CN115512186A - 模型训练方法、装置、电子设备及存储介质 - Google Patents

模型训练方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115512186A
CN115512186A CN202211351176.2A CN202211351176A CN115512186A CN 115512186 A CN115512186 A CN 115512186A CN 202211351176 A CN202211351176 A CN 202211351176A CN 115512186 A CN115512186 A CN 115512186A
Authority
CN
China
Prior art keywords
model
data
initial
image
image data
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.)
Pending
Application number
CN202211351176.2A
Other languages
English (en)
Inventor
罗永贵
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.)
Lianren Healthcare Big Data Technology Co Ltd
Original Assignee
Lianren Healthcare Big Data 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 Lianren Healthcare Big Data Technology Co Ltd filed Critical Lianren Healthcare Big Data Technology Co Ltd
Priority to CN202211351176.2A priority Critical patent/CN115512186A/zh
Publication of CN115512186A publication Critical patent/CN115512186A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种模型训练方法、装置、电子设备及存储介质。获取单个数据源的初始影像数据，基于所述初始影像数据确定目标影像数据，确定所述目标影像数据的第一影像特征数据；对至少两个数据源对应的所述第一影像特征数据进行联合分析，分别确定每个所述数据源对应的第二影像特征数据；针对每个所述数据源对应的初始分类模型，基于所述数据源对应的第二影像特征数据对所述初始分类模型进行训练，得到第一模型参数；基于至少两个所述初始分类模型的第一模型参数确定与每个所述初始分类模型对应的第二模型参数；基于所述第二模型参数更新所述初始分类模型，以得到目标分类模型。提高了目标分类模型的精准性。

Description

模型训练方法、装置、电子设备及存储介质
技术领域
本发明涉及影像组学技术领域，尤其涉及一种模型训练方法、装置、电子设备及存储介质。
背景技术
目前，基于影像组学分析成像数据的方法，已经在放射学实践中得到广泛应用，其中，影像组学可以提取成像数据中的定量特征，以支持临床决策。
但由于单个机构的影像数据有限，往往会使基于单个机构的影像数据训练获取的模型精准性较差，造成影像组学的分析结果不理想的情况。
发明内容
本发明提供了一种模型训练方法、装置、电子设备及存储介质，以解决模型精准性较差的问题。
根据本发明的一方面，提供了一种模型训练方法，其中，该方法包括：
获取单个数据源的初始影像数据，基于所述初始影像数据确定目标影像数据，确定所述目标影像数据的第一影像特征数据；
对至少两个数据源对应的所述第一影像特征数据进行联合分析，分别确定每个所述数据源对应的第二影像特征数据；
针对每个所述数据源对应的初始分类模型，基于所述数据源对应的第二影像特征数据对所述初始分类模型进行训练，得到第一模型参数；
基于至少两个所述初始分类模型的第一模型参数确定与每个所述初始分类模型对应的第二模型参数；
基于所述第二模型参数更新所述初始分类模型，以得到目标分类模型。
根据本发明的另一方面，提供了一种模型训练装置，其中，该装置包括：
影像处理模块，用于获取单个数据源的初始影像数据，基于所述初始影像数据确定目标影像数据，确定所述目标影像数据的第一影像特征数据；
