[发明专利]一种检测模型的训练方法、装置及终端设备

说明书

本发明实施例公开了一种检测模型的训练方法、装置及终端设备，应用于信息处理技术领域。训练装置会先确定初始训练模型中包括初始检测模型和自适应模型，及包括已进行病变目标信息标注的源域数据和未进行病变目标信息标注的目标域数据；然后再根据初始检测模型和自适应模型对训练样本中的数据进行处理后，分别得到检测结果和域分类结果；最后再根据检测结果和域分类结果及上述的训练样本计算相关的损失函数值，并根据损失函数值对初始训练模型中的固定参数值进行调整，以得到最终的检测模型。使得在病变目标信息标注困难的情况下，也能使用未标注病变目标信息的图像，以使得训练样本足够多，使得最终训练得到的检测模型的效果较好。

技术领域

本发明涉及信息处理技术领域，特别涉及一种检测模型的训练方法、装置及终端设备。

背景技术

近年来，人工智能在医疗影像领域中的发挥着越来越大的作用。基于深度学习方法的结直肠息肉的检测系统，对上百万张金标的结直肠数据进行学习训练，辅助临床医生诊断，降低漏检率。

在一种具体的结直肠息肉的检测系统中：使用卷积神经网络对待检测图像进行特征提取，再通过支持向量机方法进行分类。在通过支持向量机方法进行分类时，先确定待检测图像中有无息肉的存在，然后对待检测图像中的息肉进行性质分类。

其中，在训练卷积神经网络和支持向量机时使用的数据是私有数据，数据量较少，这样得到的系统的检测效果不佳；且由于每个医院采用的设备不同以及不同医生之间的操作习惯不同，从不同医院采集的影像数据存在一定的差异性，例如影像的分辨率，背景噪声，这导致在不同医院推广结直肠息肉的检测系统时，检测效果会大打折扣。

通过收集更多的训练数据，涵盖更多医院的数据，这在一定程度上是可以改善这种情况，但是，训练数据中结直肠的数据需要专业的医师对训练图片进行标注，收集更多的数据将会耗费巨大的财力和时间。

发明内容

本发明实施例提供一种检测模型的训练方法、装置及终端设备，实现了根据初始检测模型和自适应模型训练最终的检测模型。

本发明实施例第一方面提供一种检测模型的训练方法，包括：

确定初始训练模型，所述初始训练模型中包括初始检测模型和自适应模型；

确定训练样本，所述训练样本中包括源域数据和目标域数据，所述源域数据中包括多个第一用户身体器官图像，各个第一用户身体器官图像中是否包括病变目标的第一标识及各个第一用户身体器官图像所属域的第二标识；所述目标域数据中包括多个第二用户身体器官图像及各个第二用户身体器官图像所属域的第三标识；

由所述初始检测模型根据各个第一用户身体器官图像的特征分别确定各个第一用户身体器官图像中是否包括病变目标，得到检测结果；及由所述自适应模型根据各个用户身体器官图像的特征分别确定所述训练样本中各个用户身体器官图像所属域，得到域分类结果；

根据所述检测结果和域分类结果及所述第一标识、第二标识和第三标识，计算与所述初始训练模型相关的损失函数值；

根据所述损失函数值调整所述初始训练模型中的固定参数值，以得到最终的检测模型。

本发明实施例第二方面还提供一种训练装置，包括：

模型确定单元，用于确定初始训练模型，所述初始训练模型中包括初始检测模型和自适应模型；

样本确定单元，用于确定训练样本，所述训练样本中包括源域数据和目标域数据，所述源域数据中包括多个第一用户身体器官图像，各个第一用户身体器官图像中是否包括病变目标的第一标识及各个第一用户身体器官图像所属域的第二标识；所述目标域数据中包括多个第二用户身体器官图像及各个第二用户身体器官图像所属域的第三标识；