[發明專利]一種基于深度學習的分類器模型的訓練方法

在審

• 申請號: 202011534218.7
• 申請日: 2020-12-22
• 公開（公告）號: CN112541555A
• 公開（公告）日: 2021-03-23
• 發明（設計）人: 譚海寧;沈建雄;戎天華;馮爾維
• 申請（專利權）人: 中國醫學科學院北京協和醫院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京慧尚知識產權代理事務所(特殊普通合伙) 11743
• 代理人: 鄭德龍;鮑曉芳

本發明公開了一種基于深度學習的分類器模型的訓練方法，包括：從第一數據集中的原始醫學圖像中獲取感興趣區域圖像以形成第二數據集；對第二數據集的圖像進行常規增強后得到初步擴充圖像以形成第三數據集；利用生成式對抗網絡模型的生成器生成對應感興趣區域圖像的進一步擴充圖像以形成第四數據集；利用第二數據集的一部分圖像訓練分類器模型；分別利用第二數據集的另一部分圖像、第三數據集、第四數據集驗證模型的分類準確率并得到近似相等的準確率值q1、q2、q3；利用第二、第三及第四數據集重新訓練分類器模型并得出準確率值q4，q4分別大于q1、q2或q3。本發明能夠在保證圖像深層次特征沒改變的情況下擴充訓練集，從而提高模型的分類準確率。

技術領域

本發明涉及人工智能技術領域，更具體地，特別是指一種基于深度學習的分類器模型的訓練方法。

背景技術

在醫學圖像處理領域中，以往通過傳統的統計建模方法來對醫學圖像(例如，CT圖像)進行原始特征的采集提取，但是由于這種方法缺乏對圖像的深層次特征的探索，所以往往模型的精準度較差，很難達到真正的圖像病例分類的標準。

隨著人工智能技術的廣泛應用，利用相關技術取代傳統統計建模方法已成為必然趨勢。近年來，已經有人提出了用深度學習的方法來學習圖片的特征。深度學習可以較好的學習圖片的深層次特征，但是要創建一個精度較高的深度學習模型需要極大的數據量進行模型訓練來防止模型過擬合，達到很好的圖像識別分類的效果。現有醫學圖像太少，那么為了達到理想的模型準確度，在訓練深度學習模型之前需要擴充訓練數據量。然而，現有技術無法在不改變圖像深層次特征的情況下，擴充訓練圖像數據集，為模型的精確識別提供足夠的數據基礎。

針對上述現有技術的缺陷，本領域亟待需要一種能夠在不改變圖像深層次特征的情況下擴充訓練集圖像，使深度學習模型得到充分訓練以達到理想的分類識別準確度的方案。

發明內容

有鑒于此，本發明實施例的目的在于提出一種基于深度學習的分類器模型的訓練方法，能夠解決上述現有技術無法在不改變圖像深層次特征的情況下擴充訓練圖像數據集，導致深度學習模型得不到充分訓練，達不到理想的分類識別準確度等問題。

基于上述目的，本發明實施例的一方面提供了一種基于深度學習的分類器模型的訓練方法，包括以下步驟：

步驟1、根據預設分類標準對原始醫學圖像進行人工分類并添加分類標簽，帶有所述分類標簽的所述原始醫學圖像組成第一數據集；

步驟2、從所述第一數據集中的所述原始醫學圖像中獲取感興趣區域圖像，所述感興趣區域圖像組成第二數據集；

步驟3、對所述第二數據集中的所述感興趣區域圖像執行翻轉、旋轉、縮放操作以得到初步擴充圖像，所述初步擴充圖像組成第三數據集；

步驟4、利用預先創建的基于深度神經網絡的生成式對抗網絡模型的生成器生成對應于所述感興趣區域圖像的進一步擴充圖像，所述進一步擴充圖像組成第四數據集；

步驟5、利用所述第二數據集中的一部分感興趣區域圖像訓練目標分類器模型；

步驟6、利用所述第二數據集中的另一部分感興趣區域圖像驗證所述目標分類器模型的準確率并得到分類準確率值q1，利用所述第三數據集驗證所述目標分類器模型的準確率并得到分類準確率值q2，利用所述第四數據集驗證所述目標分類器模型的準確率并得到分類準確率值q3，q2與q1之差的絕對值和q3與q1之差的絕對值均小于預設閾值；以及

步驟7、將所述第二數據集、所述第三數據集以及所述第四數據集輸入到所述目標分類器模型重新進行訓練并得出分類準確率值q4，q4分別大于q1、q2或q3，

其中，所述第二數據集、所述第三數據集以及所述第四數據集的數據量相等。