本发明专利技术提供一种医学影像分类模型训练方法、医学影像分类方法及装置。包括：获取原始医疗影像数据，将原始医疗影像数据按照一定的比例划分训练集和测试集；构建预训练分类模型；将训练集输入构建好的预训练分类模型进行预训练，并利用测试集对训练后的预训练分类模型参数进行优化，得到训练好的预训练分类模型；对预训练分类模型的模型参数进行调整，得到调整后的分类模型；再次利用训练集对调整后的分类模型进行训练，并利用测试集对训练后的分类模型参数进行优化，以得到训练好的分类模型。本发明专利技术通过预训练模型和模型微调的训练方式提高了模型对于医疗影像的分类能力。提高了模型对于医疗影像的分类能力。提高了模型对于医疗影像的分类能力。
【技术实现步骤摘要】
医学影像分类模型训练方法、医学影像分类方法及装置
[0001]本专利技术涉及医学
，尤其涉及医学影像分类模型训练方法、医学影像分类方法及装置。
技术介绍
[0002]许多应用场景都需要对医学影像进行分类。基于医疗影像的分类，可以对分类后的图像进行医学影像管理、医疗影像内容解析等任务。
[0003]目前对医学影像的分类往往需要对图像先进行OCR文字识别，识别出图片中的文字信息，再结合文字信息进行影像分类，但由于该方法需要先对图片进行图片文字识别，这个过程会影响整体的医疗影像分类效率。然而，近年来,随着医学影像数据规模不断扩大,医学影像进入大数据时代，在海量数据驱动下，现有的医学影像分类方法已无法满足迅速增长的医学影像诊断需求。
技术实现思路
[0004]本专利技术提供一种医学影像分类模型训练方法、医学影像分类方法及装置，用以解决现有技术中医学影像数据分类效率低下的缺陷，实现医学影像数据的高效分类。
[0005]一种医学影像分类模型训练方法，包括：
[0006]获取原始医疗影像数据，所述原始医疗影像数据中的每一个医学影像标注有医学影像类别；将所述原始医疗影像数据按照一定的比例划分训练集和测试集；
[0007]构建预训练分类模型，所述预训练分类模型用于对医学影像数据进行初步分类；
[0008]将所述训练集输入构建好的所述预训练分类模型进行预训练，并利用所述测试集对训练后的预训练分类模型参数进行优化，得到训练好的预训练分类模型；
[0009]对所述预训练分类模型的模型参数进行调整，得到调整后的分类模型；
[0010]再次利用所述训练集对调整后的所述分类模型进行训练，以再次调整所述分类模型的模型参数，并利用所述测试集对训练后的分类模型的模型参数进行优化，以得到训练好的分类模型。
[0011]进一步地，如上所述的医学影像分类模型训练方法，所述构建预训练分类模型包括：
[0012]在所述预训练分类模型的尾部添加一个新分类器，所述新分类器的神经元个数与待分类的医疗影像类别数一致；
[0013]将所述预训练分类模型的特征提取层参数冻结为不可训练状态，同时开放所述新分类器参数为可训练状态。
[0014]进一步地，如上所述的医学影像分类模型训练方法，所述对所述预训练分类模型的模型参数进行调整，得到调整后的分类模型包括：
[0015]以所述预训练分类模型新分类器作为分类模型的分类器，以所述预训练分类模型特征提取层作为分类模型的特征提取层；
[0016]将分类模型的所有参数调整为可训练状态。
[0017]进一步地，如上所述的医学影像分类模型训练方法，所述再次利用所述训练集对所述调整后的分类模型进行训练包括：
[0018]将所述训练集输入调整后的分类模型中，并基于Adam参数优化、缩小基础学习率及交叉熵损失函数对分类模型的参数进行调整。
[0019]进一步地，如上所述的医学影像分类模型训练方法，在利用所述训练集对预训练分类模型进行预训练之前，还包括：
[0020]将所述训练集和测试集分别进行数据增强，得到增强后的训练集和测试集；
[0021]以数据增强后的训练集和测试集作为所述预训练分类模型和分类模型的训练依据。
[0022]进一步地，如上所述的医学影像分类模型训练方法，所述医学影像类别包括：病理检查、病案首页、出院小结。
[0023]本专利技术还提供一种医学影像分类方法，包括：
[0024]获取待分类的医学影像数据；
[0025]将所述待分类的医学影像数据输入预先训练好的分类模型进行分类预测，并输出所述医学影像数据的分类结果；
[0026]其中，所述预先训练好的分类模型基于如上所述的方法训练得到。
[0027]本专利技术还提供一种医学影像分类模型训练装置，包括：
[0028]获取单元，用于获取原始医疗影像数据，所述原始医疗影像数据中的每一个医学影像标注有医学影像类别；将所述原始医疗影像数据按照一定的比例划分训练集和测试集；
[0029]构建单元，用于构建预训练分类模型，所述预训练分类模型用于对医学影像数据进行初步分类；
