[發(fā)明專利]一種基于深度學(xué)習(xí)的分類器模型的訓(xùn)練方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011534218.7
• 申請(qǐng)日: 2020-12-22
• 公開(kāi)（公告）號(hào): CN112541555A
• 公開(kāi)（公告）日: 2021-03-23
• 發(fā)明（設(shè)計(jì)）人: 譚海寧;沈建雄;戎天華;馮爾維
• 申請(qǐng)（專利權(quán)）人: 中國(guó)醫(yī)學(xué)科學(xué)院北京協(xié)和醫(yī)院
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京慧尚知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 11743
• 代理人: 鄭德龍;鮑曉芳

1.一種基于深度學(xué)習(xí)的分類器模型的訓(xùn)練方法，其特征在于，包括以下步驟：

步驟1、根據(jù)預(yù)設(shè)分類標(biāo)準(zhǔn)對(duì)原始醫(yī)學(xué)圖像進(jìn)行人工分類并添加分類標(biāo)簽，帶有所述分類標(biāo)簽的所述原始醫(yī)學(xué)圖像組成第一數(shù)據(jù)集；

步驟2、從所述第一數(shù)據(jù)集中的所述原始醫(yī)學(xué)圖像中獲取感興趣區(qū)域圖像，所述感興趣區(qū)域圖像組成第二數(shù)據(jù)集；

步驟3、對(duì)所述第二數(shù)據(jù)集中的所述感興趣區(qū)域圖像執(zhí)行翻轉(zhuǎn)、旋轉(zhuǎn)、縮放操作以得到初步擴(kuò)充圖像，所述初步擴(kuò)充圖像組成第三數(shù)據(jù)集；

步驟4、利用預(yù)先創(chuàng)建的基于深度神經(jīng)網(wǎng)絡(luò)的生成式對(duì)抗網(wǎng)絡(luò)模型的生成器生成對(duì)應(yīng)于所述感興趣區(qū)域圖像的進(jìn)一步擴(kuò)充圖像，所述進(jìn)一步擴(kuò)充圖像組成第四數(shù)據(jù)集；

步驟5、利用所述第二數(shù)據(jù)集中的一部分感興趣區(qū)域圖像訓(xùn)練目標(biāo)分類器模型；

步驟6、利用所述第二數(shù)據(jù)集中的另一部分感興趣區(qū)域圖像驗(yàn)證所述目標(biāo)分類器模型的準(zhǔn)確率并得到分類準(zhǔn)確率值q1，利用所述第三數(shù)據(jù)集驗(yàn)證所述目標(biāo)分類器模型的準(zhǔn)確率并得到分類準(zhǔn)確率值q2，利用所述第四數(shù)據(jù)集驗(yàn)證所述目標(biāo)分類器模型的準(zhǔn)確率并得到分類準(zhǔn)確率值q3，q2與q1之差的絕對(duì)值和q3與q1之差的絕對(duì)值均小于預(yù)設(shè)閾值；以及

步驟7、將所述第二數(shù)據(jù)集、所述第三數(shù)據(jù)集以及所述第四數(shù)據(jù)集輸入到所述目標(biāo)分類器模型重新進(jìn)行訓(xùn)練并得出分類準(zhǔn)確率值q4，q4分別大于q1、q2或q3，

其中，所述第二數(shù)據(jù)集、所述第三數(shù)據(jù)集以及所述第四數(shù)據(jù)集的數(shù)據(jù)量相等。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的分類器模型的訓(xùn)練方法，其特征在于，所述生成式對(duì)抗網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程為：基于所述第二數(shù)據(jù)集和預(yù)設(shè)隨機(jī)分布噪聲對(duì)所述生成式對(duì)抗網(wǎng)絡(luò)模型的生成器和判別器進(jìn)行交替訓(xùn)練。

3.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的分類器模型的訓(xùn)練方法，其特征在于，基于所述第二數(shù)據(jù)集和預(yù)設(shè)隨機(jī)分布噪聲對(duì)所述生成式對(duì)抗網(wǎng)絡(luò)模型的生成器和判別器進(jìn)行交替訓(xùn)練，包括：

生成步驟：固定所述判別器的參數(shù)，將所述預(yù)設(shè)隨機(jī)分布噪聲輸入到所述生成器中以輸出生成圖像；

判別步驟：固定所述生成器的參數(shù)，將所述生成圖像和所述第二數(shù)據(jù)集輸入到所述判別器中以輸出真假概率值；

優(yōu)化步驟：將所述真假概率值傳遞到所述生成器，使用優(yōu)化器優(yōu)化所述判別器和所述生成器；

重復(fù)所述生成步驟、所述判別步驟以及所述優(yōu)化步驟，直到獲得滿足預(yù)設(shè)條件的損失函數(shù)值，得到訓(xùn)練好的生成器和判別器。

4.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的分類器模型的訓(xùn)練方法，其特征在于，所述步驟4進(jìn)一步包括：將所述預(yù)設(shè)隨機(jī)分布噪聲輸入到所述訓(xùn)練好的生成器中生成所述進(jìn)一步擴(kuò)充圖像。

5.根據(jù)權(quán)利要求4所述的基于深度學(xué)習(xí)的分類器模型的訓(xùn)練方法，其特征在于，所述預(yù)設(shè)隨機(jī)分布噪聲為100維隨機(jī)高斯噪聲。

6.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的分類器模型的訓(xùn)練方法，其特征在于，所述第二數(shù)據(jù)集、所述第三數(shù)據(jù)集以及所述第四數(shù)據(jù)集中的圖像均包含所述分類標(biāo)簽。

7.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的分類器模型的訓(xùn)練方法，其特征在于，所述步驟2進(jìn)一步包括：

計(jì)算出所述第一數(shù)據(jù)集中的所述原始醫(yī)學(xué)圖像中的感興趣區(qū)域；和

將所述感興趣區(qū)域從所述原始醫(yī)學(xué)圖像中裁剪出來(lái)作為所述感興趣區(qū)域圖像。

8.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的分類器模型的訓(xùn)練方法，其特征在于，q1＝q2＝q3。