[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

本申請關于一種用于圖像分類的模型處理方法、裝置及存儲介質，涉及醫療技術領域。該方法包括：獲取包含樣本醫學圖像，以及樣本醫學圖像對應的分類標簽的樣本數據集；獲取樣本醫學圖像的真實影像組學特征；通過圖像處理模型對樣本醫學圖像進行處理，獲得預測分類結果以及預測影像組學特征；基于預測分類結果、分類標簽、預測影像組學特征和真實影像組學特征，對圖像處理模型進行訓練；基于訓練后的圖像處理模型生成圖像分類模型。通過上述方法，將影像組學特征引入到圖像分類模型的訓練過程中，從而使得影像組學特征與神經網絡自動學習的特征進行融合，共同對模型參數進行調整，從而提高獲得的圖像分類模型的分類準確性。

技術領域

本申請涉及醫療技術領域，特別涉及用于圖像分類的模型處理方法、裝置及存儲介質。

背景技術

在醫療領域，通過醫學成像進行器官損傷程度檢測已成為輔助醫生進行病例判斷的常用技術，隨著科技的進步，使得利用計算機設備基于醫學成像獲取的醫學圖像自動進行圖像分類成為可能。

在相關技術中，通常將醫學圖像輸入到神經網絡模型中，基于神經網絡提取到的醫學圖像特征對醫學圖像進行分類，從而獲得醫學圖像的分類結果。

然而，上述技術中，在訓練神經網絡模型時，需要通過大量的醫學圖像樣本進行模型訓練，而在醫學領域中，實際的醫學圖像樣本數量較少，導致訓練獲得的神經網絡模型的分類效果較差，獲得的分類結果的準確性較低。

發明內容

本申請實施例提供了一種用于圖像分類的模型處理方法、裝置及存儲介質，可以提高獲得的圖像分類模型的分類準確性，該技術方案如下：

一方面，提供了一種用于圖像分類的模型處理方法，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。

另一方面，提供了一種用于圖像分類的模型處理方法，所述方法包括：

獲取目標醫學圖像；

將所述目標醫學圖像輸入到圖像分類模型中，獲取所述圖像分類模型輸出的所述目標醫學圖像的分類結果；

輸出所述分類結果；

其中，所述圖像分類模型的生成過程包括：獲取所述樣本數據集；獲取所述樣本醫學圖像的真實影像組學特征，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；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；所述圖像分類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，生成所述圖像分類模型。

另一方面，提供了一種用于圖像分類的模型處理裝置，所述裝置包括：