[发明专利]基于人工神经网络的组织病变识别的训练方法及训练系统

说明书

本公开描述了一种基于人工神经网络的组织病变识别的训练方法和训练系统，包括：准备训练数据集，训练数据集包括多张带有病变的检查图像以及与检查图像关联的具有病变标注结果的标注图像；对检查图像进行特征提取以获得特征图，并且基于注意力机制对检查图像进行处理以得到注意力热度图；利用第一人工神经网络对检查图像进行分类，并结合标注图像得到第一损失函数，利用第二人工神经网络模块基于特征图和注意力热度图对检查图像进行分类，并结合标注结果得到第二损失函数，利用第三人工神经网络对检查图像进行无病判别得到第三损失函数。通过组合此三种损失函数，能够有效地提高对组织病变进行组织病变识别的准确性。

技术领域

本公开大体涉及基于人工神经网络的组织病变识别的训练方法及训练系统。

背景技术

随着人工智能技术的发展和成熟，在医疗领域的各个方面人工智能技术逐渐得到了推广。特别是医学中的医学成像是目前人工智能技术应用比较热门的领域。医学成像是诊断许多疾病的有用工具，医学成像过程中会产生大量医学图像数据，对这些图像数据进行处理和识别需要医师大量时间，而且难以保证识别的准确性。医学图像中，主要利用人工智能技术对图像中的组织进行组织病变识别，以提高组织病变识别的准确性。

目前在应用人工智能技术对医学图像进行识别中通常采用卷积神经网络(CNN)。卷积神经网络的卷积结构可以减少深层网络占用的内存量，其具有三个关键的操作，其一是局部感受野，其二是权值共享，其三是池化层。由此，能够有效地减少网络的参数个数，缓解卷积神经网络的过拟合问题。卷积神经网络的结构能够较好地适应医学图像的结构并对特征进行提取以及识别。

然而，对于一些病变部位例如眼底病变部位，病变区域比较小且分布不规则，一般的应用注意力机制的卷积神经网络，往往容易忽略注意力热度图中注意力低的病变区域，导致出现误判的现象，从而使这些病变区域的组织病变识别的准确性较低。

发明内容

本公开有鉴于上述现有技术的状况而完成，其目的在于提供一种能够有效地提高对组织病变进行识别的准确性的基于人工神经网络的组织病变识别的训练方法及训练系统。

为此，本公开第一方面提供了一种基于人工神经网络的组织病变识别的训练方法，其特征在于，包括：准备训练数据集，所述训练数据集包括多张检查图像以及与所述检查图像关联的标注图像，所述标注图像包括有病变的标注结果或无病变的标注结果；将所述训练数据集输入人工神经网络模块以对所述检查图像进行特征提取以获得特征图，并且基于注意力机制对所述特征图进行处理以获得注意力热度图，并且基于互补注意力机制对所述注意力热度图进行处理以获得互补注意力热度图；所述人工神经网络模块包括第一人工神经网络、第二人工神经网络以及第三人工神经网络；利用所述第一人工神经网络对所述检查图像进行特征提取以获得所述特征图，利用所述第二人工神经网络获得指示病变区域的所述注意力热度图和指示非病变区域的所述互补注意力热度图，所述检查图像由所述病变区域和所述非病变区域构成，利用所述第三人工神经网络基于所述特征图对所述检查图像进行识别以获得第一识别结果，利用所述第三人工神经网络基于所述特征图和所述注意力热度图对所述检查图像进行识别以获得第二识别结果，利用所述第三人工神经网络基于所述特征图和所述互补注意力热度图对所述检查图像进行识别以获得第三识别结果；结合所述第一识别结果与所述标注图像以获得在未使用所述注意力机制时的第一损失函数，结合所述第二识别结果与所述标注图像以获得在使用所述注意力机制时的第二损失函数，结合所述第三识别结果与具有无病变的标注结果的所述标注图像以获得在使用所述互补注意力机制时的第三损失函数，利用所述第一损失函数、所述第二损失函数、以及所述第三损失函数获取包括基于所述第一损失函数的第一损失项、基于所述第二损失函数和所述第一损失函数的差的第二损失项、以及基于所述第三损失函数的第三损失项的总损失函数并利用所述总损失函数对所述人工神经网络模块进行优化。在这种情况下，能够获得第一识别结果、第二识别结果和第三识别结果，并基于第一识别结果、第二识别结果和第三识别结果获得总损失函数，从而能够利用总损失函数优化人工神经网络模块，进而提高人工神经网络模块的组织病变识别的准确性。