[发明专利]模型训练方法、医疗图像处理方法及电子设备

说明书

本申请实施例提供了模型训练方法、医疗图像处理方法及电子设备，模型训练方法包括：对训练医疗图像进行域统一处理，得到经过域统一处理的训练医疗图像，对训练医疗图像进行域统一处理包括：获取训练医疗图像的每一个单通道医疗图像；对所述每一个单通道医疗图像分别进行预设处理操作；对每一个经过预设处理操作的单通道医疗图像分别进行数值域重整；对每一个经过数值域重整的单通道医疗图像分别进行色彩空间混淆；对每一个经过色彩空间混淆的单通道医疗图像分别进行归一化处理；利用经过域统一处理的训练医疗图像对预设机器学习模型进行训练。提升机器学习模型的泛化性。大幅度提升在进行机器学习模型在未见域的医疗图像上的性能。

技术领域

本申请涉及机器学习领域，具体涉及模型训练方法、医疗图像处理方法及电子设备。

背景技术

在对用于医疗领域的机器学习模型进行训练时，训练集经常包括多个domain(域)的医疗图像。可以表现成为不同的相机类型有不同的色彩特征、不同的拍摄质量、不同的人群等。例如，用于分析眼部的健康情况的机器模型的训练集经常包括多个domain(域)的眼底医疗图像。

目前，是直接利用包括多个域的医疗图像训练集对机器学习模型进行训练。由于不同域的医疗图像在与整体色彩上有明显地差异，因此，诸如与整体色彩相关的特征会成为需要学习的特征。

然而，在训练医疗图像的收集过程中，很多域的医疗图像由于各种限制因素难以获得，这些域称之为未见域。例如，某些特定相机拍摄的医疗图像无法获得、某些特定人群的医疗图像难以采集等。

同时，在训练之后利用机器学习模型处理医疗图像时，一些未知域的待处理医疗图像却均可能经常出现。由于训练集中缺少未见域的训练医疗图像，使得机器学习模型难以学习到未见域的医疗图像的与整体色彩相关的特征，导致机器学习模型在未见域的医疗图像上的性能大幅下降。

这一问题在同一个人的医疗图像上表现更为明显。例如，不同相机对同一人的进行拍摄得到的医疗图像在整体色彩上的差异非常大，例如每一个相机拍摄的同一个人的医疗图像在色彩的呈现、明暗上等都有很大的不同，导致在整体色彩上的差异非常大。可能出现同一个人的多个医疗图像，仅由于属于不同的域，导致机器学习模型输出不同的处理结果。

发明内容

为克服相关技术中存在的问题，本申请提供一种模型训练方法、医疗图像处理方法及电子设备。

根据本申请实施例的第一方面，提供一种模型训练方法，包括：

对训练医疗图像进行域统一处理，得到经过域统一处理的训练医疗图像，对训练医疗图像进行域统一处理包括：获取所述训练医疗图像的每一个单通道医疗图像；对所述每一个单通道医疗图像分别进行预设处理操作，预设处理操作包括：减均值处理；对每一个经过预设处理操作的单通道医疗图像分别进行数值域重整；对每一个经过数值域重整的单通道医疗图像分别进行色彩空间混淆；对每一个经过色彩空间混淆的单通道医疗图像分别进行归一化处理；

利用经过域统一处理的训练医疗图像对预设机器学习模型进行训练。

根据本申请实施例的第二方面，提供一种医疗图像处理方法，包括：

获取待处理医疗图像；

对待处理医疗图像进行预处理，以得到经过预处理的医疗图像，以及利用预设机器学习模型对所述经过预处理的医疗图像进行处理，得到处理结果，其中，预设机器学习模型被预先根据上述任一项所述的方法进行训练，预处理包括：对所述待处理医疗图像的每一个单通道医疗图像分别进行减均值处理；对所述待处理医疗图像的每一个经过减均值处理的单通道医疗图像分别进行数值域重整；对所述待处理医疗图像的每一个经过数值域重整的单通道医疗图像分别进行归一化处理。