[发明专利]网络模型的训练方法及装置，电子设备及存储介质

权利要求书

1.一种网络模型的训练方法，其特征在于，包括：

根据第i-1次迭代的训练样本集，通过不同的多个第i-1网络模型，预测所述第i-1次迭代的训练样本集中的每个负样本为负样本的多个第i概率值，其中，当i-1＝0时，所述第i-1次迭代的训练样本集为初始训练样本集，所述多个第i-1网络模型为初始网络模型；

根据所述多个第i概率值与第i预设阈值，获得第i次迭代的不确定样本；

根据滤除所述第i次迭代的不确定样本的第i次迭代的训练样本集，更新所述多个第i-1网络模型的网络参数，获得多个第i网络模型；

迭代执行上述步骤至第n次迭代，获得训练完成的所述网络模型，其中，所述i为大于或等于1且小于或等于n的整数，所述n为大于或等于2的整数，所述训练样本集包括多个医学图像样本。

2.根据权利要求1所述的训练方法，其特征在于，所述根据第i-1次迭代的训练样本集，通过不同的多个第i-1网络模型，预测所述第i-1次迭代的训练样本集中的每个负样本为负样本的多个第i概率值，包括：

将所述第i-1次迭代的训练样本集输入所述多个第i-1网络模型中，预测所述第i-1次迭代的训练样本集中的每个负样本为负样本的多个第i概率值，其中，一个第i-1网络模型对应一个第i概率值。

3.根据权利要求2所述的训练方法，其特征在于，所述根据所述多个第i概率值与第i预设阈值，获得第i次迭代的不确定样本，包括：

根据所述多个第i-1网络模型对应的加权值，计算所述多个第i概率值的第i加权平均值；

将所述第i加权平均值小于所述第i预设阈值的负样本确定为所述第i次迭代的不确定样本。

4.根据权利要求1所述的训练方法，其特征在于，还包括：

对所述训练样本集中的每个样本进行数据扩充，以获得数据扩充后的训练样本集；

将所述训练样本集和所述数据扩充后的训练样本集确定为所述初始训练样本集，其中，所述初始训练样本集中的每个负样本对应多个类型不同的子负样本。

5.根据权利要求4所述的训练方法，其特征在于，所述对所述训练样本集中的每个样本进行数据扩充，以获得数据扩充后的训练样本集，包括：

对所述训练样本集中的每个样本进行仿射变换、弹性形变、数据增强、伽马变换中的至少一项数据扩充操作，以获得所述数据扩充后的训练样本集。

6.根据权利要求4所述的训练方法，其特征在于，所述根据第i-1次迭代的训练样本集，通过不同的多个第i-1网络模型，预测所述第i-1次迭代的训练样本集中的每个负样本为负样本的多个第i概率值，包括：

根据所述第i-1次迭代的训练样本集，通过所述多个第i-1网络模型，预测所述第i-1次迭代的训练样本集中的每个负样本对应的多个类型不同的子负样本为负样本的多个第i概率值，其中，一个第i-1网络模型对应多个第i子概率值，一个第i子概率值对应一个子负样本，所述多个第i子概率值对应一个第i概率值。

7.根据权利要求6所述的训练方法，其特征在于，所述根据所述多个第i概率值与第i预设阈值，获得第i次迭代的不确定样本，包括：

对所述多个第i子概率值进行均值计算，以获得所述第i-1次迭代的训练样本集中的每个负样本的第i平均值，其中，所述多个第i-1网络模型对应多个第i平均值；

根据所述多个第i-1子网络模型对应的加权值和所述多个第i平均值，计算所述多个第i概率值的第i总平均值；

将所述第i总平均值小于所述第i预设阈值的负样本确定为所述第i次迭代的不确定样本。

8.根据权利要求1至7中任一项所述的训练方法，其特征在于，所述根据滤除所述第i次迭代的不确定样本的第i次迭代的训练样本集，更新所述多个第i-1网络模型的网络参数，获得多个第i网络模型，包括：

从所述第i-1次迭代的训练样本集中滤除所述第i次迭代的不确定样本，获得所述第i次迭代的训练样本集；

根据所述第i次迭代的训练样本集，更新所述多个第i-1网络模型的网络参数，获得所述多个第i网络模型。