[发明专利]基于注意力机制的脑梗死医学影像分类模型的训练方法

说明书

本发明提出一种基于注意力机制的脑梗死医学影像分类模型的训练方法，包括：获取训练样本集，训练样本集中包括多个已标注的脑部医学影像三维序列图；将训练样本集输入至预设的卷积神经网络模型中，并从卷积神经网络模型获取与脑部医学影像三维序列图对应的特征图，卷积神经网络模型中包括注意力模块，注意力模块用于对脑部医学影像三维序列图所包含的特征信息进行筛选；将特征图输入至卷积神经网络模型的分类器中进行训练，基于焦点损失函数更新卷积神经网络模型的参数，当更新参数后的卷积神经网络模型收敛时，确定卷积神经网络模型训练完成，输出卷积神经网络模型。本发明能够使得训练得到的分类模型具有更好的分类表现，提高分类的准确率。

技术领域

本发明涉及计算机视觉、深度学习、医学影像处理技术领域，更具体地，涉及一种基于注意力机制的脑梗死医学影像分类模型的训练方法。

背景技术

医学图像(如计算机断层扫描CT、MRI图像等)是医学领域一类重要数据，在辅助医生进行诊断、病理研究等方面有举足轻重的作用。利用人工智能技术对医学图像进行智能、自动分析，对提升医疗效率、节省医疗成本、减少患者痛苦等方面有重要意义，将为我国医疗信息化、智能化建设、提高我国医疗水平提供有力保障。其中，针对医学图像的分类是基于医学图像的智能分析中的一个最为基础的任务，它在疾病类型的识别、病灶严重程度的判断、病人恢复状况的量化等多种具体场景中有重要的需求。因此，发展准确的医学图像自动分类方法与系统在实际场景中有急迫的需求和重要的意义。

脑部医学影像在成像过程中会有若干噪音，成像区域中也会有各种无关特征干扰医生诊断。在脑部医学影像中，脑梗死病灶区域往往只占整张图像的小部分，致使背景中的无关信息较多。目前，医生在对脑梗死医学影像进行诊断时，往往依据临床经验对画面中的信息进行筛选，通过脑梗死有关特征快速锁定潜在区域，忽略无用信息的干扰，尚没有能够准确识别脑梗死病灶区域的网络模型为医生诊断提供帮助。

发明内容

针对上述问题，本发明提出了一种基于注意力机制的脑梗死医学影像分类模型的训练方法，能够实现利用深度学习方法对脑部医学影像进行脑梗死诊断，判断影像图是否含有脑梗死病灶。本发明中，基于卷积神经网络并在其中加入注意力模块对关键特征进行强化，注意力机制可以对影像中的有用信息进行筛选，提高网络的特征表征能力并将预测重点放在潜在病灶区域，从而使得训练得到的分类模型具有更好的分类表现，提高分类的准确率。

本发明第一方面实施例提出了一种基于注意力机制的脑梗死医学影像分类模型的训练方法，包括：

获取训练样本集，所述训练样本集中包括多个已标注的脑部医学影像三维序列图；

将所述训练样本集输入至预设的卷积神经网络模型中，并从所述卷积神经网络模型获取与所述脑部医学影像三维序列图对应的特征图，所述卷积神经网络模型中包括注意力模块，所述注意力模块用于对所述脑部医学影像三维序列图所包含的特征信息进行筛选；

将所述特征图输入至所述卷积神经网络模型的分类器中进行训练，并基于焦点损失函数更新所述卷积神经网络模型的参数，以使所述焦点损失函数最小化；

当更新参数后的所述卷积神经网络模型收敛时，确定所述卷积神经网络模型训练完成，并输出所述卷积神经网络模型。

本发明第二方面实施例提出了一种脑梗死医学影像分类方法，包括：

获取待分类的脑部医学影像三维序列图，所述脑部医学影像三维序列图包括多张二维轴向切片；

将所述脑部医学影像三维序列图输入至预先训练得到的脑梗死医学影像分类模型中，并获取所述脑梗死医学影像分类模型输出的所述多张二维轴向切片的预测结果；

根据所述多张二维轴向切片的预测结果，确定所述脑部医学影像三维序列图所属的目标类别。

本发明第三方面实施例提出了一种基于注意力机制的脑梗死医学影像分类模型的训练装置，包括：