[發明專利]用于圖像分類的模型處理方法、裝置及存儲介質

在審

• 申請號: 202110252035.4
• 申請日: 2021-03-08
• 公開（公告）號: CN113724185A
• 公開（公告）日: 2021-11-30
• 發明（設計）人: 熊俊峰;伍健榮;朱艷春;錢天翼;時允凱;孫文博;徐海波
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06K9/46;G06K9/62;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 祝亞男

1.一種用于圖像分類的模型處理方法，其特征在于，所述方法包括：

獲取樣本數據集，所述樣本數據集中包含樣本醫學圖像，以及所述樣本醫學圖像對應的分類標簽；

獲取所述樣本醫學圖像的真實影像組學特征；

通過圖像處理模型對所述樣本醫學圖像進行處理，獲得所述樣本醫學圖像的預測分類結果，以及所述樣本醫學圖像的預測影像組學特征；所述圖像處理模型中用于提取所述預測分類結果對應的機器學習特征的部分，與用于提取所述預測影像組學特征對應的機器學習特征的部分是相同的；

基于所述預測分類結果、所述分類標簽、所述預測影像組學特征、以及所述真實影像組學特征，對所述圖像處理模型進行參數更新，以對所述圖像處理模型進行訓練；

基于訓練完成后的所述圖像處理模型，生成圖像分類模型；所述圖像分類模型用于對目標醫學圖像進行處理，并輸出所述目標醫學圖像的分類結果。

2.根據權利要求1所述的方法，其特征在于，所述通過圖像處理模型對所述樣本醫學圖像進行處理，獲得所述樣本醫學圖像的預測分類結果，以及所述樣本醫學圖像的預測影像組學特征，包括：

通過所述圖像處理模型中的特征提取部分對所述樣本醫學圖像進行處理，獲得所述樣本醫學圖像的機器學習特征；

通過所述圖像處理模型中的分類部分對所述樣本醫學圖像的機器學習特征進行處理，獲得所述預測分類結果；

通過所述圖像處理模型中的影像組學預測部分對所述樣本醫學圖像的機器學習特征進行處理，獲得所述預測影像組學特征。

3.根據權利要求2任一所述的方法，其特征在于，所述基于所述預測分類結果、所述分類標簽、所述預測影像組學特征、以及所述真實影像組學特征，對所述圖像處理模型進行參數更新，以對所述圖像處理模型進行訓練，包括：

基于所述預測分類結果，以及所述分類標簽，計算第一損失函數；

基于所述預測影像組學特征，以及所述真實影像組學特征，計算第二損失函數；

基于所述第一損失函數以及所述第二損失函數，對所述圖像處理模型進行參數更新，以對所述圖像處理模型進行訓練。

4.根據權利要求3所述的方法，其特征在于，所述基于所述第一損失函數以及所述第二損失函數，對所述圖像處理模型進行參數更新，以對所述圖像處理模型進行訓練，包括：

基于所述第一損失函數，對所述圖像處理模型中的特征提取部分，以及所述圖像處理模型中的分類部分進行參數更新；

基于所述第二損失函數，對所述圖像處理模型中的特征提取部分，以及通過所述圖像處理模型中的影像組學預測部分進行參數更新。

5.根據權利要求3所述的方法，其特征在于，所述基于所述第一損失函數以及所述第二損失函數，對所述圖像處理模型進行參數更新，以對所述圖像處理模型進行訓練，包括：

基于所述第一損失函數以及所述第二損失函數，對所述圖像處理模型的參數進行交替迭代更新，以對所述圖像處理模型進行訓練。

6.根據權利要求3所述的方法，其特征在于，所述第一損失函數為分類損失函數，所述第二損失函數為回歸損失函數。

7.根據權利要求2所述的方法，其特征在于，所述基于訓練完成后的所述圖像處理模型，生成圖像分類模型，包括：

基于訓練完成后的所述圖像處理模型中的機器學習特征的部分，以及訓練完成后的所述圖像處理模型中的所述分類部分，生成所述圖像分類模型。