[发明专利]医学影像分级模型训练及预测方法、装置、设备及介质

权利要求书

1.一种医学影像分级模型训练方法，其特征在于，所述方法包括：

当待训练的医学影像分级模型不满足收敛条件时，将当前图像输入至待训练的医学影像分级模型；其中，所述当前图像包括：细粒度标注的图像和粗粒度标注的图像；

通过所述医学影像分级模型计算出所述当前图像对应的概率向量；

根据所述当前图像对应的概率向量和预先构建的所述当前图像对应的标签向量，对所述待训练的医学影像分级模型进行训练，将下一个图像作为所述当前图像，重复执行上述操作，直到所述待训练的医学影像分级模型满足所述收敛条件。

2.根据权利要求1所述的方法，其特征在于，所述通过所述医学影像分级模型计算出所述当前图像对应的概率向量，包括：

按照从左到右的顺序将所述当前图像对应的概率向量的第一个位置作为当前位置；

若所述当前位置不为所述当前图像对应的概率向量的最后一个位置，则根据所述当前位置的顺序确定出所述当前位置的次序；其中，所述当前图像对应的概率向量的最后一个位置为预先确定的疾病严重级别的总数减1；

将所述当前位置上的元素取值为所述当前图像对应的疾病严重级别大于等于所述当前位置的次序的概率；将所述当前位置的下一个位置作为所述当前位置，重复执行上述操作，直到所述当前位置为所述当前图像对应的概率向量的最后一个位置。

3.根据权利要求1所述的方法，其特征在于，在所述将当前图像输入至待训练的医学影像分级模型之前，所述方法还包括：

若所述当前图像为所述细粒度标注的图像，则构建出所述细粒度标注的图像对应的标签向量，将所述细粒度标注的图像对应的标签向量作为所述预先构建的所述当前图像对应的标签向量；

若所述当前图像为所述粗粒度标注的图像，则构建出所述粗粒度标注的图像对应的标签向量，将所述粗粒度标注的图像对应的标签向量作为所述预先构建的所述当前图像对应的标签向量。

4.根据权利要求3所述的方法，其特征在于，所述构建出所述细粒度标注的图像对应的标签向量，包括：

按照从左到右的顺序将所述当前图像对应的标签向量的第一个位置作为当前位置；

若所述当前位置不为所述当前图像对应的标签向量的最后一个位置，则根据所述当前位置的顺序确定出所述当前位置的次序；其中，所述当前图像对应的标签向量的最后一个位置为预先确定的疾病严重级别的总数减1；

将所述当前位置上的元素取值为所述当前图像对应的疾病严重级别大于等于所述当前位置的次序的概率；将所述当前位置的下一个位置作为所述当前位置，重复执行上述操作，直到所述当前位置为所述当前图像对应的标签向量的最后一个位置。

5.根据权利要求3所述的方法，其特征在于，所述构建出所述粗粒度标注的图像对应的标签向量，包括：

若所述当前图像对应的疾病阴阳性为阴性，则将所述当前图像对应的标签向量的前N个位置上的元素取值为任意数值；将所述当前图像对应的标签向量的后C-N-1个位置上的元素取值为0；

若所述当前图像对应的疾病阴阳性为阳性，则将所述当前图像对应的标签向量的前N+1个位置上的元素取值为1；将所述当前图像对应的标签向量的后C-N-2个位置上的元素取值为任意数值；其中，C为预先确定的疾病严重级别的总数；N为预先确定的疾病阴阳性的分界位置。

6.一种医学影像分级预测方法，其特征在于，所述方法包括：

将训练集中的每一张图像分别输入至预先训练的医学影像分级模型；

通过所述医学影像分级模型计算出每一张图像对应的概率向量；

根据每一张图像对应的概率向量计算每一个概率向量的概率和，得到每一张图像对应的概率和；

将每一张图像对应的疾病严重级别确定为每一张图像对应的概率和大于预先构建的划分点集合中的划分点的数量。