联合分析模块，用于对至少两个数据源对应的所述第一影像特征数据进行联合分析，分别确定每个所述数据源对应的第二影像特征数据；
参数获取模块，用于针对每个所述数据源对应的初始分类模型，基于所述数据源对应的第二影像特征数据对所述初始分类模型进行训练，得到第一模型参数；
参数处理模块，用于基于至少两个所述初始分类模型的第一模型参数确定与每个所述初始分类模型对应的第二模型参数；
参数更新模块，用于基于所述第二模型参数更新所述初始分类模型，以得到目标分类模型。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的模型训练方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的模型训练方法。
本发明实施例的技术方案，通过获取单个数据源的初始影像数据，基于初始影像数据确定目标影像数据，确定目标影像数据的第一影像特征数据，基于目标影像数据和第一影像特征数据的确定，获取了数据精准的训练集；对至少两个数据源对应的第一影像特征数据进行联合分析，分别确定每个数据源对应的第二影像特征数据，能够联合分析不同数据源的影像数据；针对每个数据源对应的初始分类模型，基于数据源对应的第二影像特征数据对初始分类模型进行训练，得到第一模型参数；基于至少两个初始分类模型的第一模型参数确定与每个初始分类模型对应的第二模型参数；基于第二模型参数更新初始分类模型，以得到目标分类模型，在无需共享初始影响数据的情况下，得到多个数据源影像数据对模型的训练结果，从而得到分类结果更为精准鲁棒性更强的目标分类模型。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种模型训练方法的流程图；
图2是根据本发明实施例二提供的一种模型训练方法的流程图；
图3是根据本发明实施例三提供的一种模型训练方法的流程图；
图4是根据本发明实施例四提供的一种模型训练装置的结构示意图；
图5是实现本发明实施例的模型训练方法的电子设备的结构示意图；
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种模型训练方法的流程图，本实施例可适用于影像组学分析放射影像的情况，该方法可以由模型训练装置来执行，该模型训练装置可以采用硬件和/或软件的形式实现，该模型训练装置可配置于计算机中。如图1所示，该方法包括：
S110、获取单个数据源的初始影像数据，基于所述初始影像数据确定目标影像数据，确定所述目标影像数据的第一影像特征数据。
其中，所述数据源可以理解为所述原始影像数据的来源。可选的，所述数据源可以是提供所述原始影像数据的机构。示例性的，所述数据源可以是医疗机构。
其中，所述原始影像数据可以理解为基于所述数据源获取的原始的影像数据。可选的，所述原始影像数据可以是基于医疗机构获取的原始的医疗影像数据。在本发明实施例中，所述原始影像数据可以根据场景需求获取，在此不做具体限定。示例性的，所述原始影像数据可以是肿瘤X光、超声波、计算机断层扫描(Computed Tomography，CT)以及核磁共振成像(Magnetic Resonance Imaging，MRI)等。
所述初始影像数据可以为采集的原始影像数据，或者，对所述原始影像数据进行预处理后得到的影像数据。
可选的，在所述获取单个数据源的初始影像数据之前，还包括：获取单个数据源的原始影像数据，对所述原始影像数据进行预处理，得到所述初始影像数据；其中，所述预处理可以包括配准和/或影像参数归一化。
可以理解的是，所述原始影像数据可以是通过不同成像手段获得的影像数据。因此，不同的原始影像数据可能存在坐标、角度和/或比例等类型不同的情况。在本发明实施例中，可以对所述原始影像数据进行几何纠正、投影变换以及统一比例尺等配准处理，以获取坐标、角度和/或比例等类型统一的初始影像数据。
进一步的，通过不同成像手段获得的影像数据，影像参数可以不同，在本发明实施例中，可以针对原始影像数据的影像参数进行归一化处理，以获取影像参数统一的所述初始影像数据。其中，所述影像参数可以包括像素、体素大小、灰度级数量以及灰度值范围等。
其中，所述目标影像数据可以理解为基于所述初始影像数据，进行感兴趣区域(region of interest,ROI)分割所确定的影像数据。可选的，所述目标影像数据可以是所述初始影像数据，或者所述初始影像数据中的部分影像数据。
