[發明專利]預訓練網絡模型的訓練方法、醫學圖像處理方法和設備

在審

• 申請號: 202210239706.8
• 申請日: 2022-03-12
• 公開（公告）號: CN114782768A
• 公開（公告）日: 2022-07-22
• 發明（設計）人: 楊俊;商琨;王海峰;梁棟
• 申請（專利權）人: 中國科學院深圳先進技術研究院
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/44;G06K9/62;G06N3/04;G06T7/11
• 代理公司: 北京維正專利代理有限公司 11508
• 代理人: 何星民

本申請提供一種預訓練網絡模型的訓練方法、醫學圖像處理方法和設備，涉及圖像處理技術領域，在本申請中，對多張預訓練圖像進行單通道特征計算，得到各個預訓練圖像對應的特征圖像，根據各個預訓練圖像和各自對應的特征圖像對初始預訓練網絡模型進行訓練，得到預訓練網絡模型，本實施例將特征圖像作為訓練目標，更加容易學習到預訓練圖像的通用特征，增強預訓練模型的泛化能力，得到的預訓練網絡模型的視覺網絡參數更加準確，進而將預訓練網絡模型的視覺網絡參數作為圖像處理模型訓練的待訓練視覺網絡的初始參數，能夠簡化圖像處理模型的訓練過程，提高訓練效率。

技術領域

本申請涉及圖像處理技術領域，尤其是涉及一種預訓練網絡模型的訓練方法、醫學圖像處理方法和設備。

背景技術

深度學習在醫學圖像領域的廣泛應用，尤其是新一代的基于視覺的深度學習模型的成功，使得訓練模型所需的算力、訓練的醫學圖像數據等資源的需求越來越多。

由于特定疾病患者的數據相對固定、患者數據隱私的限制，導致采集到的訓練的醫學圖像數據少，且，高性能的深度學習模型往往需要專業醫生的人工標注，加重醫生的工作負擔，進一步擠壓醫療資源。故目前可用于深度神經網絡訓練的高質量數據依然短缺。所以用于醫學圖像任務的視覺神經網絡訓練在低數據量的情況下訓練效果較差，仍然是一個待解決的問題。

發明內容

本申請目的是提供一種預訓練網絡模型的訓練方法、醫學圖像處理方法和設備，用于解決以上技術問題。

第一方面，提供了一種預訓練網絡模型的訓練方法，包括：

獲取初始預訓練網絡模型以及多張預訓練圖像，所述初始預訓練網絡模型包括待訓練的視覺網絡和待訓練的第一解碼網絡；

對各個所述預訓練圖像進行單通道特征計算，得到各個所述預訓練圖像對應的特征圖像；根據各個所述預訓練圖像和各自對應的特征圖像對所述初始預訓練網絡模型進行訓練，得到所述預訓練網絡模型；

其中，所述預訓練網絡模型的視覺網絡參數能夠作為圖像處理模型訓練的待訓練視覺網絡的初始參數，所述圖像處理模型用于對待處理二維醫學圖像進行圖像處理。

基于上述方案，本方案對多張預訓練圖像進行單通道特征計算，得到各個預訓練圖像對應的特征圖像，根據各個預訓練圖像和各自對應的特征圖像對初始預訓練網絡模型進行訓練，得到預訓練網絡模型，本實施例將特征圖像作為訓練目標，更加容易學習到預訓練圖像的通用特征，增強預訓練模型的泛化能力，得到的預訓練網絡模型的視覺網絡參數更加準確，進而將預訓練網絡模型的視覺網絡參數作為圖像處理模型訓練的待訓練視覺網絡的初始參數，能夠簡化圖像處理模型的訓練過程，提高訓練效率

在一種可能的實現方式中，所述根據各個所述預訓練圖像和各自對應的特征圖像對所述初始預訓練網絡模型進行訓練，得到所述預訓練網絡模型，包括：

對各個所述預訓練圖像進行掩模處理，生成各個所述預訓練圖像對應的掩蓋圖；

將各個所述掩蓋圖輸入所述初始預訓練網絡模型，輸出各個所述掩蓋圖對應的待比較圖像；根據各個所述掩蓋圖對應的待比較圖像和各自對應的特征圖，利用掩蓋均方差損失函數進行計算，得到損失值；

根據所述損失值確定所述初始預訓練網絡模型是否收斂；若是，則將當前的初始預訓練網絡模型確定為訓練完成的預訓練網絡模型；若否，則進行迭代訓練，直至所述初始預訓練網絡模型收斂，得到所述預訓練網絡模型。

在一種可能的實現方式中，所述對各個所述預訓練圖像進行單通道特征計算，得到各個所述預訓練圖像對應的特征圖像，包括：

基于預設網格尺寸對每個所述預訓練圖像進行網格劃分，得到多個分塊；

對每個所述預訓練圖像的每一所述分塊進行單通道特征的計算，得到每個所述預訓練圖像對應的特征圖；

相應的，所述對各個所述預訓練圖像進行掩模處理，生成各個所述預訓練圖像對應的掩蓋圖，包括：

基于預設網格尺寸對每個所述預訓練圖像生成掩模；