[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

说明书

本申请公开了一种医学影像分级模型训练及预测方法、装置、设备及介质，涉及人工智能、深度学习以及图像处理领域，具体可应用于眼底影像筛查方面。该训练方法包括：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；通过医学影像分级模型计算出当前图像对应的概率向量；根据当前图像对应的概率向量和标签向量，对医学影像分级模型进行训练，直到医学影像分级模型满足收敛条件。本申请实施例不仅可以使用高成本、细粒度标注的图像，还可以使用低成本、粗粒度标注的图像，从而可以减少医学影像分级模型对细粒度标注的图像的依赖，降低医学影像数据的分析成本。

技术领域

本申请涉及计算机技术领域，进一步涉及人工智能、深度学习以及图像处理领域，尤其是一种医学影像分级模型训练及预测方法、装置、设备及介质。

背景技术

近年来，深度学习(Deep Learning，DL)和卷积神经网络(Convolutional neuralnetworks，CNNs)已经迅速发展成为自动化医学影像分析的研究热点。由于深度学习依赖大量直接相关的标注数据，使得应用它们需要高昂的数据标注成本。以疾病严重程度分级任务为例，现有方法要求有大量医学影像数据分别被包含于每一个疾病级别。与此同时，大量低成本的粗粒度标注的数据无法被利用，如仅标注疾病阴阳性的数据。例如，针对同一张眼底图像，可以采用细粒度的标注方式，将其标注为：糖尿病视网膜病变3期；也可以采用粗粒度的标注方式，将其标注为：糖尿病视网膜病变阳性。

现有技术中的医学影像分级主要包括以下两种方案：方案1、采用图像分类任务的建模方法；方案2、采用回归任务的建模方法；其中，上述方案1将医学影像分级映射至互相独立的类别，要求模型输出待测样本属于各类别的概率，以概率值最大的类别作为预测的医学影像分级，并根据预测结果与标注的差异实现模型训练。这种方法将疾病严重级别看作互相独立的类别，仅能使用细粒度标注的图像，而无法使用粗粒度标注的图像。此外，上述方案2要求模型将待测样本变换为一个连续数值并实现医学影像分级。这类方法在预测级别与标注偏差较大时，将产生更大的惩罚；而且该方法与方案1类似，同样要求待测样本的标注是准确的疾病严重级别。

发明内容

本申请提供了一种医学影像分级模型训练及预测方法、装置、设备以及存储介质，在对医学影像分级模型进行训练时，不仅可以使用高成本、细粒度标注的图像，还可以使用低成本、粗粒度标注的图像，从而可以减少医学影像分级模型对细粒度标注的图像的依赖，降低医学影像数据的分析成本。

第一方面，本申请提供了一种医学影像分级模型训练方法，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

第二方面，本申请提供了一种医学影像分级预测方法，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。

第三方面，本申请提供了一种医学影像分级模型训练装置，所述装置包括：第一输入模块、第一计算模块和训练模块；其中，