其中，所述第一影像特征数据可以理解为对所述目标影像数据进行特征提取所获取的特征数据。可选的，所述第一影像特征数据可以是基于预设影像参数对所述目标影像数据进行特征提取所获取的数字化的特征数据。
示例性的，所述第一影像特征数据可以包括一阶统计特征、形状大小特征、纹理特征以及小波特征等特征数据。其中，所述一阶统计特征可以理解为表征所述目标影像数据的像素灰度分布情况的特征数据。所述形状大小特征可以理解为表征所述目标影像数据中目标物体轮廓特征的特征数据。其中，所述目标物体可以是肿瘤或结节等。所述纹理特征可以理解为表征所述目标影像数据的纹理特征的特征数据。所述小波特征可以理解为表征所述目标影像数据的波形特征的特征数据
具体的，获取单个数据源的原始影像数据，对所述原始影像数据的像素、体素大小、灰度级数量以及灰度值范围等影像参数，进行配准和/或影像参数归一化等预处理，得到所述初始影像数据；进一步的，对所述初始影像数据进行感兴趣区域分割，确定目标影像数据；再进一步的，对所述目标影像数据进行特征提取，确定所述目标影像数据的一阶统计特征、形状大小特征、纹理特征以及小波特征等第一影像特征数据。
S120、对至少两个数据源对应的所述第一影像特征数据进行联合分析，分别确定每个所述数据源对应的第二影像特征数据。
其中，所述第二影像特征数据可以理解为对至少两个数据源对应的所述第一影像特征数据进行联合分析，所分别确定每个所述数据源对应的影像特征数据。
可选的，所述对至少两个数据源对应的所述第一影像特征数据进行联合分析，包括下述操作中的至少一项：
对至少两个数据源对应的所述第一影像特征数据进行联合归一化处理；
对至少两个数据源对应的所述第一影像特征数据进行标准化处理；
对至少两个数据源对应的所述第一影像特征数据进行分箱处理。
具体的，将至少两个数据源对应的所述第一影像特征数据的范围，联合映射到[0,1]区间；进一步的，将每个所述数据源得到的特征数据，作为第二影像特征数据。在本发明实施例中，对至少两个数据源对应的所述第一影像特征数据进行联合归一化处理，可以简化所述第一影像特征数据。
示例性地，通过第一影像特征数据减去第一影像特征数据的联合平均值，再除以第一影像特征数据的联合标准差的计算方式，对至少两个数据源对应的所述第一影像特征数据进行计算；进一步的，将每个所述数据源得到的特征数据，作为第二影像特征数据。
可选地，基于至少两个数据源对应的所述第一影像特征数据的精度对所述第一影像特征数据进行标准化处理。示例性的，联合标准化至少两个数据源对应的所述第一影像特征数据的小数点位数。在本发明实施例中，对至少两个数据源对应的所述第一影像特征数据进行标准化处理，可以实现消除所述第一影像特征数据中极大值和极小值对影像特征数据的影响的效果。
可选地，对至少两个数据源对应的所述第一影像特征数据进行分箱处理，包括：联合至少两个数据源对应的所述第一影像特征数据，确定分组区间，对每个数据源的第一影像特征数据基于分组区间进行分组；进一步的，将每个所述数据源得到的特征数据，作为第二影像特征数据。
在本发明实施例中，通过对至少两个数据源对应的所述第一影像特征数据进行联合分析，分别确定每个所述数据源对应的第二影像特征数据，可以便于每个所述数据源对应的第二影像特征数据的联合处理和比较。
S130、针对每个所述数据源对应的初始分类模型，基于所述数据源对应的第二影像特征数据对所述初始分类模型进行训练，得到第一模型参数。
其中，所述初始分类模型可以理解为可以基于所述第二影像特征数据进行训练，得到所述目标分类模型的模型。具体的，在本发明实施例中，可以在每个所述数据源的节点分别部署网络结构相同的初始分类模型，并基于所述数据源对应的第二影像特征数据对所述初始分类模型进行训练以得到每个数据源的目标分类模型。
所述第一模型参数可以理解为基于单个所述数据源对应的第二影像特征数据对所述初始分类模型进行训练，所确定的模型参数。可选的，所述第一模型参数可以是所述初始分类模型的初始配置参数或训练过程中初始分类的自调整参数。
S140、基于至少两个所述初始分类模型的第一模型参数确定与每个所述初始分类模型对应的第二模型参数。
其中，所述第二模型参数可以理解为基于至少两个所述初始分类模型的第一模型参数确定的与每个所述初始分类模型对应的模型参数。在本发明实施例中，第二模型参数可以为联合两个或两个以上的初始分类模型的第一模型参数确定的模型参数。例如可以是，多个第一模型参数的平均值或加权平均值，还可以是从多个第一模型参数中选择的第一模型参数等。
S150、基于所述第二模型参数更新所述初始分类模型，以得到目标分类模型。
