The embodiment of the invention discloses a training method, device and terminal device of a detection model, which is applied in the field of information processing technology. The training device first determines that the initial training model includes the initial detection model and the adaptive model, including the source domain data labeled with the lesion target information and the target domain data not labeled with the lesion target information, and then processes the data in the training sample according to the initial detection model and the adaptive model, and obtains the detection results and the domain classification results respectively. Then, according to the results of detection and domain classification and the training samples mentioned above, the relevant loss function values are calculated, and the fixed parameter values in the initial training model are adjusted according to the loss function values to get the final detection model. In the case of difficulty in labeling lesion target information, the image without labeling lesion target information can also be used to make enough training samples, so that the final training model has a better effect.
【技术实现步骤摘要】
一种检测模型的训练方法、装置及终端设备
本专利技术涉及信息处理
,特别涉及一种检测模型的训练方法、装置及终端设备。
技术介绍
近年来,人工智能在医疗影像领域中的发挥着越来越大的作用。基于深度学习方法的结直肠息肉的检测系统,对上百万张金标的结直肠数据进行学习训练,辅助临床医生诊断,降低漏检率。在一种具体的结直肠息肉的检测系统中:使用卷积神经网络对待检测图像进行特征提取,再通过支持向量机方法进行分类。在通过支持向量机方法进行分类时,先确定待检测图像中有无息肉的存在,然后对待检测图像中的息肉进行性质分类。其中,在训练卷积神经网络和支持向量机时使用的数据是私有数据,数据量较少,这样得到的系统的检测效果不佳;且由于每个医院采用的设备不同以及不同医生之间的操作习惯不同,从不同医院采集的影像数据存在一定的差异性,例如影像的分辨率,背景噪声,这导致在不同医院推广结直肠息肉的检测系统时,检测效果会大打折扣。通过收集更多的训练数据,涵盖更多医院的数据,这在一定程度上是可以改善这种情况,但是,训练数据中结直肠的数据需要专业的医师对训练图片进行标注,收集更多的数据将会耗费巨大的财力和时间。
技术实现思路
本专利技术实施例提供一种检测模型的训练方法、装置及终端设备,实现了根据初始检测模型和自适应模型训练最终的检测模型。本专利技术实施例第一方面提供一种检测模型的训练方法,包括:确定初始训练模型,所述初始训练模型中包括初始检测模型和自适应模型;确定训练样本,所述训练样本中包括源域数据和目标域数据,所述源域数据中包括多个第一用户身体器官图像,各个第一用户身体器官图像中是否包括病变目标的 ...
【技术保护点】
1.一种检测模型的训练方法,其特征在于,包括:确定初始训练模型,所述初始训练模型中包括初始检测模型和自适应模型;确定训练样本,所述训练样本中包括源域数据和目标域数据,所述源域数据中包括多个第一用户身体器官图像,各个第一用户身体器官图像中是否包括病变目标的第一标识及各个第一用户身体器官图像所属域的第二标识;所述目标域数据中包括多个第二用户身体器官图像及各个第二用户身体器官图像所属域的第三标识;由所述初始检测模型根据各个第一用户身体器官图像的特征分别确定各个第一用户身体器官图像中是否包括病变目标,得到检测结果;及由所述自适应模型根据各个用户身体器官图像的特征分别确定所述训练样本中各个用户身体器官图像所属域,得到域分类结果;根据所述检测结果和域分类结果及所述第一标识、第二标识和第三标识,计算与所述初始训练模型相关的损失函数值;根据所述损失函数值调整所述初始训练模型中的固定参数值,以得到最终的检测模型。
【技术特征摘要】
1.一种检测模型的训练方法,其特征在于,包括:确定初始训练模型,所述初始训练模型中包括初始检测模型和自适应模型;确定训练样本,所述训练样本中包括源域数据和目标域数据,所述源域数据中包括多个第一用户身体器官图像,各个第一用户身体器官图像中是否包括病变目标的第一标识及各个第一用户身体器官图像所属域的第二标识;所述目标域数据中包括多个第二用户身体器官图像及各个第二用户身体器官图像所属域的第三标识;由所述初始检测模型根据各个第一用户身体器官图像的特征分别确定各个第一用户身体器官图像中是否包括病变目标,得到检测结果;及由所述自适应模型根据各个用户身体器官图像的特征分别确定所述训练样本中各个用户身体器官图像所属域,得到域分类结果;根据所述检测结果和域分类结果及所述第一标识、第二标识和第三标识,计算与所述初始训练模型相关的损失函数值;根据所述损失函数值调整所述初始训练模型中的固定参数值,以得到最终的检测模型。2.如权利要求1所述的方法,其特征在于,对于所述第一用户身体器官图像中的部分用户身体器官图像,所述部分用户身体器官图像中包括病变目标,所述源域数据中还包括:所述部分用户身体器官图像中包括的病变目标的类型和位置;所述计算与所述初始训练模型相关的损失函数值之前,所述方法还包括:通过所述初始检测模型分别确定所述部分用户身体器官图像中所包括的病变目标的类型和位置,得到目标检测结果;所述计算与所述初始训练模型相关的损失函数值,具体包括:根据所述检测结果、域分类结果和目标检测结果及所述第一标识、第二标识和第三标识,计算与所述初始训练模型相关的损失函数值。3.如权利要求2所述的方法,其特征在于,所述与所述初始训练模型相关的损失函数值,具体包括:检测损失函数和自适应损失函数的函数计算值,其中:所述检测损失函数包括:用于表示根据所述初始检测模型确定的第一用户身体器官图像是否包括病变目标的信息,与所述训练样本中的第一标识之间的第一误差;及用于表示根据所述初始检测模型确定的所述部分用户身体器官图像中病变目标的类型和位置,与所述训练样本中部分用户身体器官图像中病变目标的类型和位置的之间的第三误差;所述自适应损失函数包括:用于表示根据所述自适应模型确定的训练样本中各个用户身体器官图像属于源域或目标域的信息,与所述训练样本中第二标识和第三标识之间的第二误差。4.如权利要求1所述的方法,其特征在于,所述确定初始训练模型具体包括:确定所述初始检测模型包括特征提取模块和检测分类模块,所述自适应模型包括域分类模块,其中:所述检测分类模块用于根据所述特征提取模块提取的特征进行是否有病变目标的分类;所述域分类模块用于根据所述特征提取模块提取的特征进行域分类;确定所述初始检测模型与自适应模型中固定参数的初始值;所述根据所述损失函数值调整所述初始训练模型中的固定参数值,具体包括:根据所述损失函数值调整所述固定参数的初始值。5.如权利要求4所述的方法,其特征在于,所述自适应模型中还包括梯度反转模块;所述梯度反转模块用于将所述特征提取模块提取的特征传递给所述域分类模块,且用于在调整所述固定参数值时,对所述域分类模块的误差进行反转,以根据所述反转后的误差调整所述特征提取模块中的固定参数值。6.如权利要求4所述的方法,其特征在于,所述特征提取模块包括中间特征提取模块和最终特征提取模块,则所述域分类模块用于根据所述中间特征提取模块或最终特征提取模块提取的特征进行域分类;所述域分类模块有一个或多个。7.如权利要求1至...
【专利技术属性】
技术研发人员:程陈,孙钟前,陈豪,杨巍,
申请(专利权)人:腾讯科技深圳有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。