[发明专利]图像识别神经网络的训练方法和装置、图像识别方法

说明书

本发明公开了一种图像识别神经网络的训练方法和装置、图像识别方法。其中，该方法包括：将目标样本图像输入到待训练的图像识别神经网络，输出的多组预测概率值，每组预测概率值用于表示多组预测识别结果中的一组预测识别结果的预测概率，多组预测识别结果中的每个预测识别结果对应于目标树中的一个节点，每组预测识别结果在目标树中对应的节点归属于同一个上级节点；根据多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系，确定图像识别神经网络的目标损失函数的取值；调整目标损失函数的取值满足预设的损失条件，根据调整后的图像识别神经网络，进行目标图像的分类，解决了现有技术中，对目标图像分类精度较低的技术问题。

技术领域

本发明涉及图像识别领域，具体而言，涉及一种图像识别神经网络的训练方法和装置、图像识别方法。

背景技术

宫颈细胞判读一般参考一种描述性诊断TBS(The Bethesda system，简称TBS)，TBS中列举出各种类型的宫颈细胞供医生报告，其中，包括ASC-US(非典型鳞状细胞，不能明确意义)，LSIL(低度鳞状上皮内病变)，ASCH(非典型鳞状细胞，倾向于高度病变)，HSIL(高度鳞状上皮内病变)等。近期基于深度学习的技术广泛应用于医疗辅助诊断，在宫颈细胞判读上的应用主要是识别不同类别的宫颈细胞，从而用于后续的辅助诊断任务。

目前主流的宫颈细胞分类方法通过深度学习网络，如convolutional neuralnetwork(CNN)卷积神经网络，提取宫颈细胞特征后，再输出多类别的logits，然后通过softmax得到各个类别的预测概率值，一般采用交叉熵损失函数来训练CNN网络。

这类方法假设各个类别是互斥的，在只考虑少数类别，如鳞病变下的ASCUS，LSIL，ASCH和HSIL等四种类别时一般是适用的。但下面三种情况这类方式就不适用了。第一：考虑TBS报告中所有类别时，这种互斥假设就不成立了，如非典型腺细胞(AGC)这个类别下面还有几个子类别：非典型腺细胞/非特异和非典型腺细胞/倾向瘤变等等。部分情况下医生只会判读到非典型腺细胞这个大类，判读信息充足时医生会判读到下面的子类。第二：基于TBS报告中的结构化分类，医生在判读子类时，一般会先考虑大类，再考虑这个大类下面子类，有一个条件顺序的考虑过程，比如先考虑是不是AGC，在考虑在是AGC的条件下是AGC各个子类的概率。第三：当医生判读的结果是一种中间节点类别，如判读为腺癌这个类别时，但是不确定是子宫颈管腺癌还是子宫内膜腺癌，这种情况下子宫颈管腺癌和子宫内膜腺癌的概率应该是比较接近的。无法准确获取细胞的分类。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种图像识别神经网络的训练方法和装置、图像识别方法，以至少解决现有技术中，对目标图像分类精度较低的技术问题。

根据本发明实施例的一个方面，提供了一种图像识别神经网络的训练方法，包括：将目标样本图像输入到待训练的图像识别神经网络，得到所述图像识别神经网络输出的多组预测概率值，其中，每组预测概率值用于表示多组预测识别结果中的一组预测识别结果的预测概率，所述多组预测识别结果中的每个预测识别结果对应于目标树中的一个节点，每组预测识别结果在所述目标树中对应的节点归属于同一个上级节点；根据所述多组预测概率值以及所述目标树中与所述多组预测识别结果对应的节点之间的关系，确定所述图像识别神经网络的目标损失函数的取值；对所述图像识别神经网络中的网络参数进行调整，使得所述目标损失函数的取值满足预设的损失条件。