具体的，将所述第二模型参数更新为所述初始分类模型的模型参数；进一步的，基于第二模型参数对所述初始分类模型进行训练，在模型收敛时，以得到目标分类模型。
可选的，所述基于所述第二模型参数更新所述初始分类模型，以得到目标分类模型，包括针对每个所述初始分类模型，基于当前次迭代的所述第二模型参数对所述初始分类模型的模型参数进行更新；针对更新后的所述初始分类模型，返回执行基于所述数据源对应的第二影像特征数据对所述初始分类模型进行训练，得到第一模型参数的操作，以得到目标分类模型。
具体的，将所述第二模型参数更新为所述初始分类模型的模型参数；进一步的，针对更新后的所述初始分类模型，返回执行基于所述数据源对应的第二影像特征数据对所述初始分类模型进行训练，得到第一模型参数的操作，进行反复迭代，在所述初始分类模型的模型参数不再朝同一方向变化，即模型收敛时，得到目标分类模型。
或者，在所述初始分类模型的梯度参数不再朝同一方向变化，即模型收敛时，得到目标分类模型。
可选的，所述在基于所述第二模型参数更新所述初始分类模型，以得到目标分类模型之后，还包括：通过所述目标分类模型，确定待分类影像数据的分类结果。
其中，所述待分类影像数据可以理解为待分类的影像数据。待分类影像数据的数据来源或数据类型可以有多种，本发明实施例并不对待分类影像数据的数据类型进行限定。示例性地，所述待分类影像数据可以是肿瘤X光影像数据、超声影像数据、计算机断层扫描(Computed Tomography，CT)影像数据以及核磁共振成像数据(Magnetic ResonanceImaging，MRI)等。
所述分类结果可以理解为将待分类影像数据输入所述目标分类模型，所确定的结果。在本发明实施例中，基于所述目标分类模型输出的所述分类结果的类型可以根据场景需求预设，在此不做具体限定。可选的。所述分类结果可以是0或1。
进一步的，示例性的，在所述待分类影像数据为肿瘤X光的情况下，分类结果为0，可以表征肿瘤良性的情况；分类结果为1，可以表征肿瘤恶性的情况。
本发明实施例的技术方案，通过获取单个数据源的初始影像数据，基于所述初始影像数据确定目标影像数据，确定所述目标影像数据的第一影像特征数据，基于目标影像数据和第一影像特征数据的确定，获取了数据精准的训练集；对至少两个数据源对应的所述第一影像特征数据进行联合分析，分别确定每个所述数据源对应的第二影像特征数据，对数据进行联合分析，便于模型训练过程中，不同数据源数据的联合处理和比较；针对每个所述数据源对应的初始分类模型，基于所述数据源对应的第二影像特征数据对所述初始分类模型进行训练，得到第一模型参数；基于至少两个所述初始分类模型的第一模型参数确定与每个所述初始分类模型对应的第二模型参数；基于所述第二模型参数更新所述初始分类模型，以得到目标分类模型，更新模型参数，得到了分类结果精准的目标分类模型。
实施例二
图2为本发明实施例二提供的一种模型训练方法的流程图，本实施例是针对上述实施例所述基于所述第二模型参数更新所述初始分类模型，以得到目标分类模型进行细化。如图2所示，该方法包括：
S210、获取单个数据源的初始影像数据，基于所述初始影像数据确定目标影像数据，确定所述目标影像数据的第一影像特征数据。
S220、对至少两个数据源对应的所述第一影像特征数据进行联合分析，分别确定每个所述数据源对应的第二影像特征数据。
S230、针对每个所述数据源对应的初始分类模型，基于所述数据源对应的第二影像特征数据对所述初始分类模型进行训练，得到第一模型参数。
S240、通过中心服务器对上传的至少两个所述初始分类模型的第一模型参数进行融合，得到模型融合参数，将所述模型融合参数作为每个分类模型对应的第二模型参数。
其中，所述中心服务器可以理解为可以对上传的至少两个第一模型参数进行融合，得到模型融合参数的服务器。其中，所述模型融合参数可以理解为对至少两个第一模型参数进行融合，所得到的融合参数。
具体的，针对每个所述数据源对应的初始分类模型，基于所述数据源对应的第二影像特征数据对所述初始分类模型进行训练，得到第一模型参数；进一步的，通过中心服务器对上传的至少两个所述初始分类模型的第一模型参数进行融合，得到模型融合参数，将所述模型融合参数作为每个分类模型对应的第二模型参数。
在本发明实施例中，可以基于所述初始述分类模型的第一模型参数确定与每个所述初始分类模型对应的第二模型参数；或者，基于所述初始述分类模型的第一梯度参数确定与每个所述初始分类模型对应的第二模型参数。
