[發明專利]醫療影像分類方法、裝置、介質及電子設備

有效

• 申請號: 202010064781.6
• 申請日: 2020-01-20
• 公開（公告）號: CN111274425B
• 公開（公告）日: 2023-08-22
• 發明（設計）人: 王俊;高鵬;謝國彤
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06V10/778;G06N3/0464;G06N3/092
• 代理公司: 深圳市聯鼎知識產權代理有限公司 44232
• 代理人: 孫強

1.一種醫療影像分類方法，其特征在于，所述方法包括：

樣本選取步驟：利用預先建立的主動學習框架從未標注醫療影像樣本集中選取至少一個目標醫療影像樣本，其中，所述主動學習框架的查詢策略由預定強化學習模型提供；

將選取的所述目標醫療影像樣本發送給標注專家，以便在由標注專家進行標注后，接收從標注專家返回的經過標注的所述目標醫療影像樣本，并將經過標注的所述目標醫療影像樣本輸入至醫學影像分類模型，以對所述醫學影像分類模型進行訓練；

若對所述醫學影像分類模型的訓練不滿足預定條件，則獲取對所述醫學影像分類模型的訓練結果并基于所述訓練結果對所述預定強化學習模型進行訓練，利用訓練后的所述預定強化學習模型更新所述主動學習框架的查詢策略，并轉至樣本選取步驟，直至對所述醫學影像分類模型的訓練滿足預定條件，得到訓練后的所述醫學影像分類模型，其中，所述預定條件為停止對所述醫學影像分類模型的訓練的條件；

當獲取到待分類的醫療影像數據，將所述待分類的醫療影像數據輸入至所述訓練后的所述醫學影像分類模型，以得到由所述訓練后的所述醫學影像分類模型返回的分類結果；

其中，所述獲取對所述醫學影像分類模型的訓練結果，包括：將醫療影像驗證集中的醫療影像數據輸入至所述醫學影像分類模型，得到所述醫學影像分類模型輸出的分類結果，所述醫療影像驗證集是事先建立的，所述醫療影像驗證集包括多個經過準確標注的醫療影像數據；將所述分類結果與對應的各醫療影像數據的標注進行比對，得到與每一醫療影像數據對應的比對結果，所述比對結果為一致和不一致中的任意一項；確定所述醫療影像驗證集中的醫療影像數據的數目，作為第一數目；確定所述比對結果為一致的醫療影像數據的數目，作為第二數目；獲取所述第一數目與所述第二數目的比值作為所述醫學影像分類模型的分類精度，并將所述分類精度作為對所述醫學影像分類模型的訓練結果。

2.根據權利要求1所述的方法，其特征在于，所述預定強化學習模型為Actor-Critic框架，所述Actor-Critic框架包括智能體和環境，所述智能體包括Actor神經網絡、Critic神經網絡，所述環境當前處于第一狀態，每次通過如下方式訓練所述預定強化學習模型：

獲取第一狀態的特征向量，作為第一特征向量；

將所述特征向量輸入至所述Actor神經網絡，獲取所述智能體本次要執行的動作；

對智能體施加所述本次要執行的動作，以得到所述環境轉換為的第二狀態和所述環境反饋的回報；

獲取所述第二狀態的特征向量，作為第二特征向量，并將所述第二特征向量和所述第一特征向量分別輸入至所述Critic神經網絡，得到所述Critic神經網絡輸出的與所述第一特征向量對應的第一價值和與所述第二特征向量對應的第二價值；

基于所述回報和所述第二價值利用如下公式獲取對所述智能體當前時刻起能夠獲得的總回報的估計，作為總回報估計：

其中，為所述總回報估計，r_t+1為所述回報，γ為衰減因子，

V_φ(s_t+1)為所述第二價值，s_t+1為所述第二狀態，φ為所述Critic神經網絡的參數；

根據所述總回報估計和所述第一價值，利用如下表達式梯度更新所述Critic神經網絡的參數：

其中，為所述總回報估計，V_φ(s_t)為所述第一價值；

根據所述總回報估計和所述第一價值，利用如下公式更新所述Actor神經網絡的參數：

其中，s_t為所述第一狀態，a_t為所述本次要執行的動作，θ為所述Actor神經網絡的參數，π_θ(a_t|s_t)為所述智能體根據所述第一狀態選擇出所述本次要執行的動作所使用的策略，α為系數。