[发明专利]一种用于医疗图像的网络模型的调整方法和装置

说明书

本发明公开了一种用于医疗图像的网络模型的调整方法、装置、计算机可读存储介质以及电子设备，利用训练样本训练神经网络模型，得到训练后的神经网络模型，其中该神经网络模型包括多层卷积结构和残差卷积层结构，通过对残差卷积层结构的下一层卷积结构进行检测，得到检测结果，并根据该检测结果调整该神经网络模型，可以在该神经网络模型的运行过程中实时对其进行调整，以提高该神经网络模型应对不同数据的准确性，从而提高了神经网络模型的检测精度和泛化性能。

技术领域

本申请涉及图像处理领域，具体涉及一种用于医疗图像的网络模型调整方法、装置、计算机可读存储介质以及电子设备。

背景技术

随着医学数字影像技术的迅速发展，医学影像分析已经步入医疗大数据的时代。医学图像分析中的病灶检测是辅助诊断与计算机视觉的交叉研究课题之一，可在影像中实现一些简单的病灶检测任务，但在影像中病灶区域表现出形态多样、尺度多变的特性，神经网络训练完成后，网络中的层级、计算参数等不再改变，针对大量数据，利用同一神经网络，导致该神经网络对数据的适应性较差，导致传统的算法模型检测精度不高且泛化性差，故大部分影像分析工作还需人工完成，导致医生的工作负荷逐年攀升。

发明内容

为了解决上述技术问题，本申请提出了一种用于医疗图像的网络模型的调整方法、装置、计算机可读存储介质以及电子设备，利用训练样本训练神经网络模型，得到训练后的神经网络模型，其中该神经网络模型包括多层卷积结构和残差卷积层结构，通过对残差卷积层结构的下一层卷积结构进行检测，得到检测结果，并根据该检测结果调整该神经网络模型，可以在该神经网络模型的运行过程中实时对其进行调整，以提高该神经网络模型应对不同数据的准确性，从而提高了神经网络模型的检测精度和泛化性能。

根据本申请的一个方面，提供了一种用于医疗图像的网络模型的调整方法，包括：利用训练样本对神经网络模型进行训练，得到训练后的神经网络模型；其中，所述训练后的神经网络模型包括多层卷积结构和残差卷积层结构，所述残差卷积层结构与所述多层卷积结构中的至少一层卷积结构并列；对所述残差卷积层结构的下一层卷积结构进行检测，得到检测结果；以及根据所述检测结果，调整所述训练后的神经网络模型。

在一实施例中，所述对所述残差卷积层结构的下一层卷积结构进行检测，得到检测结果包括：将所述残差卷积层结构的输出图像输入所述残差卷积层结构的下一层卷积结构，得到第一输出图像；将与所述残差卷积层结构并列的卷积结构的输出图像和所述残差卷积层结构的输出图像融合后输入所述残差卷积层结构的下一层卷积结构，得到第二输出图像；以及比对所述第一输出图像和所述第二输出图像，得到所述检测结果。

在一实施例中，所述比对所述第一输出图像和所述第二输出图像，得到所述检测结果包括：计算所述第一输出图像和所述第二输出图像的相似度。

在一实施例中，所述根据所述检测结果，调整所述训练后的神经网络模型包括：当所述第一输出图像和所述第二输出图像的相似度小于预设阈值时，调整所述残差卷积层结构的权重，和/或调整与所述残差卷积层结构并列的卷积结构的权重。

在一实施例中，所述训练后的神经网络模型包括多个所述残差卷积层结构，多个所述残差卷积层结构分别与所述多层卷积结构并列。

在一实施例中，所述多层卷积结构中至少包括一层空洞卷积层结构。

在一实施例中，所述空洞卷积层结构包括多个并列且空洞率不同的空洞卷积层。

根据本申请的另一个方面，提供了一种用于医疗图像的网络模型的调整装置，包括：训练模块，用于利用训练样本对神经网络模型进行训练，得到训练后的神经网络模型；其中，所述训练后的神经网络模型包括多层卷积结构和残差卷积层结构，所述残差卷积层结构与所述多层卷积结构中的至少一层卷积结构并列；检测模块，用于对所述残差卷积层结构的下一层卷积结构进行检测，得到检测结果；以及调整模块，用于根据所述检测结果，调整所述训练后的神经网络模型。