[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

本申請實施例涉及一種模型訓練方法、裝置、電子設備和存儲介質，該方法按照病灶組織面積的大小，將訓練集合進行劃分得到多個集合，根據多個集合，分別訓練得到多個深度卷積網絡模型；用相同的測試集合測試多個深度卷積網絡模型得到多個結果，在多個結果的差值的閾值大于預設閾值的情況下，才將多個深度卷積網絡模型進行并聯融合，得到靈敏度可調節的目標模型，方便用戶根據具體使用場景和個人偏好調節目標模型的靈敏度，解決了目前因為模型單一，難以滿足醫生使用需求的問題。

技術領域

本申請實施例涉及領域，具體涉及一種模型訓練方法、裝置、電子設備和存儲介質。

背景技術

目前，在醫學成像中，疾病的準確診斷和評估取決于醫學圖像的采集和圖像解釋。近年來，圖像采集已經得到了顯著改善，設備以更快的速率和更高的分辨率采集數據。然而，圖像解釋過程，最近才開始受益于計算機技術。而對醫學圖像的解釋大多數都是由醫生進行的，然而醫學圖像解釋受到醫生主觀性、醫生巨大差異認知和疲勞的限制。

計算機醫學圖像處理技術作為新興的一種醫生診斷的輔助手段，但是單一的深度卷積神經網絡往往由于醫生的主觀性、認知差異、疲勞和應用場景的不同，很難達到醫生的使用需求。

發明內容

為了解決現有技術存在的至少一個問題，本申請的至少一個實施例提供了一種模型訓練方法、裝置、電子設備和存儲介質。

第一方面，本申請實施例提供了一種模型訓練方法，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。

應理解，該方法按照病灶組織面積的大小，將訓練集合進行劃分得到多個集合，根據多個集合，分別訓練得到多個深度卷積網絡模型；通過用相同的測試集合測試多個深度卷積網絡模型得到多個結果，在多個結果的差值的閾值大于預設閾值的情況下，才將多個深度卷積網絡模型進行并聯融合，得到靈敏度可調節的目標模型，方便用戶根據具體使用場景和個人偏好調節目標模型的靈敏度，解決了目前因為模型單一，難以滿足醫生使用需求的問題。

在一些實施例中，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。

應理解，本申請實施例中通過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，將N張醫學影像劃分為M個集合。

在一些實施例中，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；