[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

说明书

本申请公开了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。所述方法，包括：获取训练用医疗图像集；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；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；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。

技术领域

本申请涉及人工智能技术领域，且更为具体地，涉及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、医疗图像中的关注点的检测方法、系统和电子设备。

背景技术

“智慧医疗”是充分利用现代信息技术成果，集成应用计算机与网络技术、物联网技术、音视频技术、3S技术、无限通信技术及专家智慧与知识，实现医疗可视化远程诊断、远程控制、病变预警等智能管理的作业模式。

在传统的医疗过程中，通常依据拍摄的CT图像来判断被测部位是否病变以及病变类型，在基于图像处理的医疗图像的检测过程当中，一个很大的困难是需要检测的图像中的对象类型很多，且这些对象常常密集排列。比如，当对病人的肺部进行检测时，可能在整个肺叶的图像中存在很多需要关注的异常点，且这些异常点可能对应于不同的疾病类型。因此，对于医疗图像中的关注点检测对于快速准确判断病情是十分重要的。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在机器视觉、图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展(尤其是机器视觉技术的发展)，为医疗图像中的关注点检测提供的解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了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、医疗图像中的关注点的检测方法、系统和电子设备，其采用能够关注图像细节的神经网络架构，也就是，在本申请的神经网络架构中，引入了注意力神经网络，从而能够关注图像的细节部分，提取出能够反映图像中的细节的关注点的视觉表示的特征。并且，通过注意力损失函数值来训练所述卷积神经网络和所述空间注意力网络，以使得训练后的网络能够提取到图像中需要关注的细节部分。而且，由于图像内可能存在密集的关注点，因此在通过卷积神经网络获得分类特征图后，使用用于促进密集对象检测的局部损失函数值来对所述卷积神经网络和所述空间注意力网络进行训练，从而使得训练后的网络能够适于从图像中的相对密集的对象有效地提取出想要的特征。

根据本申请的一个方面，提供了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，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。