[发明专利]神经网络模型的训练方法、装置和医学图像处理系统

说明书

本公开涉及人工智能领域中基于神经网络的计算机视觉技术。具体地，提供了一种神经网络模型的训练方法、装置和医学图像处理系统。训练方法包括：利用第一训练样本集执行初始训练，获得初始神经网络模型；利用初始神经网络模型对第二训练样本集执行预测，获得第二训练样本集中每个的预测结果；基于预测结果，从第二训练样本集确定多个优选样本；接收对于多个优选样本的标注结果，将标注后的多个优选样本加入第一训练样本集，获得扩展的第一训练样本集；利用扩展的第一训练样本集执行更新训练，以获得更新的神经网络模型；在满足训练结束条件时，结束训练；在不满足训练结束条件时，重复预测、优选样本确定、样本扩展以及更新训练步骤。

本分案申请是申请日为2019年6月25日、申请号为201910555746.1、 发明名称为“神经网络模型的训练方法、装置和电子设备”的分案申请。

技术领域

本公开涉及人工智能领域，更具体地，本公开涉及一种用于图像处理的 神经网络模型的训练方法、图像处理方法、神经网络模型的训练装置、电子 设备、医学图像处理系统和计算机可读存储介质。

背景技术

计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是 指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进 一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。 作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图 像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像 处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理 解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、 同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征 识别技术。神经网络是一种大规模、多参数优化的工具。依靠大量的训练数 据，神经网络能够学习出数据中难以总结的隐藏特征，从而完成多项复杂的 任务。神经网络已被人工智能界广泛应用。

在利用神经网络模型执行上述诸如图像语义分割、物体检测、动作追踪、 自然语言翻译等复杂任务时，需要利用人工标注的大量训练样本数据对神经 网络模型执行训练过程，以便在训练过程中不断调整整个神经网络模型的参 数设置，直到获得满足训练结束条件的神经网络模型以便随后执行相应的处 理任务。为了减少对于大量训练样本数据的人工标注成本，通常采用随机采 样学习的方式选取一部分训练样本数据进行人工标注。然而，由于随机采样 学习的方式从未标注的训练样本数据集中均匀采样部分数据进行人工标注， 对于原始训练样本数据集的数据分布没有改变，即采样后的用于训练的标注 训练样本中优质样本的比例没有变化。此外，采样后数据集样本数量下降， 会导致神经网络模型的训练更容易过拟合而导致性能下降。此外，不同于一 般自然图像的获取和标注，医学图像获取成本高，并且需要具有专业知识的 医生进行标注，从而导致训练图像集的构建难度大、成本高。

发明内容

鉴于上述问题而提出了本公开。本公开提供了一种神经网络模型的训练 方法、图像处理方法、神经网络模型的训练装置、电子设备和计算机可读存 储介质。

根据本公开的一个方面，提供了一种神经网络模型的训练方法，包括： 执行初始训练步骤，以利用第一训练样本集执行初始训练，获得初始神经网 络模型，所述第一训练样本集中的样本为已标注的样本；执行预测步骤，以 利用所述初始神经网络模型对第二训练样本集执行预测，获得所述第二训练 样本集中每个训练样本的预测结果，所述第二训练样本集中的样本为未标注 的样本；执行优选样本确定步骤，以基于所述预测结果，从所述第二训练样 本集确定多个优选样本；执行样本扩展步骤，以接收对于所述多个优选样本的标注结果，将标注后的所述多个优选样本加入所述第一训练样本集，获得 扩展的第一训练样本集；执行更新训练步骤，以利用所述扩展的第一训练样 本集执行更新训练，以获得更新的神经网络模型；判断是否满足训练结束条 件，在满足训练结束条件的情况下，结束所述训练方法；以及在不满足所述 训练结束条件的情况下，重复执行所述预测步骤、所述优选样本确定步骤、 所述样本扩展步骤以及所述更新训练步骤。