[发明专利]一种病变识别模型训练方法、装置及存储设备

说明书

本发明公开了一种病变识别模型训练方法、装置及存储设备，其中方法包括：获取初始训练集；对所述初始训练集进行增广操作得到增强训练集；利用所述增强训练集训练深度残差网络，通过超参数搜索，得到测试精度最高的训练模型作为病变识别模型。利用所述方法训练得到的病变识别模型精确度高，识别能力强，泛化能力优越，有利于降低医生误诊漏诊率，也有利于降低对医生的业务能力要求。

技术领域

本发明涉及深度学习领域，尤其是病变识别模型训练方法、装置及存储设备。

背景技术

深度学习这一概念最早于2006年被提出，近年来微软、谷歌、百度等公司都推出了各自的深度学习系统，深度学习本质上是一种计算机模拟人脑神经网络的的算法，目前常见的有卷积神经网络(CNN)、循环神经网络(RNN)、深度神经网络(DNN)。图像识别技术是人工智能领域目前应用相对广泛且技术相对最为成熟的应用之一，图像识别技术中应用较多的是卷积神经网络(CNN)和深度神经网络(DNN)。

某些疾病比如消化道疾病，通常需要通过内镜治疗仪来获取相关影像和图片来为医生提供检查和诊断的依据。在获得医疗影像和图片之后，医生通过实际观察做出对应的诊疗结果，这对医生的经验和业务能力均有非常高的要求。如果医生的临床经验较少、业务能力不强或者对应的影像资料存在部分瑕疵，都可能导致医生诊疗结果的失误，对患者造成极大的损失和伤害。

发明内容

基于现有技术的上述缺陷，本发明实施例提供一种将人工智能图像识别技术应用于病变诊断的模型训练方法、设备及存储介质。

本发明能够以多种方式实现，包括方法、系统、设备、装置或计算机可读介质，在下面论述本发明的几个实施例。

一种病变识别模型训练方法，包括：

获取初始训练集；

对所述初始训练集进行增广操作得到增强训练集；

利用所述增强训练集训练深度残差网络，通过超参数搜索，得到测试精度最高的训练模型作为病变识别模型。

进一步地，所述增广操作包括对所述初始训练集进行旋转和镜像操作。

进一步地，利用所述增强训练集训练深度残差网络，具体包括：以概率p舍弃神经元，并让其它神经元以概率1-p保留，每个神经元被关闭的概率相同。

进一步地，利用所述增强训练集训练深度残差网络，具体包括：训练过程中使用基于梯度的损失优化方法，梯度更新值产生震荡，梯度值减小，否则梯度值增加。

进一步地，，所述深度残差网络包括18层卷积层，第1至第17层卷积层舍弃神经元的概率依次为0.9、0.9、0.8、0.8、0.7、0.7、0.7、0.7、0.7、0.7、0.7、0.7、0.7、0.7、0.7、0.7和0.6。

进一步地，对所述初始训练集进行旋转操作，具体包括，对初始训练集的原始图像进行n*30°的旋转，n＝1、2、3、4、5、6、7、8、9、10、11。

进一步地，对初始训练集的原始图像进行左右、上下镜像操作。

进一步地，还设置有测试集，利用所述测试集验证训练模型，并利用验证结果对所述训练模型进行参数调优。

一种病变识别模型训练装置，包括处理器，适于实现各指令；以及存储设备，适于存储多条指令，所述指令适于由处理器加载并执行权利要求1至8任一项所述的提取方法。

一种存储设备，其中存储多条指令，所述指令适用于由处理器加载并执行如权利要求1至8任一项所述的提取方法的步骤。