[发明专利]图像检测学习网络的训练和获取方法、图像检测装置和介质

说明书

本公开涉及一种图像检测学习网络的训练和获取方法、图像检测装置和介质。所述训练方法包括：构建第一学习网络和第二学习网络，使得所述第二学习网络的参数的数量少于所述第一学习网络；由处理器，利用医学图像的训练数据集对第一学习网络进行训练，以得到训练好的第一学习网络；由所述处理器，利用所述医学图像的训练数据集基于训练好的第一学习网络的学习结果对所述第二学习网络进行训练，所述第二学习网络被配置用于医学图像检测。本公开得到的第二学习网络能够兼顾医学图像检测的计算精度和计算效率。

交叉引用

本申请要求于2018年3月29日提交的申请号为62/650,268的美国临时申请的优先权，其全部内容通过引用结合于此。

技术领域

本公开大体涉及图像处理和分析。更具体地，本公开涉及用于医学图像检测的学习网络的训练方法和获取方法，以及医学图像检测装置和其上存储有相应程序的非暂时性计算机可读的介质。

背景技术

随着医学技术的发展，图像采集装置能够采集到细节更丰富、分辨率更高的医学图像，分辨率更高的医学图像能够为医师提供更全面的图像信息。如果能在分辨率更高的医学图像中早期识别出诸如恶性肿瘤、浸润性癌症等病灶，就能进行及时治疗并显著降低死亡率。以全片图像(WSI，也成为全片数字化图像)为例，传统的办法是由经验丰富的病理学家勾画出肿瘤区域以进行组织学诊断分析。但是，对于病理学家来说对于肿瘤区域的精准勾画以及核心识别是耗时的且容易出错。虽然引入了计算机辅助诊断(CAD)方法试图协助病理学家的诊断任务，但是，诸如WSI的医学图像可以具有高达200,000×100,000像素的图像分辨率，考虑到计算负荷，传统的CAD方法只能处理WSI的小区域。

近来，虽然引入了深度学习方法(例如但不限于使用GoogleNet作为检测器，使用递归神经网络，或者使用模型集成(也就是数个Inception V3模型)等)来对诸如WSI的大尺寸医学图像进行检测分析，但现有方法难以兼顾计算精度和计算效率(计算负荷、计算速度及成本)。

提出本公开以解决以上问题。

发明内容

本公开意图提供一种图像检测学习网络的训练方法和获取方法、图像检测装置和介质，其能够兼顾医学图像检测的计算精度和计算效率。

根据本公开的第一方面，提供一种图像检测学习网络的训练方法，所述训练方法包括：构建第一学习网络和第二学习网络，使得所述第二学习网络的参数的数量少于所述第一学习网络；由处理器，利用医学图像的训练数据集对第一学习网络进行训练，以得到训练好的第一学习网络；由所述处理器，利用所述医学图像的训练数据集基于训练好的第一学习网络的学习结果对所述第二学习网络进行训练，所述第二学习网络被配置用于医学图像检测。

在一些实施例中，训练好的第一学习网络的学习结果包括其权重参数以及其习得的各种分类的概率。

在一些实施例中，基于训练好的第一学习网络的学习结果对所述第二学习网络进行训练包括：基于训练好的第一学习网络的分类损失、所述第二学习网络与所述训练好的第一学习网络生成的各种分类的概率的差异连同所述第二学习网络与所述训练好的第一学习网络的中间层对应的特征的差异作为损失函数，对所述第二学习网络进行训练。

在一些实施例中，所述损失函数利用如下公式(1)计算：

其中，L表示所述损失函数，S表示训练数据集，x表示训练样本，L_CLS表示第一损失项，该第一损失项基于训练好的第一学习网络的分类损失以及所述第二学习网络与所述训练好的第一学习网络生成的各种分类的概率的差异两者，L_guide表示第二损失项，该第二损失项表示所述第二学习网络与所述训练好的第一学习网络的中间层对应的特征的差异，L_reg表示正则化惩罚项，λ和γ为所述第二学习网络训练前预定的参数。