[发明专利]病变识别模型的训练方法、验证方法和病变图像识别装置

说明书

技术领域

本发明涉及深度学习技术领域，特别是一种病变识别模型的训练方法、利用该训练方法得到的数据模型的病变图像识别装置以及该病变识别模型的验证方法。

背景技术

深度学习旨在模仿人脑的神经网络，其作用就如人类大脑里掌管知觉、运动指令、意识、语言的“新皮层”，它能自己学习辨识声音、图像和其他数据，从而帮助计算机破解一些人类几乎完全依靠直觉来解决的琐碎问题，从识别人脸到理解语言等。

深度学习本身也源于一个更古老的计算理念：神经网络。这些神经网络系统模拟的是人脑内神经细胞之间的紧密关联。这些神经细胞可以彼此沟通，互相施加影响，当把这样一个神经网络暴露在数据面前，不同神经细胞之间的关系会发生改变。这样，网络就会发展出对某个类别的输入数据作出特定反应的能力。通过这种方式，网络就拥有了学习能力，“学”到了一些东西。

深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。所以“深度模型”是手段，“特征学习”是目的。区别于传统的浅层学习，深度学习的不同在于：1.强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；2.明确突出了特征学习的重要性，也就是说，同过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，使分类或预测更加容易。

与人工规则构造特征的方法相比，利用大数据来学习特征，更能刻画数据丰富的内在信息。所以，在未来的几年里，我们将看到越来越多的例子：深度模型应用于大数据，而不是浅层的线性模型。

物体检测是指通过某种算法从图像中提取信息，从而在图像中找到特定物体的具体位置。物体检测属于计算机视觉和模式识别的范畴，主要目标是让计算机拥有类似人类视觉的功能，能够较好地分析、理解图像和视频的内容。本文中，物体检测用于分析视频中存在的物体信息。

目前人工电子内窥镜下诊断各类消化道病变的主观性强、操作者专业技术要求较高、多种内镜技术诊断准确性欠佳。因此急需提供一种方案以解决上述技术问题。

发明内容

本发明的一个目的是提供一种病变识别模型的训练方法，得到一种可以用于病变图像检测识别的病变识别模型。

本发明的另一个目的是提供一种病变图像识别装置，能够更快速、准确地识别病变数据。

本发明的另一个目的是提供一种病变识别模型的验证方法，以验证病变识别模型应用于病变识别时的准确率。

为了实现上述目的，第一方面，本发明提供一种病变识别模型的训练方法，包括：

利用获取的病变图像样本对Faster RCNN网络进行训练，得到病变识别模型。

可选地或优选地，所述利用获取的病变图像样本对Faster RCNN网络进行训练包括：

融合FastRCNN模型和RPN模型训练出数据。

可选地或优选地，所述融合Fast RCNN模型和RPN模型训练出数据包括：

分别进行Fast RCNN网络训练和RPN网络训练，得到Fast RCNN模型和RPN模型；

利用Fast RCNN模型训练出数据，微调仅属于RPN网络的cls和reg层；

统一Fast RCNN模型和RPN模型后再次进行训练；

利用训练后的数据，微调仅属于Fast RCNN网络的全连接fc层；

进行最后的训练。

可选地或优选地，所述训练采用梯度下降法。

可选地或优选地，所述病变包括消化道病变、鼻病变、咽喉病变、肺部病变和肾部病变。

第二方面，本发明提供了一种病变图像识别装置，包括处理器和存储介质，所述存储介质中存储有能够被处理器执行的程序，所述程序在运行时能够实现：第一方面所述的病变识别模型识别病变图像。

可选地或优选地，所述识别病变数据包括：识别图像中的病灶类型并计算出该病灶类型的概率。

可选地或优选地，所述病变包括消化道病变、鼻病变、咽喉病变、肺部病变和肾部病变。

第三方面，本发明提供了一种病变识别模型的验证方法，用于验证第一方面所述的病变识别模型，包括：

利用病变识别模型识别采集到的病变数据，得到病变识别的第一验证结果；

获取医生识别病变数据得到的第二验证结果；

将第一验证结果和第二验证结果的准确率进行比较。

可选地或优选地，所述病变包括消化道病变、鼻病变、咽喉病变、肺部病变和肾部病变。