可选的，具体的，针对每个所述数据源对应的初始分类模型，基于所述数据源对应的第二影像特征数据对所述初始分类模型进行训练，得到第一梯度参数；其中，所述第一梯度参数可以理解为基于所述数据源对应的第二影像特征数据对所述初始分类模型进行训练，得到的所述初始分类模型的模型参数变化的差值。
进一步的，通过中心服务器对上传的至少两个所述初始分类模型的第一梯度参数进行融合，得到梯度融合参数，基于所述梯度融合参数确定每个分类模型对应的第二模型参数。
S250、基于所述第二模型参数更新所述初始分类模型，以得到目标分类模型。
本发明实施例的技术方案，通过中心服务器对上传的至少两个所述初始分类模型的第一模型参数进行融合，得到模型融合参数，将所述模型融合参数作为每个分类模型对应的第二模型参数。联合各个数据源，对所述初始分类模型进行参数更新，解决了数据数量有限和数据孤岛的问题，基于大量数据对模型进行训练，提高了所获取的目标分类模型的精准性。
实施例三
图3为本发明实施例三提供的一种模型训练方法的流程图，本实施例是针对上述实施例所述基于所述初始影像数据确定目标影像数据进行细化。如图3所示，该方法包括：
S310、获取单个数据源的初始影像数据。
S320、将所述初始影像数据输入目标分割模型，确定所述目标影像数据；其中，所述目标分割模型基于样本影像数据以及与所述样本影像数据对应的感兴趣分割区域对预先建立的神经网络模型训练得到。
其中，所述神经网络模型可以理解为一种机器学习算法。在本发明实施例中，具体的，基于样本影像数据以及与所述样本影像数据对应的感兴趣分割区域对预先建立的神经网络模型进行训练，以得到可以自动分割所述初始影像数据的感兴趣分割区域，确定所述目标影像数据的目标分割模型。
所述样本影像数据可以理解为用于训练所述神经网络模型的影像数据。可选的，所述样本影像数据可以是基于所述数据源获取的所述原始影像数据。
所述感兴趣分割区域可以理解为所述样本影像数据中待处理的区域。可选的，所述感兴趣分割区域可以是所述样本影像数据的全部区域，或者所述样本影像数据中的部分区域。示例性的，在所述样本影像数据为肿瘤X光的情况下，所述样本影像数据对应的感兴趣分割区域可以是肿瘤X光中，肿瘤的所在区域。可以理解的是，所述样本影像数据对应的感兴趣分割区域，可以在训练神经网络模型之前，通过相关领域人员确定。
所述目标影像数据可以理解为将所述初始影像数据输入目标分割模型，进行感兴趣分割区域分割，所得到的影像数据。
进一步的，可选的，可以通过相关领域人员确定所述目标影像数据是否准确，以保证所述目标影像数据在实际应用场景中的准确性。
S330、确定所述目标影像数据的第一影像特征数据。
S340、对至少两个数据源对应的所述第一影像特征数据进行联合分析，分别确定每个所述数据源对应的第二影像特征数据。
S350、针对每个所述数据源对应的初始分类模型，基于所述数据源对应的第二影像特征数据对所述初始分类模型进行训练，得到第一模型参数。
S360、基于至少两个所述初始分类模型的第一模型参数确定与每个所述初始分类模型对应的第二模型参数。
S370、基于所述第二模型参数更新所述初始分类模型，以得到目标分类模型。
在本发明能够实施例中，基于样本影像数据以及与所述样本影像数据对应的感兴趣分割区域对预先建立的神经网络模型训练得到目标分割模型。基于所述目标分割模型实现所述初始影像数据的感兴趣分割区域的自动分割，可以提高训练所述目标分类模型的训练数据的准确性，和所述目标分类模型的训练效率。
可选的，基于上述实施例，模型训练方法的整体流程，可以是：得到所述初始影像数据；训练得到目标分割模型，确定目标影像数据；联合分析第一影像特征数据，确定第二影像特征数据；以及进行联邦学习，得到目标分类模型。
首先对单个数据源的原始影像数据进行预处理，得到所述初始影像数据；然后基于样本影像数据以及与所述样本影像数据对应的感兴趣分割区域对预先建立的神经网络模型训练得到目标分割模型，确定所述初始影像数据对应的目标影像数据；进一步的，对至少两个数据源对应的所述第一影像特征数据进行联合分析，分别确定每个所述数据源对应的第二影像特征数据；最后，基于每个所述数据源对应的第二影像特征数据，进行联邦学习，得到目标分类模型。
具体的，模型训练方法的整体流程，可以是：
1、得到所述初始影像数据。
1>对单个数据源的原始影像数据进行配准和/或影像参数归一化，得到初始影像数据。
2、训练得到目标分割模型，确定目标影像数据。
1>通过相关邻域人员对预处理后的原始影像数据，进行ROI区域分割，作为训练集；
2>基于训练集对深度神经网路进行训练，得到目标分割模型，基于目标分割模型对后续初始影像数据进行自动分割，确定对应的目标影像数据，可以再由相关邻域人员进行审核。
