[发明专利]影像分类模型的训练方法及装置、存储介质和电子设备

说明书

本发明提供了一种影像分类模型的训练方法及装置、存储介质和电子设备。该训练方法包括分别对整体影像和整体影像中的局部影像进行特征提取得到第一特征和第二特征，整体影像中除局部影像之外的区域具有病灶，局部影像包含由病灶引起的结构变异；融合第一特征和第二特征得到第三特征；对第三特征进行分类输出最终分类结果；根据最终分类结果训练影像分类模型，从而能够实现采用本发明实施例中的影像分类模型对整体影像中的难以定位或区分的病灶进行准确分类。

技术领域

本发明涉及影像分类技术领域，具体涉及一种影像分类模型的训练方法及装置、存储介质和电子设备。

背景技术

随着神经网络技术的发展，基于神经网络模型对医学影像进行处理和分类成为一种研究热潮。传统的对医学影像的分类方案中，通常仅能对病灶位于影像中某一特定位置时对病灶进行分类。

然而，当病灶的位置难以确定或者多种病灶的影像特征高度相似的情况下，传统的影像分类模型无法对该病灶进行准确地分类。

发明内容

有鉴于此，本发明实施例提供了一种影像分类模型的训练方法及装置、存储介质和电子设备，从而能够实现对整体影像中难以定位或区分的病灶进行准确分类。

根据本发明实施例的第一方面，提供一种影像分类模型的训练方法，包括：分别对整体影像和整体影像中的局部影像进行特征提取得到第一特征和第二特征，整体影像中除局部影像之外的区域具有病灶，局部影像包含由病灶引起的结构变异；融合第一特征和第二特征得到第三特征；对第三特征进行分类输出最终分类结果；根据最终分类结果训练影像分类模型。

在本发明一实施例中，在上述分别对整体影像和整体影像中的局部影像进行特征提取得到第一特征和第二特征之后，该训练方法还包括：分别对第一特征和第二特征进行分类得到第一分类结果和第二分类结果；根据第一分类结果计算第一损失函数；根据第二分类结果计算第二损失函数；其中，上述根据最终分类结果训练影像分类模型包括：根据最终分类结果计算第三损失函数；根据第一损失函数、第二损失函数和第三损失函数调整影像分类模型的参数。

在本发明一实施例中，上述根据第一损失函数、第二损失函数和第三损失函数调整影像分类模型的参数，包括：根据第一损失函数调整影像分类模型中对整体影像进行特征提取时的第一参数；根据第二损失函数调整影像分类模型中对局部影像进行特征提取时的第二参数；根据第三损失函数调整影像分类模型中对第三特征进行分类时的第三参数。

在本发明一实施例中，上述根据第一损失函数、第二损失函数和第三损失函数调整影像分类模型的参数，包括：对第一损失函数、第二损失函数和第三损失函数进行加权运算，得到加权结果；根据加权结果调整影像分类模型的参数。

在本发明一实施例中，在训练影像分类模型过程中，第三损失函数对应的权重随着迭代次数的增加而增加。

在本发明一实施例中，上述分别对整体影像和整体影像中的局部影像进行特征提取得到第一特征和第二特征，包括：采用三维的神经网络分别对整体影像和整体影像中的局部影像进行特征提取得到第一特征和第二特征，其中，三维的神经网络基于二维的神经网络构建，三维的神经网络包括三维的残差网络或三维的生成网络，三维的神经网络中卷积层和池化层的维数为3。

在本发明一实施例中，三维的残差网络的神经网络层数为18层。

在本发明一实施例中，整体影像为磁共振成像的脑部影像，整体影像中的局部影像为左海马体和/或右海马体的影像，最终分类结果为病毒性脑炎、自身免疫性脑炎和健康中的任何一种。