[发明专利]影像数据评估方法、装置、设备及存储介质

权利要求书

1.一种影像数据评估方法，其特征在于，包括：

获取医学影像数据和所述医学影像数据的分区定位图像；

将所述医学影像数据和所述分区定位图像输入至预先训练的影像数据评估模型，确定所述医学影像数据的评分结果，其中，所述影像数据评估模型根据标准影像数据、标准分区定位图像以及标准评分训练得到。

2.根据权利要求1所述的方法，其特征在于，还包括：

获取临床检测信息，并确定所述临床检测信息对应的数值化检测信息；

相应的，所述将所述医学影像数据和和所述分区定位图像输入至预先训练的影像数据评估模型，确定所述医学影像数据的评分结果，包括：

将所述医学影像数据、所述数值化检测信息和所述分区定位图像输入至预先训练的影像数据评估模型，得到所述医学影像数据的评分结果。

3.根据权利要求1所述的方法，其特征在于，所述影像数据评估模型包括：特征提取子网络、池化子网络和全连接子网络；所述池化子网络包括掩膜池化子网络，所述全连接子网络包括分区分类子网络；

相应的，所述影像数据评估模型的训练方法包括：

获取所述标准影像数据、所述标准分区定位图像和所述标准评分；

迭代执行以下训练步骤，将满足预设迭代要求的当前评估模型确定为训练完成的影像数据评估模型：

将所述标准影像数据输入至所述特征提取子网络，得到标准特征数据；

基于所述池化子网络的掩膜池化子网络，对所述标准特征数据和所述标准分区定位图像进行掩膜池化，得到掩膜池化结果；

基于所述全连接子网络的分区分类子网络，对所述掩膜池化结果进行分区分类计算，得到第一分区分类结果；

根据所述第一分区分类结果与所述标准评分计算所述当前评估模型的第一损失函数；

基于所述第一损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型。

4.根据权利要求3所述的方法，其特征在于，所述池化子网络还包括：全局池化子网络，所述全连接子网络还包括：多目标回归子网络和总评分回归子网络；所述方法还包括：

获取临床特征信息，其中，所述临床特征信息通过对与所述标准影像数据对应的临床相关信息进行数值化操作得到；

相应的，所述影像数据评估模型的训练方法还包括：

将所述标准特征数据、所述标准分区定位图像和所述临床特征信息输入至池化子网络，并基于所述池化子网络的全局池化子网络对所述标准特征数据和所述临床特征信息进行全局池化，确定全局池化结果；

基于所述全连接子网络的多目标回归子网络对所述全局池化结果进行多目标回归处理，并基于所述全连接子网络的总评分回归子网络对所述全局池化结果进行总评分回归处理，得到多目标回归结果和总评分回归结果；

根据所述多目标回归结果和所述标准评分计算所述当前评估模型的第二损失函数，并根据所述总评分回归结果和所述标准评分计算所述当前评估模型的第三损失函数；

相应的，所述基于所述第一损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型，包括：

基于所述第一损失函数、所述第二损失函数和所述第三损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型。

5.根据权利要求3或4所述的方法，其特征在于，所述全连接子网络还包括中继监督子网络；

相应的，所述影像数据评估模型的训练方法还包括：

将所述标准特征数据输入至所述全连接子网络的中继监督子网络，基于所述中继监督子网络，对所述标准特征数据进行分区分类操作；

根据所述中继监督子网络输出的第二分区分类结果和所述标准评分计算当前评估模型的第四损失函数；

相应的，所述基于所述第一损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型，包括：

基于所述第一损失函数和所述第四损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型；

或者，

基于所述第一损失函数、第二损失函数、第三损失函数和所述第四损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型，其中，所述第一损失函数、所述第二损失函数、所述第三损失函数和所述第四损失函数分别分配不同的贡献权重。