3、联合分析第一影像特征数据，确定第二影像特征数据。
1>对每个数据源的影像组学特征进行提取，得到一阶统计特征、形状大小特征、纹理特征以及小波特征等第一影像特征数据；
2>在至少两个数据源的计算节点接入每个数据源提取的第一影像特征数据；
3>对至少两个数据源的第一影像特征数据进行联合归一化、标准化以及分箱等联合分析，确定每个数据源的第二影像特征数据。
4、进行联邦学习，得到目标分类模型。
1>在每个数据源分别部署网络结构相同的分类模型，进行训练；
2>在每次迭代过程中把各个节点的梯度参数或模型参数上传到中心服务器进行融合，确定梯度融合参数或模型融合参数；
3>把梯度融合参数或模型融合参数下发到每个数据源的各个节点进行模型参数更新，进行反复迭代，在模型收敛的情况下，得到目标分类模型；
4>通过目标分类模型，对待分类影像数据进行分类。
本发明实施例的技术方案，通过基于样本影像数据以及与所述样本影像数据对应的感兴趣分割区域对预先建立的神经网络模型训练得到所述目标分割模型，解决了感兴趣分割区域标注质量参差不齐的问题，获取了精准的感兴趣分割区域，并提高了感兴趣分割区域的分割效率。
通过至少两个数据源的联邦学习，解决了影像数据有限，影响分类结果的问题，获取了精准性较高的目标分类模型，可以精确获取影像数据的分类结果，提高影像组学的分析结果。
实施例四
图4为本发明实施例四提供的一种模型训练装置的结构示意图。如图3所示，该装置包括：影像处理模块410、联合分析模块420、参数获取模块430、参数处理模块440以及参数更新模块450。
其中，影像处理模块410，用于获取单个数据源的初始影像数据，基于所述初始影像数据确定目标影像数据，确定所述目标影像数据的第一影像特征数据；联合分析模块420，用于对至少两个数据源对应的所述第一影像特征数据进行联合分析，分别确定每个所述数据源对应的第二影像特征数据；参数获取模块430，用于针对每个所述数据源对应的初始分类模型，基于所述数据源对应的第二影像特征数据对所述初始分类模型进行训练，得到第一模型参数；参数处理模块440，用于基于至少两个所述初始分类模型的第一模型参数确定与每个所述初始分类模型对应的第二模型参数；参数更新模块450，用于基于所述第二模型参数更新所述初始分类模型，以得到目标分类模型。
本发明实施例的技术方案，通过获取单个数据源的初始影像数据，基于所述初始影像数据确定目标影像数据，确定所述目标影像数据的第一影像特征数据，基于目标影像数据和第一影像特征数据的确定，获取了数据精准的训练集；对至少两个数据源对应的所述第一影像特征数据进行联合分析，分别确定每个所述数据源对应的第二影像特征数据，对数据进行联合分析，便于模型训练过程中，不同数据源数据的联合处理和比较；针对每个所述数据源对应的初始分类模型，基于所述数据源对应的第二影像特征数据对所述初始分类模型进行训练，得到第一模型参数；基于至少两个所述初始分类模型的第一模型参数确定与每个所述初始分类模型对应的第二模型参数；基于所述第二模型参数更新所述初始分类模型，以得到目标分类模型，更新模型参数，得到了分类结果精准的目标分类模型。
可选的，参数处理模块440，用于：
通过中心服务器对上传的至少两个所述初始分类模型的第一模型参数进行融合，得到模型融合参数，将所述模型融合参数作为每个分类模型对应的第二模型参数。
可选的，参数更新模块450，用于：
针对每个所述初始分类模型，基于当前次迭代的所述第二模型参数对所述初始分类模型的模型参数进行更新；
针对更新后的所述初始分类模型，返回执行基于所述数据源对应的第二影像特征数据对所述初始分类模型进行训练，得到第一模型参数的操作，以得到目标分类模型。
可选的，影像处理模块410，用于：
将所述初始影像数据输入目标分割模型，确定所述目标影像数据；其中，所述目标分割模型基于样本影像数据以及与所述样本影像数据对应的感兴趣分割区域对预先建立的神经网络模型训练得到。
可选的，联合分析模块，用于下述操作中的至少一项：
对至少两个数据源对应的所述第一影像特征数据进行联合归一化处理；
对至少两个数据源对应的所述第一影像特征数据进行标准化处理；
对至少两个数据源对应的所述第一影像特征数据进行分箱处理。
可选的，所述模型训练方法，还包括：影像预处理模块。
其中，所述影像预处理模块，用于在所述获取单个数据源的初始影像数据之前，获取单个数据源的原始影像数据，对所述原始影像数据进行预处理，得到所述初始影像数据；其中，所述预处理可以包括配准和/或影像参数归一化。
