Ss4的影像识别对学习的内容进行识别，Ss4具体为：当所述样本数据的数量达到第一预设数量时，通过所述第一预设数量的所述样本数据对所述第一影像识别模型进行重训练，以获取第二影像识别模型，将所述第一影像识别模型与所述第二影像识别模型的识别性能进行对比，以获取更新后的影像识别模型，所述更新后的影像识别模型为所述第二影像识别模型或者第三影像识别模型，所述第三影像识别模型为对从模型库中选取的初始模型进行训练获取到的识别性能优于所述第一影像识别模型的影像识别模型，将所述更新后的影像识别模型作为所述当前的影像识别模型，循环执行从所述将待识别的医学影像输入当前的影像识别模型，以根据对所述当前的影像识别模型输出的影像识别数据的验证结果，从所述当前的影像识别模型输出的影像识别数据中获取样本数据，到所述通过所述更新后的影像识别模型对当前输入的医学影像进行识别的步骤，在所述将待识别的医学影像输入当前的影像识别模型，以根据对所述当前的影像识别模型输出的影像识别数据的验证结果，从所述当前的影像识别模型输出的影像识别数据中获取样本数据之前，所述方法还包括：通过第二预设数量的训练数据对所述第一影像识别模型进行训练，所述训练数据包括：样本医学影像以及所述样本医学影像对应的诊断信息，所述诊断信息包括：疾病诊断结果，病变区域和病情严重程度中的至少一种。
9.根据权利要求6所述的一种医学影像识别训练方法，其特征在于：所述Ss5中的学习诊断具体为将第一医学影像作为所述当前的影像识别模型的输入，以获取所述当前的影像识别模型输出的第一影像识别数据，所述第一影像识别数据包括：所述第一医学影像、所述第一医学影像对应的诊断信息，以及所述诊断信息的置信度，所述诊断信息包括：疾病诊断结果、病变区域和病情严重程度中的至少一种；当所述置信度小于所述置信度阈值时，确定所述第一影像识别数据的验证结果为错误；将所述第一影像识别数据输出至第一交互接口，以使得医学影像专家通过所述第一交互接口将所述第一影像识别数据修改为第二影像识别数据；将所述第二影像识别数据作为样本数据，所述样本数据是由医学影像专家对验证结果为错误的影像识别数据进行修改后得到的数据；将所述第二影像识别数据作为最终识别数据输出至第二交互接口，用于医生通过所述第二交互接口获取所述最终识别数据。
CN202111361626.1A 2021-11-17 2021-11-17 一种医学影像识别训练方法 Withdrawn CN114120035A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111361626.1A CN114120035A (zh) 2021-11-17 2021-11-17 一种医学影像识别训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111361626.1A CN114120035A (zh) 2021-11-17 2021-11-17 一种医学影像识别训练方法

Publications (1)

Publication Number Publication Date
CN114120035A true CN114120035A (zh) 2022-03-01

Family

ID=80396042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111361626.1A Withdrawn CN114120035A (zh) 2021-11-17 2021-11-17 一种医学影像识别训练方法

Country Status (1)

Country Link
CN (1) CN114120035A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116092645A (zh) * 2023-02-02 2023-05-09 中南大学湘雅三医院 一种基于大数据的医疗辅助ai智能化管理系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116092645A (zh) * 2023-02-02 2023-05-09 中南大学湘雅三医院 一种基于大数据的医疗辅助ai智能化管理系统及方法
CN116092645B (zh) * 2023-02-02 2023-08-18 中南大学湘雅三医院 一种基于大数据的医疗辅助ai智能化管理系统及方法

Similar Documents

Publication Publication Date Title
CN111899245B (zh) 图像分割、模型的训练方法及装置，电子设备及存储介质
CN111476292B (zh) 医学图像分类处理人工智能的小样本元学习训练方法
US20220148191A1 (en) Image segmentation method and apparatus and storage medium
CN112132817B (zh) 一种混合注意力机制的眼底图像视网膜血管分割方法
CN109544518B (zh) 一种应用于骨骼成熟度评估的方法及其系统
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断系统
WO2019024380A1 (zh) 一种中医智能诊断方法、系统及中医医疗系统
WO2021115084A1 (zh) 一种基于结构磁共振影像的大脑年龄深度学习预测系统
CN112381178B (zh) 一种基于多损失特征学习的医学影像分类方法
CN112784879A (zh) 一种基于小样本域自适应的医学影像分割或分类方法
CN111967495A (zh) 一种分类识别模型构建方法
US11972571B2 (en) Method for image segmentation, method for training image segmentation model
CN113344864A (zh) 一种基于深度学习的超声甲状腺结节良恶性预测方法
CN110910377B (zh) 一种基于神经网络的脑梗死mri图像识别方法
CN111539480A (zh) 多类别医学图像识别方法及设备
CN113034462B (zh) 基于图卷积的胃癌病理切片图像的处理方法及系统
CN111626969B (zh) 一种基于注意力机制的玉米病害图像处理方法
CN113781461A (zh) 一种病人智能监控排序方法
CN110033448B (zh) 一种aga临床图像的ai辅助雄秃汉密尔顿分级预测分析方法
WO2022105735A1 (zh) 冠状动脉分割方法及其装置、电子设备及计算机可读存储介质
CN114120035A (zh) 一种医学影像识别训练方法
CN117315380B (zh) 一种基于深度学习的肺炎ct图像分类方法及系统
CN110766665A (zh) 基于强监督算法和深度学习网络的舌象数据分析方法
CN111445024B (zh) 一种医学影像识别训练方法
CN113421228A (zh) 一种基于参数迁移的甲状腺结节识别模型训练方法及系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220301