[發明專利]一種模型訓練方法、裝置、電子設備和存儲介質

在審

• 申請號: 202010743132.9
• 申請日: 2020-07-29
• 公開（公告）號: CN112288686A
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 柯曉文;權申文;劉遠明;范紫薇
• 申請（專利權）人: 深圳市智影醫療科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/136;G06T7/62;G06N3/04;G06N3/08
• 代理公司: 深圳中一聯合知識產權代理有限公司 44414
• 代理人: 劉永康

1.一種模型訓練方法，其特征在于，所述方法包括：

獲取醫學影像訓練集合和醫學影像測試集合，所述醫學影像訓練集合包括N張醫學影像，所述醫學影像測試集合包括至少一張醫學影像，且所述醫學影像訓練集合和所述醫學影像測試集合包括不同的醫學影像，N大于零；

根據所述N張醫學影像中每一張醫學影像的病灶組織面積，將所述N張醫學影像劃分為M個集合，M大于或等于2；

根據所述M個集合，分別訓練得到對應的M個深度卷積網絡模型；

通過所述M個深度卷積網絡模型，分別測試所述醫學影像測試集合的醫學影像，得到M個測試結果；

當所述M個測試結果的任意兩個測試結果的差值大于或等于預設閾值時，將所述M個深度卷積網絡模型并聯融合，得到目標模型，所述目標模型用于確定醫學影像病灶組織的性質。

2.根據權利要求1所述的方法，其特征在于，所述根據所述N張醫學影像中每一張醫學影像的病灶組織面積，將所述N張醫學影像劃分為M個集合，包括：

根據所述N張醫學影像中每一張醫學影像的病灶組織面積與所述醫學影像的面積比值，確定第一閾值集合，所述第一閾值集合包括至少一個閾值；

根據所述第一閾值集合，將所述N張醫學影像劃分為M個集合。

3.根據權利要求1所述的方法，其特征在于，當所述M個測試結果的任意兩個測試結果的差值小于所述預設閾值時，包括：

根據所述N張醫學影像中每一張醫學影像的病灶組織面積與所述醫學影像的面積比值，確定第二閾值集合，所述第二閾值集合包括至少一個閾值；

根據所述第二閾值集合，將所述N張醫學影像劃分為L個集合根據所述L個集合，分別訓練得到對應的L個深度卷積網絡模型；L大于或等于2；

通過所述L個深度卷積網絡模型，分別測試所述醫學影像測試集合的所述醫學影像測試集合的醫學影像，得到L個測試結果；

直到所述L個測試結果的任意兩個測試結果的差值大于或等于所述預設閾值時，將所述L個深度卷積網絡模型并聯融合，得到目標模型。

4.根據權利要求1至3中任意一項所述的方法，其特征在于，所述方法還包括：

將待預測的醫學影像輸入至所述目標模型之前，對所述待預測的醫學影像進行前處理得到K個對比度不同的圖像。

5.根據權利要求4所述的方法，所述方法還包括：

將所述K個對比度不同的圖像依次輸入所述目標模型后，得到K個結果；

當所述K個結果的平均值大于第二預設閾值時，所述待預測的醫學影像病灶組織的性質為陽性；

當所述K個結果的平均值小于所述第二預設閾值時，所述待預測的醫學影像病灶組織的性質為陰性。

6.一種模型訓練裝置，其特征在于，包括：

獲取模塊：用于獲取醫學影像訓練集合和醫學影像測試集合，所述醫學影像訓練集合包括N張醫學影像，所述醫學影像測試集合包括至少一張醫學影像，且所述醫學影像訓練集合和所述醫學影像測試集合包括不同的醫學影像，N大于零；

劃分模塊：用于根據所述N張醫學影像中每一張醫學影像的病灶組織面積，將所述N張醫學影像劃分為M個集合，M大于或等于2；

訓練模塊：用于根據所述M個集合，分別訓練得到對應的M個深度卷積網絡模型；

測試模塊：用于通過所述M個深度卷積網絡模型，分別測試所述醫學影像測試集合的醫學影像，得到M個測試結果；

并聯融合模塊：用于當所述M個測試結果的任意兩個測試結果的差值大于或等于預設閾值時，將所述M個深度卷積網絡模型并聯融合，得到目標模型，所述目標模型用于確定醫學影像病灶組織的性質。

7.根據權利要求6所述的裝置，其特征在于，所述劃分模塊還用于：

根據所述N張醫學影像中每一張醫學影像的病灶組織面積與所述醫學影像的面積比值，確定第一閾值集合，所述第一閾值集合包括至少一個閾值；

根據所述第一閾值集合，將所述N張醫學影像劃分為M個集合。