[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

说明书

本申请公开了一种网络模型的训练方法及装置，电子设备及存储介质。该训练方法包括：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，当i‑1＝0时，第i‑1次迭代的训练样本集为初始训练样本集，多个第i‑1网络模型为初始网络模型；根据多个第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，获得训练完成的网络模型，i为大于或等于1且小于或等于n的整数，n为大于或等于2的整数，训练样本集包括多个医学图像样本。

技术领域

本发明涉及图像处理技术领域，具体涉及一种网络模型的训练方法及装置，电子设备及存储介质。

背景技术

医学图像种类丰富、数据量庞大，数据标注需要专业的医学知识，难度很高。常见的医学图像，如CT或MRI，医生一般是观看断层二维图像，这在某种程度上使医生不易直观的从多个视角对目标部位进行观察分析，进一步提高了标注难度。另外，图像质量不佳，病变部位不明显，很容易造成医学图像的标注缺失。标注缺失是指把部分正样本当作了负样本，比如，对于网络模型的分割任务，原本是前景的正样本的区域被标记为背景的负样本，对于网络模型的检测任务，原本是标记框中的正样本被标记为标记框外的负样本，这样会增加网络模型的漏诊率。

发明内容

有鉴于此，本申请的实施例致力于提供一种网络模型的训练方法及装置，电子设备及存储介质，能够有效降低网络模型的漏诊率，并提高网络模型的查全率。

根据本申请实施例的第一方面，提供了一种网络模型的训练方法，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。

在一个实施例中，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。

在一个实施例中，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。

在一个实施例中，所述方法还包括：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。

在一个实施例中，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。