[发明专利]图像分类模型的训练方法、装置、计算机设备及存储介质

说明书

本发明实施例公开了一种图像分类模型的训练方法、装置、计算机设备及存储介质，其中方法包括：根据预设的第一区域分割方法、预设的标注工具和获取的目标图像，对预设的深度学习模型进行图像块分类训练，得到第一模型；根据预设的第二区域分割方法、所述标注工具和所述目标图像，对所述第一模型进行图像块分类训练，得到第二模型；根据预设的第三区域分割方法、所述标注工具和所述目标图像，对所述第二模型进行图像块分类训练，得到图像分类模型。通过不同的分割方法提高了训练模型的样本的丰富程度，通过两次优化和丰富的样本提高了训练后的模型的预测性能。

技术领域

本发明涉及数字医疗技术领域，尤其涉及一种图像分类模型的训练方法、装置、计算机设备及存储介质。

背景技术

随着人工智能技术的应用推广，尤其在机器视觉领域，已逐渐取代部分人类工作。医疗场景是机器视觉上应用的重要场景。人工智能应用于医学图像的识别、判读及预测任务越来越多，比如，AI(人工智能)辅助肺CT(电子计算机断层扫描)结节的诊断、宫颈细胞病理辅助筛查等。深度学习模型的训练，需要大量人工对图像进行阳性区域的轮廓标注或逐个像素标注。现有技术采用人工对图像标注出大量样本一次性训练模型，标注成本较高，而且训练出的模型依赖样本分布，导致训练出的模型对样本分布以外的图像的预测性能较差。

发明内容

基于此，有必要针对现有技术采用人工对图像标注出大量样本一次性训练模型，标注成本较高，而且训练出的模型依赖样本分布，导致训练出的模型对样本分布以外的图像的预测性能较差的技术问题，提出了一种图像分类模型的训练方法、装置、计算机设备及存储介质。

一种图像分类模型的训练方法，所述方法包括：

根据预设的第一区域分割方法、预设的标注工具和获取的目标图像，对预设的深度学习模型进行图像块分类训练，得到第一模型；

根据预设的第二区域分割方法、所述标注工具和所述目标图像，对所述第一模型进行图像块分类训练，得到第二模型；

根据预设的第三区域分割方法、所述标注工具和所述目标图像，对所述第二模型进行图像块分类训练，得到图像分类模型。

进一步地，所述根据预设的第一区域分割方法、预设的标注工具和获取的目标图像，对预设的深度学习模型进行图像块分类训练，得到第一模型的步骤，包括：

根据所述第一区域分割方法，对所述目标图像进行图像块分割，得到第一图像块集；

采用所述标注工具，对所述第一图像块集中的每个图像块进行展示并获取用户的标注结果，得到第一标注结果；

根据所述第一图像块集和各个所述第一标注结果，对所述深度学习模型进行图像块分类训练，得到所述第一模型。

进一步地，所述根据预设的第二区域分割方法、所述标注工具和所述目标图像，对所述第一模型进行图像块分类训练，得到第二模型的步骤，包括：

采用所述第二区域分割方法中的第一子分割方法，对所述目标图像进行图像块分割，得到第二图像块集；

将所述第二图像块集输入所述第一模型进行每个图像块的分类预测，得到第一预测向量；

从各个所述第一预测向量中获取阳性向量元素位于预设的概率范围内的每个所述第一预测向量，作为第一命中向量；

采用所述标注工具，对所述第二图像块集中的与所述第一命中向量对应的图像块进行展示并获取用户的标注结果，得到第二标注结果；

根据所述第二图像块集中的与各个所述第一命中向量对应的各个图像块和各个所述第二标注结果，对所述第一模型进行图像块分类训练，得到待处理模型；

采用所述第二区域分割方法中的第二子分割方法，对所述目标图像进行图像块分割，得到第三图像块集；