[發明專利]用于醫療圖像中的關注點檢測的神經網絡的訓練方法

在審

• 申請號: 202011526939.3
• 申請日: 2020-12-22
• 公開（公告）號: CN112508122A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 石智慧
• 申請（專利權）人: 廣州市增城區嘉泊網絡科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本申請公開了一種用于醫療圖像中的關注點檢測的神經網絡的訓練方法。所述方法，包括：獲取訓練用醫療圖像集；將所述醫療圖像集輸入卷積神經網絡以獲得分類特征圖；將所述分類特征圖輸入空間注意力網絡以獲得注意力特征圖；將所述分類特征圖進行空間平均值池化并通過全連接層獲得分類特征向量；將所述注意力特征圖進行空間平均值池化并通過全連接層獲得注意力特征向量；分別計算所述分類特征向量和所述注意力特征向量屬于多個類別中的每個類別的概率值；分別基于所述分類特征向量和所述注意力特征向量的概率值計算局部損失函數值和注意力損失函數值；基于所述局部損失函數值和所述注意力損失函數值更新所述卷積神經網絡和所述空間注意力網絡。

技術領域

本申請涉及人工智能技術領域，且更為具體地，涉及一種用于醫療圖像中的關注點檢測的神經網絡的訓練方法、醫療圖像中的關注點的檢測方法、系統和電子設備。

背景技術

“智慧醫療”是充分利用現代信息技術成果，集成應用計算機與網絡技術、物聯網技術、音視頻技術、3S技術、無限通信技術及專家智慧與知識，實現醫療可視化遠程診斷、遠程控制、病變預警等智能管理的作業模式。

在傳統的醫療過程中，通常依據拍攝的CT圖像來判斷被測部位是否病變以及病變類型，在基于圖像處理的醫療圖像的檢測過程當中，一個很大的困難是需要檢測的圖像中的對象類型很多，且這些對象常常密集排列。比如，當對病人的肺部進行檢測時，可能在整個肺葉的圖像中存在很多需要關注的異常點，且這些異常點可能對應于不同的疾病類型。因此，對于醫療圖像中的關注點檢測對于快速準確判斷病情是十分重要的。

目前，深度學習以及神經網絡已經廣泛應用于計算機視覺、自然語言處理、語音信號處理等領域。此外，深度學習以及神經網絡在機器視覺、圖像分類、物體檢測、語義分割、文本翻譯等領域，也展現出了接近甚至超越人類的水平。

深度學習以及神經網絡的發展(尤其是機器視覺技術的發展)，為醫療圖像中的關注點檢測提供的解決思路和方案。

發明內容

為了解決上述技術問題，提出了本申請。本申請的實施例提供了一種用于醫療圖像中的關注點檢測的神經網絡的訓練方法、醫療圖像中的關注點的檢測方法、系統和電子設備，其采用能夠關注圖像細節的神經網絡架構，也就是，在本申請的神經網絡架構中，引入了注意力神經網絡，從而能夠關注圖像的細節部分，提取出能夠反映圖像中的細節的關注點的視覺表示的特征。并且，通過注意力損失函數值來訓練所述卷積神經網絡和所述空間注意力網絡，以使得訓練后的網絡能夠提取到圖像中需要關注的細節部分。而且，由于圖像內可能存在密集的關注點，因此在通過卷積神經網絡獲得分類特征圖后，使用用于促進密集對象檢測的局部損失函數值來對所述卷積神經網絡和所述空間注意力網絡進行訓練，從而使得訓練后的網絡能夠適于從圖像中的相對密集的對象有效地提取出想要的特征。

根據本申請的一個方面，提供了一種用于醫療圖像中的關注點檢測的神經網絡的訓練方法，包括：

獲取訓練用醫療圖像集，所述訓練用醫療圖像集中的每張圖像具有多個關注點；

將所述醫療圖像集輸入卷積神經網絡以獲得分類特征圖；

將所述分類特征圖輸入空間注意力網絡以獲得注意力特征圖；

將所述分類特征圖進行空間平均值池化并通過全連接層獲得分類特征向量；

將所述注意力特征圖進行空間平均值池化并通過全連接層獲得注意力特征向量；

分別計算所述分類特征向量和所述注意力特征向量屬于多個類別中的每個類別的概率值，所述類別表示用于檢測的關注點的類型；

分別基于所述分類特征向量和所述注意力特征向量的概率值計算局部損失函數值和注意力損失函數值；以及

基于所述局部損失函數值和所述注意力損失函數值更新所述卷積神經網絡和所述空間注意力網絡。