可选的，所述模型训练方法，还包括：分类结果确定模块。
其中，所述分类结果确定模块，用于在基于所述第二模型参数更新所述初始分类模型，以得到目标分类模型之后，通过所述目标分类模型，确定待分类影像数据的分类结果。
本发明实施例所提供的模型训练装置可执行本发明任意实施例所提供的模型训练方法，具备执行方法相应的功能模块和有益效果。
实施例五
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如模型训练方法。
在一些实施例中，模型训练方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的模型训练方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型训练方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。
计算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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种模型训练方法，其特征在于，包括：
获取单个数据源的初始影像数据，基于所述初始影像数据确定目标影像数据，确定所述目标影像数据的第一影像特征数据；
对至少两个数据源对应的所述第一影像特征数据进行联合分析，分别确定每个所述数据源对应的第二影像特征数据；
针对每个所述数据源对应的初始分类模型，基于所述数据源对应的第二影像特征数据对所述初始分类模型进行训练，得到第一模型参数；
基于至少两个所述初始分类模型的第一模型参数确定与每个所述初始分类模型对应的第二模型参数；
基于所述第二模型参数更新所述初始分类模型，以得到目标分类模型。
2.根据权利要求1所述的方法，其特征在于，所述基于至少两个所初始述分类模型的第一模型参数确定与每个所述初始分类模型对应的第二模型参数，包括：
通过中心服务器对上传的至少两个所述初始分类模型的第一模型参数进行融合，得到模型融合参数，将所述模型融合参数作为每个分类模型对应的第二模型参数。
3.根据权利要求1所述的方法，其特征在于，所述基于所述第二模型参数更新所述初始分类模型，以得到目标分类模型，包括：
针对每个所述初始分类模型，基于当前次迭代的所述第二模型参数对所述初始分类模型的模型参数进行更新；
针对更新后的所述初始分类模型，返回执行基于所述数据源对应的第二影像特征数据对所述初始分类模型进行训练，得到第一模型参数的操作，以得到目标分类模型。
4.根据权利要求1所述的方法，其特征在于，所述基于所述初始影像数据确定目标影像数据，包括：
将所述初始影像数据输入目标分割模型，确定所述目标影像数据；其中，所述目标分割模型基于样本影像数据以及与所述样本影像数据对应的感兴趣分割区域对预先建立的神经网络模型训练得到。
5.根据权利要求1所述的方法，其特征在于，所述对至少两个数据源对应的所述第一影像特征数据进行联合分析，包括下述操作中的至少一项：
对至少两个数据源对应的所述第一影像特征数据进行联合归一化处理；
对至少两个数据源对应的所述第一影像特征数据进行标准化处理；
对至少两个数据源对应的所述第一影像特征数据进行分箱处理。
6.根据权利要求1所述的方法，其特征在于，在所述获取单个数据源的初始影像数据之前，还包括：
获取单个数据源的原始影像数据，对所述原始影像数据进行预处理，得到所述初始影像数据；其中，所述预处理可以包括配准和/或影像参数归一化。
7.根据权利要求1所述的方法，其特征在于，所述在基于所述第二模型参数更新所述初始分类模型，以得到目标分类模型之后，还包括：
通过所述目标分类模型，确定待分类影像数据的分类结果。
8.一种模型训练装置，其特征在于，包括：
影像处理模块，用于获取单个数据源的初始影像数据，基于所述初始影像数据确定目标影像数据，确定所述目标影像数据的第一影像特征数据；
联合分析模块，用于对至少两个数据源对应的所述第一影像特征数据进行联合分析，分别确定每个所述数据源对应的第二影像特征数据；
参数获取模块，用于针对每个所述数据源对应的初始分类模型，基于所述数据源对应的第二影像特征数据对所述初始分类模型进行训练，得到第一模型参数；
参数处理模块，用于基于至少两个所述初始分类模型的第一模型参数确定与每个所述初始分类模型对应的第二模型参数；
参数更新模块，用于基于所述第二模型参数更新所述初始分类模型，以得到目标分类模型。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的模型训练方法。