[0030]训练单元，用于将所述训练集输入构建好的所述预训练分类模型进行预训练，并利用所述测试集对训练后的预训练分类模型参数进行优化，得到训练好的预训练分类模型；
[0031]调整单元，用于对所述预训练分类模型的模型参数进行调整，得到调整后的分类模型；
[0032]所述训练单元，还用于再次利用所述训练集对调整后的所述分类模型进行训练，以再次调整所述分类模型的模型参数，并利用所述测试集对训练后的分类模型参数进行优化，以得到训练好的分类模型。
[0033]本专利技术还提供一种医学影像分类装置，包括：
[0034]获取单元，用于获取待分类的医学影像数据；
[0035]预测单元，用于将所述待分类的医学影像数据输入预先训练好的分类模型进行分类预测，并输出所述医学影像数据的分类结果；其中，所述预先训练好的医学影像分类模型基于如上所述的方法训练得到。
[0036]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述医学影像分类模型训练方法或实现如上所述医学影像分类方法。
[0037]本专利技术提供的医学影像分类模型训练方法、医学影像分类方法及装置，通过构建预训练分类模型来对医疗影像的图像特征进行初步分类，再通过微调预训练分类模型的模型参数来构建医学影像分类模型，提高了对医疗影像分类的精度。
附图说明
[0038]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0039]图1为本专利技术提供的医学影像分类模型训练方法流程示意图；
[0040]图2为原始医疗影像数据示意图；
[0041]图3为扩充后的医疗影像图像示意图；
[0042]图4为预训练分类模型的结构示意图；
[0043]图5不同迭代轮数下预训练模型训练精度与验证精度分布趋势图；
[0044]图6不同迭代轮数下预训练模型训练损失与验证损失分布趋势图；
[0045]图7不同迭代轮数下模型微调训练精度与验证精度分布趋势图；
[0046]图8不同迭代轮数下模型微调训练损失与验证损失分布趋势图；
[0047]图9为本专利技术医学影像分类方法流程图；
[0048]图10为本专利技术分类模型分类结果图；
[0049]图11为本专利技术提供的医学影像分类模型训练装置结构示意图；
[0050]图12为本专利技术提供的医学影像分类装置结构示意图；
[0051]图13是本专利技术提供的电子设备的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种医学影像分类模型训练方法，其特征在于，包括：获取原始医疗影像数据，所述原始医疗影像数据中的每一个医学影像标注有医学影像类别；将所述原始医疗影像数据按照一定的比例划分训练集和测试集；构建预训练分类模型，所述预训练分类模型用于对医学影像数据进行初步分类；将所述训练集输入构建好的所述预训练分类模型进行预训练，并利用所述测试集对训练后的预训练分类模型参数进行优化，得到训练好的预训练分类模型；对所述预训练分类模型的模型参数进行调整，得到调整后的分类模型；再次利用所述训练集对调整后的所述分类模型进行训练，以再次调整所述分类模型的模型参数，并利用所述测试集对训练后的分类模型的模型参数进行优化，以得到训练好的分类模型。2.根据权利要求1所述的医学影像分类模型训练方法，其特征在于，所述构建预训练分类模型包括：在所述预训练分类模型的尾部添加一个新分类器，所述新分类器的神经元个数与待分类的医疗影像类别数一致；将所述预训练分类模型的特征提取层参数冻结为不可训练状态，同时开放所述新分类器参数为可训练状态。3.根据权利要求2所述的医学影像分类模型训练方法，其特征在于，所述对所述预训练分类模型的模型参数进行调整，得到调整后的分类模型包括：以所述预训练分类模型新分类器作为分类模型的分类器，以所述预训练分类模型特征提取层作为分类模型的特征提取层；将分类模型的所有参数调整为可训练状态。4.根据权利要求3所述的医学影像分类模型训练方法，其特征在于，所述再次利用所述训练集对所述调整后的分类模型进行训练包括：将所述训练集输入调整后的所述分类模型中，并基于Adam参数优化、缩小基础学习率及交叉熵损失函数对分类模型的参数进行调整。5.根据权利要求3所述的医学影像分类模型训练方法，其特征在于，在利用所述训练集对预训练分类模型进行预训练之前，还包括：将所述训练集和测试集分别进行数据增强，得到增强后的训练集和测试集；以数据增强后的训练集和测试集作为所述预训练分类模型和分类模型的训练依...
【专利技术属性】
技术研发人员：陈坤龙，黄伟光，庄国强，
申请(专利权)人：易联众智鼎厦门科技有限公司，
类型：发明
国别省市：
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。