[發明專利]基于半監督學習的腦部腫瘤識別模型的訓練方法及裝置在審
| 申請號： | 202010794964.3 | 申請日： | 2020-08-10 |
| 公開（公告）號： | CN112102237A | 公開（公告）日： | 2020-12-18 |
| 發明（設計）人： | 徐楓;葉葳蕤;郭雨晨;楊東;雍俊海;戴瓊海 | 申請（專利權）人： | 清華大學 |
| 主分類號： | G06T7/00 | 分類號： | G06T7/00 |
| 代理公司： | 北京清亦華知識產權代理事務所(普通合伙) 11201 | 代理人： | 白雪靜 |
| 地址： | 10008*** | 國省代碼： | 北京;11 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 監督 學習 腦部 腫瘤 識別 模型 訓練 方法 裝置 | ||
1.一種基于半監督學習的腦部腫瘤識別模型的訓練方法，其特征在于，所述腦部腫瘤識別模型包括檢測網絡和分類網絡，所述方法包括：
獲取第一訓練樣本集和第二訓練樣本集，所述第一訓練樣本集中包括多個粗標數據和/或無標數據，所述第二訓練樣本集中包括多個精標數據，所述數據為腦部醫學圖像；
利用所述第一訓練樣本集，分別對所述檢測網絡和所述分類網絡進行無監督學習，生成預訓練檢測網絡和預訓練分類網絡；
利用所述第二訓練樣本集，對所述預訓練檢測網絡和所述預訓練分類網絡進行訓練，生成經過訓練后的檢測網絡和經過訓練后的分類網絡；
輸出經過訓練后的腦部腫瘤識別模型，所述經過訓練后的腦部腫瘤識別模型包括所述經過訓練后的檢測網絡和所述經過訓練后的分類網絡。
2.根據權利要求1所述的方法，其特征在于，所述利用所述第一訓練樣本集，分別對所述檢測網絡和所述分類網絡進行無監督學習，生成預訓練檢測網絡和預訓練分類網絡，包括：
基于均勻分布對所述第一訓練樣本集進行隨機采樣，將所述第一訓練樣本集劃分為多個樣本子集，每個所述樣本子集中包含預設個數的所述腦部醫學圖像；
從所述多個樣本子集中選擇一個所述樣本子集分別輸入至所述檢測網絡和所述分類網絡中，以使所述檢測網絡和所述分類網絡分別對所述腦部醫學圖像進行特征提取，并基于對比損失函數對提取的特征進行無監督學習，生成所述預訓練檢測網絡和所述預訓練分類網絡。
3.根據權利要求1所述的方法，其特征在于，所述利用所述第二訓練樣本集，對所述預訓練檢測網絡和所述預訓練分類網絡進行訓練，生成經過訓練后的檢測網絡和經過訓練后的分類網絡，包括：
利用所述第二訓練樣本集，對所述預訓練檢測網絡進行訓練，生成經過訓練后的檢測網絡；
將所述多個精標數據輸入至所述經過訓練后的檢測網絡中，以獲取所述經過訓練后的檢測網絡對所述多個精標數據中腫瘤區域的預測結果；
根據所述預測結果，從所述多個精標數據中提取出多個局部腫瘤圖像；
對所述多個局部腫瘤圖像進行大小調整，生成多個目標局部腫瘤圖像；
將每個所述目標局部腫瘤圖像和對應的所述腦部醫學圖像分別輸入至所述預訓練分類網絡進行特征提取，獲取所述目標局部腫瘤圖像的局部特征向量和所述腦部醫學圖像的全局特征向量；
將所述局部特征向量和所述全局特征向量進行拼接，生成融合特征向量；
將所述融合特征向量輸入至所述預訓練分類網絡中進行訓練，并基于交叉熵損失函數和反向傳播算法更新所述預訓練分類網絡的參數，以使所述交叉熵損失函數最小化；
當更新參數后的所述預訓練分類網絡收斂時，確定所述預訓練分類網絡訓練完成，生成所述經過訓練后的分類網絡。
4.一種基于腦部腫瘤識別模型的腦部腫瘤識別方法，其特征在于，所述腦部腫瘤識別模型通過如權利要求1-3任一所述的基于半監督學習的腦部腫瘤識別模型的訓練方法訓練得到，所述腦部腫瘤識別模型包括檢測網絡和分類網絡，所述方法包括：
獲取待識別的腦部醫學圖像；
將所述腦部醫學圖像輸入至所述腦部腫瘤識別模型的所述檢測網絡中，以獲取所述腦部醫學圖像中的腫瘤潛在區域；
將所述腫瘤潛在區域和所述腦部醫學圖像輸入至所述腦部腫瘤識別模型的所述分類網絡中，以獲取所述腦部醫學圖像中包含腫瘤的預測概率；
當所述預測概率大于預設閾值時，確定所述腦部醫學圖像中包含腫瘤。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于清華大學，未經清華大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010794964.3/1.html，轉載請聲明來源鉆瓜專利網。
