[发明专利]用于医疗图像中的关注点检测的神经网络的训练方法

权利要求书

1.一种用于医疗图像中的关注点检测的神经网络的训练方法，其特征在于，包括：

获取训练用医疗图像集，所述训练用医疗图像集中的每张图像具有多个关注点；

将所述医疗图像集输入卷积神经网络以获得分类特征图；

将所述分类特征图输入空间注意力网络以获得注意力特征图；

将所述分类特征图进行空间平均值池化并通过全连接层获得分类特征向量；

将所述注意力特征图进行空间平均值池化并通过全连接层获得注意力特征向量；

分别计算所述分类特征向量和所述注意力特征向量属于多个类别中的每个类别的概率值，所述类别表示用于检测的关注点的类型；

分别基于所述分类特征向量和所述注意力特征向量的概率值计算局部损失函数值和注意力损失函数值；以及

基于所述局部损失函数值和所述注意力损失函数值更新所述卷积神经网络和所述空间注意力网络。

2.如权利要求1所述的用于医疗图像中的关注点检测的神经网络的训练方法，其特征在于，将所述分类特征图进行空间平均值池化并通过全连接层获得分类特征向量包括：

基于所述医疗图像的纵横比将所述分类特征图进行宽度或者高度维度上的平均值池化以获得第一池化特征向量；以及

将所述第一池化特征向量输入所述全连接层以获得一个或多个全连接层以获得所述分类特征向量。

3.如权利要求2所述的用于医疗图像中的关注点检测的神经网络的训练方法，其特征在于，将所述注意力特征图进行空间平均值池化并通过全连接层获得注意力特征向量包括：

以与所述分类特征图的平均值池化的维度相同的宽度或者高度维度对所述注意力特征图进行平均值池化以获得第二池化特征向量；以及

将所述第二池化特征向量输入所述全连接层以获得一个或多个全连接层以获得所述注意力特征向量。

4.如权利要求1所述的用于医疗图像中的关注点检测的神经网络的训练方法，其特征在于，分别计算所述分类特征向量和所述注意力特征向量属于多个类别中的每个类别的概率值包括：

将所述分类特征向量输入预定分类函数以获得所述分类特征向量属于所述多个类别中的每个类别的第一概率值，所述预定分类函数包含表示所述类别的多个标签。

5.如权利要求4所述的用于医疗图像中的关注点检测的神经网络的训练方法，其特征在于，分别基于所述分类特征向量和所述注意力特征向量的概率值计算局部损失函数值和注意力损失函数值包括：

计算所述第一概率值的以二为底的第一对数值；

计算一与所述第一概率值之差的预定指数的第一指数值，所述预定指数为训练过程中的超参数；以及

将所述第一对数值与所述第一指数值之积对于所述多个类别求和以获得所述局部损失函数值。

6.如权利要求1所述的用于医疗图像中的关注点检测的神经网络的训练方法，其特征在于，分别计算所述分类特征向量和所述注意力特征向量属于多个类别中的每个类别的概率值包括：

将所述注意力特征向量输入预定分类函数以获得所述注意力特征向量属于所述多个类别中的每个类别的第二概率值，所述预定分类函数包含表示所述类别的多个标签。

7.一种医疗图像中的关注点的检测方法，包括：

获取待检测的医疗图像；

通过如权利要求1到6中任意一项所述的用于医疗图像中的关注点检测的神经网络的训练方法获得所述医疗图像属于多个类别中的每个类别的概率值；以及

基于所述概率值确定所述医疗图像中的关注点的检测结果。