[发明专利]基于互补注意力的训练方法

说明书

本公开描述了一种基于互补注意力的训练方法，包括：准备训练数据集，训练数据集包括多张带有病变的检查图像以及与检查图像关联的具有病变标注结果的标注图像；对检查图像进行特征提取以获得特征图，并且基于注意力机制对检查图像进行处理以得到注意力热度图；利用第一人工神经网络对检查图像进行分类，并结合标注图像得到第一损失函数，利用第二人工神经网络模块基于特征图和注意力热度图对检查图像进行分类，并结合标注结果得到第二损失函数，利用第三人工神经网络对检查图像进行无病判别得到第三损失函数。通过组合此三种损失函数，能够有效地提高对组织病变进行组织病变识别的准确性。

本申请是申请日为2020年11月27日、申请号为2020113599702、发明名称为基于人工神经网络的组织病变识别的训练方法及训练系统的分案申请。

技术领域

本公开大体涉及基于互补注意力的训练方法。

背景技术

随着人工智能技术的发展和成熟，在医疗领域的各个方面人工智能技术逐渐得到了推广。特别是医学中的医学成像是目前人工智能技术应用比较热门的领域。医学成像是诊断许多疾病的有用工具，医学成像过程中会产生大量医学图像数据，对这些图像数据进行处理和识别需要医师大量时间，而且难以保证识别的准确性。医学图像中，主要利用人工智能技术对图像中的组织进行组织病变识别，以提高组织病变识别的准确性。

目前在应用人工智能技术对医学图像进行识别中通常采用卷积神经网络(CNN)。卷积神经网络的卷积结构可以减少深层网络占用的内存量，其具有三个关键的操作，其一是局部感受野，其二是权值共享，其三是池化层。由此，能够有效地减少网络的参数个数，缓解卷积神经网络的过拟合问题。卷积神经网络的结构能够较好地适应医学图像的结构并对特征进行提取以及识别。

然而，对于一些病变部位例如眼底病变部位，病变区域比较小且分布不规则，一般的应用注意力机制的卷积神经网络，往往容易忽略注意力热度图中注意力低的病变区域，导致出现误判的现象，从而使这些病变区域的组织病变识别的准确性较低。

发明内容

本公开有鉴于上述现有技术的状况而完成，其目的在于提供一种能够有效地提高对组织病变进行识别的准确性的基于人工神经网络的组织病变识别的训练方法及训练系统。