[发明专利]模型训练方法、医学影像分析方法及装置、设备、介质

说明书

本发明公开了一种模型训练方法、医学影像分析方法及装置、设备、介质，基于医学影像的模型训练方法包括：获取多个医学影像并根据所述医学影像获取第一训练数据，所述医学影像具有多个属性，所述第一训练数据对应具有每个属性的类别标签；采用卷积神经网络对所述第一训练数据进行训练，得到用于识别医学影像的属性类别的多任务分类模型。本发明通过对医学影像的多个属性打上标签来训练得到多任务分类模型，从而能够实现通过一个多任务分类模型就可以对医学影像的多个属性类别进行一次性识别，并且本发明中医学影像上的属性标签更容易获取，因此数据量充足，模型训练的效果更好，训练出的多任务分类模型的识别准确率也更高。

技术领域

本发明涉及图像处理领域，特别涉及一种模型训练方法、医学影像分析方法及装置、设备、介质。

背景技术

现有的很多疾病对其病理属性的研究和鉴别具有非常重要的临床价值，现有针对疾病的病理属性分类方法主要包括以下三类：

1、医学特征学习法，该方法基于病灶影像的临床特征描述和生理数据训练分类器，使用分类器判别病理属性的分类。

2、图像特征学习法，该方法通过获取到的病灶的二值掩模，提取掩模区域的图像特征，根据提取到的图像特征训练分类器，使用分类器来判别病理属性的分类。

3、深度学习法，该方法通过构建深度学习分类网络，并使用带有标签的图像数据训练分类网络，最后使用训练好的分类网络判别病理属性的分类。

但是，现有的病理属性分类方法都需要带有病理属性标签的训练数据，而这种数据的量相对较少，导致训练的效果一般；并且，现有的分类方法基本都是围绕训练数据和病理属性分类的直接对应关系来进行的，导致训练出的模型应用场景和应用范围过于固化和单一，无法对病灶影像数据作进一步的分析和利用。

发明内容

本发明要解决的技术问题是为了克服现有技术中病理属性分类方法训练数据量较少导致训练的效果一般且训练出的模型应用场景和应用范围过于固化和单一的缺陷，提供一种模型训练方法、医学影像分析方法及装置、设备、介质。

本发明是通过下述技术方案来解决上述技术问题：

本发明提供了一种基于医学影像的模型训练方法，包括以下步骤：

获取多个医学影像并根据所述医学影像获取第一训练数据，所述医学影像具有多个属性，所述第一训练数据对应具有每个属性的类别标签；

采用卷积神经网络对所述第一训练数据进行训练，得到用于识别医学影像的属性类别的多任务分类模型。

较佳地，所述医学影像为病灶的医学影像；和/或，

所述医学影像为3D医学影像或2D医学影像；和/或，

若所述医学影像为肺结节的CT影像，则所述属性包括密度、形状、边缘、毛刺、分叶、空泡、胸膜凹陷、棘状突起、血管集束、脂肪、钙化、充气支气管、空洞中的至少一种；和/或，

所述卷积神经网络具有不同属性类别共用的一个全连接层或具有与多个属性类别分别对应的多个全连接层；和/或，

所述模型训练方法还包括：对第一训练数据进行复制并且对复制后的第一训练数据进行数据增强处理。

本发明还提供了一种医学影像分析模型的训练方法，包括：

获取多个医学影像并根据所述医学影像获取第二训练数据，所述第二训练数据包括通过多任务分类模型提取的医学影像的特征，所述多任务分类模型利用上述的模型训练方法训练得到；

采用机器学习算法对所述第二训练数据进行训练，得到医学影像分析模型。

较佳地，所述第二训练数据还包括影像组学特征和临床特征中的至少一种；和/或，