[發(fā)明專利]神經(jīng)網(wǎng)絡(luò)模型的訓練方法、裝置和電子設(shè)備

有效

• 申請?zhí)枺?/td>: 201910555746.1
• 申請日: 2019-06-25
• 公開（公告）號: CN110245721B
• 公開（公告）日: 2023-09-05
• 發(fā)明（設(shè)計）人: 沈榮波;顏克洲;田寬;江鋮;周可
• 申請（專利權(quán)）人: 深圳市騰訊計算機系統(tǒng)有限公司;華中科技大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/74;G06V10/77;G06V10/82;G06N3/0895
• 代理公司: 北京市柳沈律師事務(wù)所 11105
• 代理人: 張曉明

1.一種用于醫(yī)學圖像處理的神經(jīng)網(wǎng)絡(luò)模型的訓練方法，包括：

執(zhí)行初始訓練步驟，以利用第一醫(yī)學圖像訓練樣本集執(zhí)行初始訓練，獲得初始神經(jīng)網(wǎng)絡(luò)模型，所述第一醫(yī)學圖像訓練樣本集中的醫(yī)學圖像訓練樣本為已標注的醫(yī)學圖像訓練樣本；

執(zhí)行預測步驟，以利用所述初始神經(jīng)網(wǎng)絡(luò)模型對第二醫(yī)學圖像訓練樣本集執(zhí)行預測，獲得所述第二醫(yī)學圖像訓練樣本集中每個醫(yī)學圖像訓練樣本的預測結(jié)果，所述第二醫(yī)學圖像訓練樣本集中的醫(yī)學圖像訓練樣本為未標注的醫(yī)學圖像訓練樣本，其中，所述每個醫(yī)學圖像訓練樣本的預測結(jié)果用于指示所述醫(yī)學圖像訓練樣本所含的信息量和所述醫(yī)學圖像訓練樣本的復雜度，其中，所述醫(yī)學圖像訓練樣本所含的信息量是通過對所述醫(yī)學圖像訓練樣本的不確定性和多樣性進行加權(quán)計算得到的，其中，醫(yī)學圖像訓練樣本的不確定性指在該醫(yī)學圖像訓練樣本中檢測到病灶的置信度，醫(yī)學圖像訓練樣本的多樣性指該醫(yī)學圖像訓練樣本在所有醫(yī)學圖像訓練樣本中的特異性和代表性的指標，所述第二醫(yī)學圖像訓練樣本集中每個醫(yī)學圖像訓練樣本具有相應(yīng)的弱監(jiān)督信息，并且所述每個醫(yī)學圖像訓練樣本的復雜度與所述每個醫(yī)學圖像訓練樣本相應(yīng)的弱監(jiān)督信息的確信度負相關(guān)，其中，每個醫(yī)學圖像訓練樣本的弱監(jiān)督信息基于與該醫(yī)學圖像訓練樣本對應(yīng)的診斷報告得到；

執(zhí)行優(yōu)選醫(yī)學圖像訓練樣本確定步驟，以基于所述預測結(jié)果，從所述第二醫(yī)學圖像訓練樣本集確定多個優(yōu)選醫(yī)學圖像訓練樣本，其中，所述多個優(yōu)選醫(yī)學圖像訓練樣本為具有高信息量和低復雜度的醫(yī)學圖像訓練樣本；

執(zhí)行醫(yī)學圖像訓練樣本擴展步驟，以接收對于所述多個優(yōu)選醫(yī)學圖像訓練樣本的標注結(jié)果，將標注后的所述多個優(yōu)選醫(yī)學圖像訓練樣本加入所述第一醫(yī)學圖像訓練樣本集，獲得擴展的第一醫(yī)學圖像訓練樣本集；

執(zhí)行更新訓練步驟，以利用所述擴展的第一醫(yī)學圖像訓練樣本集執(zhí)行更新訓練，以獲得更新的神經(jīng)網(wǎng)絡(luò)模型；

判斷是否滿足訓練結(jié)束條件，在滿足訓練結(jié)束條件的情況下，結(jié)束所述訓練方法；以及

在不滿足所述訓練結(jié)束條件的情況下，重復執(zhí)行所述預測步驟、所述優(yōu)選醫(yī)學圖像訓練樣本確定步驟、所述醫(yī)學圖像訓練樣本擴展步驟以及所述更新訓練步驟。

2.如權(quán)利要求1所述的神經(jīng)網(wǎng)絡(luò)模型的訓練方法，其中，具有高信息量的醫(yī)學圖像訓練樣本包括以下至少一部分：不匹配的醫(yī)學圖像訓練樣本、無召回的醫(yī)學圖像訓練樣本、低召回的醫(yī)學圖像訓練樣本和假陽性過多的醫(yī)學圖像訓練樣本，其中，所述不匹配的醫(yī)學圖像訓練樣本和所述無召回的醫(yī)學圖像訓練樣本具有高不確定性。

3.如權(quán)利要求1所述的神經(jīng)網(wǎng)絡(luò)模型的訓練方法，其中，所述每個醫(yī)學圖像訓練樣本的預測結(jié)果為該醫(yī)學圖像訓練樣本所對應(yīng)的熱圖，所述預測步驟還包括：使用閾值對所述熱圖進行二值化處理，以得到腫塊病灶的顯著區(qū)域的位置和輪廓。

4.如權(quán)利要求1所述的神經(jīng)網(wǎng)絡(luò)模型的訓練方法，其中，所述優(yōu)選醫(yī)學圖像訓練樣本確定步驟包括：

確定所述第二醫(yī)學圖像訓練樣本集中每個醫(yī)學圖像訓練樣本的信息量，并且選擇第一預定數(shù)目的高信息量醫(yī)學圖像訓練樣本；以及

基于所述第一預定數(shù)目的高信息量醫(yī)學圖像訓練樣本中每個醫(yī)學圖像訓練樣本的復雜度，以從低復雜度到高復雜度的順序，從所述第一預定數(shù)目的高信息量醫(yī)學圖像訓練樣本確定第二預定數(shù)目的高信息量醫(yī)學圖像訓練樣本，作為所述多個優(yōu)選醫(yī)學圖像訓練樣本。

5.如權(quán)利要求4所述的神經(jīng)網(wǎng)絡(luò)模型的訓練方法，其中，

每個醫(yī)學圖像訓練樣本的所述不確定性基于每個醫(yī)學圖像訓練樣本相應(yīng)的弱監(jiān)督信息和預測結(jié)果確定；

每個醫(yī)學圖像訓練樣本的所述多樣性基于每個醫(yī)學圖像訓練樣本與所述第二醫(yī)學圖像訓練樣本集中的其他醫(yī)學圖像訓練樣本的相似性確定。

6.如權(quán)利要求1所述的神經(jīng)網(wǎng)絡(luò)模型的訓練方法，其中，所述訓練結(jié)束條件包括：

所述優(yōu)選醫(yī)學圖像訓練樣本確定步驟不再生成優(yōu)選醫(yī)學圖像訓練樣本；或者

所述更新的神經(jīng)網(wǎng)絡(luò)模型滿足預定收斂條件。