[发明专利]神经网络训练方法及装置、电子设备和存储介质

说明书

本公开涉及一种神经网络训练方法及装置、电子设备和存储介质，所述方法包括：获取样本图像中目标区域的位置信息及类别信息；根据目标区域的位置信息，裁剪出至少一个目标区域；根据类别信息，将裁剪出的至少一个目标区域进行归类，得到N类样本图像块；将N类样本图像块输入至神经网络中进行训练。根据本公开的实施例的神经网络训练方法，可获得样本图像块的精细分类，并对神经网络进行训练，使得神经网络可对图像进行精细分类，提高分类效率，并提高医疗诊断准确度。

技术领域

本公开涉及计算机技术领域，尤其涉及一种神经网络训练方法及装置、电子设备和存储介质。

背景技术

机器学习等方法在图像处理领域有着广泛应用，例如，可应用于普通图像或三维图像的分类和图像检测等领域。例如，在医学图像的处理中，可通过机器学习方法来确定患病的类别以及检测病变区域等。

在医学图像的处理中，肺部医学图像(例如，肺部计算机断层扫描(CT，ComputedTomography))的分类和检测在医学筛查和肺炎、肺癌等诊断的诊断中具有重要作用。肺癌是我国最常见的恶性肿瘤之一，其死亡率无论是在城市或农村、男性或女性，均居癌症死亡的首位，其中，腺癌约占所有肺癌的40％。使用医学图像(例如，肺部CT和低剂量螺旋CT)进行筛查，越来越多的早期肺腺癌被发现并表现为磨玻璃结节(ground-glass nodule，GGN)。腺癌分为浸润前腺癌非典型腺瘤增生(Atypical adenomatous hyperplasia ofpreinvasive adenocarcinoma，AAH)，原位腺癌(adenocarcinoma in situ，AIS)，微创腺癌(Minimally invasive adenocarcinoma，MIA)和浸润性腺癌(invasive adenocarcinoma，IA)。随着肿瘤大小的增加，生存期会出现显著下降，这表明早期发现和诊断是降低患者死亡率的有效且至关重要的方法。因此，在手术前及早发现侵袭性特征在临床上将是重要的，并可为临床决策提供指导。但是，由于缺乏早期癌症的典型放射学特征(气泡清晰，胸膜回缩等)，临床上，专家或放射科医生很难准确地从CT图像上鉴别诊断亚型GGN类别。在这种情况下，基于人工智能的计算机辅助诊断是评估结节侵袭性的一种更加有效方法，有望在临床评估任务中发挥重要作用。

在相关技术中，通常是通过机器学习等方式预测输入的结节的图像属于恶性肿瘤还是良性肿瘤，还没有进一步做细分类的技术。

发明内容

本公开提出了一种神经网络训练方法及装置、电子设备和存储介质。

根据本公开的一方面，提供了一种神经网络训练方法，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。

根据本公开的实施例的神经网络训练方法，可获得样本图像块的精细分类，并对神经网络进行训练，使得神经网络可对图像进行精细分类，提高分类效率，并提高医疗诊断准确度。

在一种可能的实现方式中，所述样本图像为医学影像图片。

在一种可能的实现方式中，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。

在一种可能的实现方式中，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。