[发明专利]神经网络训练方法及装置、电子设备和存储介质在审

专利信息
申请号: 202010148544.8 申请日: 2020-03-05
公开(公告)号: CN111368923A 公开(公告)日: 2020-07-03
发明(设计)人: 王娜;宋涛;刘星龙;黄宁;张少霆 申请(专利权)人: 上海商汤智能科技有限公司
主分类号: G06K9/62 分类号: G06K9/62;G06K9/32;G06N3/04;G06N3/08
代理公司: 北京林达刘知识产权代理事务所(普通合伙) 11277 代理人: 刘新宇
地址: 200233 上海市徐*** 国省代码: 上海;31
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 神经网络 训练 方法 装置 电子设备 存储 介质
【权利要求书】:

1.一种神经网络训练方法,其特征在于,包括:

获取样本图像中目标区域的位置信息及类别信息;

根据所述目标区域的位置信息,裁剪出至少一个所述目标区域;

根据所述类别信息,将裁剪出的至少一个所述目标区域进行归类,得到N类样本图像块,N为整数,且N≧1;

将所述N类样本图像块输入至神经网络中进行训练。

2.根据权利要求1所述的方法,其特征在于,所述样本图像为医学影像图片。

3.根据权利要求2所述的方法,其特征在于,所述获取样本图像中目标区域的位置信息及类别信息包括:

对医学影像图片上的目标区域进行定位,得到所述目标区域的位置信息;

获取与所述医学影像图片关联的病理学图片;

根据所述病理学图片上的各目标区域的病理信息,标注所述影像学图片上的目标区域的类别信息。

4.根据权利要求1所述的方法,其特征在于,将所述N类样本图像块输入至神经网络中进行训练,包括:

将任一的样本图像块输入所述神经网络进行处理,获得样本图像块的类别预测信息和预测目标区域;

至少根据所述类别预测信息和所述样本图像块的类别信息,确定分类损失;

根据所述预测目标区域和所述样本图像块的位置信息,确定分割损失;

根据所述分类损失和所述分割损失,训练所述神经网络。

5.根据权利要求4所述的方法,其特征在于,根据所述类别预测信息和所述样本图像块的类别信息,确定分类损失,包括:

根据所述类别预测信息和所述样本图像块的类别信息,确定第一分类损失;

根据所述类别预测信息和所述样本图像块所属类别的类中心的类别信息,确定第二分类损失;

对所述第一分类损失和所述第二分类损失进行加权求和处理,获得所述分类损失。

6.根据权利要求4所述的方法,其特征在于,根据所述预测目标区域和所述样本图像块的位置信息,确定分割损失,包括:

根据所述预测目标区域的像素数量在所述样本图像块中所占的第一比例,确定所述预测目标区域的第一权重和所述样本图像块中样本背景区域的第二权重;

根据所述第一权重、第二权重、所述预测目标区域和所述样本图像块的位置信息,确定所述分割损失。

7.根据权利要求6所述的方法,其特征在于,根据所述预测目标区域的像素数量在所述样本图像块中所占的第一比例,确定所述预测目标区域的第一权重和所述样本图像块中样本背景区域的第二权重,包括:

根据所述预测目标区域的像素数量在所述样本图像块中所占的第一比例,确定所述样本图像块中样本背景区域的第二比例;

将所述第二比例确定为所述第一权重,并将所述第一比例确定为第二权重。

8.根据权利要求1-7任意一项所述的方法,其特征在于,所述类别为包括:腺癌分为浸润前腺癌非典型腺瘤增生结节、原位腺癌结节、微创腺癌结节和浸润性腺癌结节。

9.根据权利要求1-8任意一项所述的方法,其特征在于,所述神经网络包括共享特征提取网络、分类网络和分割网络,

所述方法还包括:

将待处理图像块输入共享特征提取网络进行处理,获得待处理图像块的目标特征,其中,所述共享特征提取网络包括M个共享特征提取块,第i个共享特征提取块的输入特征包括前i-1个共享特征提取块的输出特征,i,M为整数且1<i≤M;

将所述目标特征输入分类网络进行分类处理,获得所述待处理图像块的类别信息;

将所述目标特征输入分割网络进行分割处理,获得所述待处理图像块中的目标区域。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于上海商汤智能科技有限公司,未经上海商汤智能科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010148544.8/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top