[发明专利]神经网络模型的训练方法、装置和电子设备

权利要求书

1.一种用于医学图像处理的神经网络模型的训练方法，包括：

执行初始训练步骤，以利用第一医学图像训练样本集执行初始训练，获得初始神经网络模型，所述第一医学图像训练样本集中的医学图像训练样本为已标注的医学图像训练样本；

执行预测步骤，以利用所述初始神经网络模型对第二医学图像训练样本集执行预测，获得所述第二医学图像训练样本集中每个医学图像训练样本的预测结果，所述第二医学图像训练样本集中的医学图像训练样本为未标注的医学图像训练样本，其中，所述每个医学图像训练样本的预测结果用于指示所述医学图像训练样本所含的信息量和所述医学图像训练样本的复杂度，其中，所述医学图像训练样本所含的信息量是通过对所述医学图像训练样本的不确定性和多样性进行加权计算得到的，其中，医学图像训练样本的不确定性指在该医学图像训练样本中检测到病灶的置信度，医学图像训练样本的多样性指该医学图像训练样本在所有医学图像训练样本中的特异性和代表性的指标，所述第二医学图像训练样本集中每个医学图像训练样本具有相应的弱监督信息，并且所述每个医学图像训练样本的复杂度与所述每个医学图像训练样本相应的弱监督信息的确信度负相关，其中，每个医学图像训练样本的弱监督信息基于与该医学图像训练样本对应的诊断报告得到；

执行优选医学图像训练样本确定步骤，以基于所述预测结果，从所述第二医学图像训练样本集确定多个优选医学图像训练样本，其中，所述多个优选医学图像训练样本为具有高信息量和低复杂度的医学图像训练样本；

执行医学图像训练样本扩展步骤，以接收对于所述多个优选医学图像训练样本的标注结果，将标注后的所述多个优选医学图像训练样本加入所述第一医学图像训练样本集，获得扩展的第一医学图像训练样本集；

执行更新训练步骤，以利用所述扩展的第一医学图像训练样本集执行更新训练，以获得更新的神经网络模型；

判断是否满足训练结束条件，在满足训练结束条件的情况下，结束所述训练方法；以及

在不满足所述训练结束条件的情况下，重复执行所述预测步骤、所述优选医学图像训练样本确定步骤、所述医学图像训练样本扩展步骤以及所述更新训练步骤。

2.如权利要求1所述的神经网络模型的训练方法，其中，具有高信息量的医学图像训练样本包括以下至少一部分：不匹配的医学图像训练样本、无召回的医学图像训练样本、低召回的医学图像训练样本和假阳性过多的医学图像训练样本，其中，所述不匹配的医学图像训练样本和所述无召回的医学图像训练样本具有高不确定性。

3.如权利要求1所述的神经网络模型的训练方法，其中，所述每个医学图像训练样本的预测结果为该医学图像训练样本所对应的热图，所述预测步骤还包括：使用阈值对所述热图进行二值化处理，以得到肿块病灶的显著区域的位置和轮廓。

4.如权利要求1所述的神经网络模型的训练方法，其中，所述优选医学图像训练样本确定步骤包括：

确定所述第二医学图像训练样本集中每个医学图像训练样本的信息量，并且选择第一预定数目的高信息量医学图像训练样本；以及

基于所述第一预定数目的高信息量医学图像训练样本中每个医学图像训练样本的复杂度，以从低复杂度到高复杂度的顺序，从所述第一预定数目的高信息量医学图像训练样本确定第二预定数目的高信息量医学图像训练样本，作为所述多个优选医学图像训练样本。

5.如权利要求4所述的神经网络模型的训练方法，其中，

每个医学图像训练样本的所述不确定性基于每个医学图像训练样本相应的弱监督信息和预测结果确定；

每个医学图像训练样本的所述多样性基于每个医学图像训练样本与所述第二医学图像训练样本集中的其他医学图像训练样本的相似性确定。

6.如权利要求1所述的神经网络模型的训练方法，其中，所述训练结束条件包括：

所述优选医学图像训练样本确定步骤不再生成优选医学图像训练样本；或者

所述更新的神经网络模型满足预定收敛条件。