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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的模型训练方法。
CN202211351176.2A 2022-10-31 2022-10-31 模型训练方法、装置、电子设备及存储介质 Pending CN115512186A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211351176.2A CN115512186A (zh) 2022-10-31 2022-10-31 模型训练方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211351176.2A CN115512186A (zh) 2022-10-31 2022-10-31 模型训练方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115512186A true CN115512186A (zh) 2022-12-23

Family

ID=84511615

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211351176.2A Pending CN115512186A (zh) 2022-10-31 2022-10-31 模型训练方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115512186A (zh)

Similar Documents

Publication Publication Date Title
WO2018108129A1 (zh) 用于识别物体类别的方法及装置、电子设备
CN108133476B (zh) 一种肺结节自动检测方法及系统
CN114937025A (zh) 图像分割方法、模型训练方法、装置、设备及介质
CN115409990A (zh) 一种医学图像分割方法、装置、设备及存储介质
CN117373070B (zh) 血管分段标注的方法及装置、电子设备和存储介质
CN115294401B (zh) 一种基于ct图像的分类方法、装置、设备及存储介质
CN114972220B (zh) 一种图像处理方法、装置、电子设备及可读存储介质
CN115147359B (zh) 肺叶分割网络模型训练方法、装置、电子设备及存储介质
CN115861189A (zh) 图像配准方法、装置、电子设备及存储介质
CN115512186A (zh) 模型训练方法、装置、电子设备及存储介质
CN115482261A (zh) 血管配准方法、装置、电子设备及存储介质
CN114596585A (zh) 一种人体成像多任务识别方法、装置、设备及存储介质
CN114820488A (zh) 一种样本成分分析方法、装置、设备及存储介质
CN116452915A (zh) 图像处理方法、装置、电子设备及存储介质
CN114419068A (zh) 一种医学图像的分割方法、装置、设备及存储介质
CN116245853A (zh) 血流储备分数确定方法、装置、电子设备及存储介质
CN117422687A (zh) 一种图像处理方法、装置、电子设备及存储介质
CN117746189A (zh) 一种动脉瘤识别模型训练方法、装置、设备及介质
CN117994297A (zh) 图像配准方法、装置、电子设备及存储介质
CN116630682A (zh) 肿瘤分类系统与存储介质
CN117974604A (zh) 一种基于多模态数据的乳腺癌疗效预测方法、装置及电子设备
CN114463386A (zh) 一种视觉跟踪方法、装置、设备及存储介质
CN117522845A (zh) 一种肺功能检测方法、装置、电子设备和存储介质
CN117422688A (zh) 一种血管异常检测方法、装置、电子设备及存储介质
Cao et al. Nature Inspired Phenotype Analysis with 3D Model Representation Optimization

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