[发明专利]一种医学影像识别训练方法

权利要求书

1.一种医学影像识别训练方法，其特征在于：包括以下步骤：

S1、数据收集；

S2、数据筛选；

S3、数据处理；

S4、算法搭建：通过循环网络RNN构成的控制器来搭建算法框架，所述算法框架还包括循环网络RNN构成的控制器从搜索域中选择不同大小的卷积核以及池化层来定义子网络，由控制器生成的子模型架构通过Reptile算法在元数据集上进行训练，并返回准确性作为奖励来评估控制器的体系结构选择策略，奖励函数的评估在验证集上进行；

S5、算法计算；

S6、训练学习。

2.根据权利要求1所述的一种医学影像识别训练方法，其特征在于：所述S1中的数据收集具体为：从特征样本库准备训练数据集，将其分为训练集、验证集和测试集，S2中的数据筛选具体为：对收集的数据范围进行规定，去除无关的数据，再对候选样本进行审核；S3中数据处理具体为：对筛选后的数据进行归一化、旋转、扩增预处理。

3.根据权利要求1所述的一种医学影像识别训练方法，其特征在于：所述S5的算法计算具体为：建立优化搜索目标，设计损失函数，min_θ，A∑_τL(D`<sub>τ</sub>,θ`)＝∑_τL(D`<sub>τ</sub>，T(D<sub>τ</sub>，θ))，其中D<sub>τ</sub>和D`_τ分别代表任务τ上的训练集和测试集，L为损失,T(D_τ，θ)是在D_τ上的训练过程,∑_τL(D`<sub>τ</sub>，T(D<sub>τ</sub>，θ))是测试样本在更新后的参数θ`上计算而得的损失值，建立可迁移框架，运用LSTM网络作为控制器来搭建可迁移的框架，所述控制器旨在生成四层子模型体系结构，分别为K1、K2、K3和K4层，创建每一层时需要做出两步决策：(1)控制器从搜索域中选择出当前层所需的操作符，如卷积、池化；(2)要选择哪层进行跳跃连接，搜索域包括：内核大小为3*3、5*5和7*7的卷积，内核大小为3*3、5*5和7*7的深度可分卷积，以及内核大小为3*3的平均池化和最大池化。

4.根据权利要求1所述的一种医学影像识别训练方法，其特征在于：所述S6中的训练学习具体为：网格训练，在控制器网络输入训练集进行控制网络训练，提高高精度模型的生成概率，同时减少低精度模型的生成概率，在网格训练后对子模型进行训练，，输入训练集进行子模型训练，将每种任务都视为一个独立的学习问题，不断地对任务进行采样，并对其进行训练，然后将初始化移向该任务的更新后权重，完成了子模型的训练过程，，当完成收敛后，选取在元数据集中表现最好的架构准确率重新训练，获得最终准确率，保存网络模型。

5.根据权利要求1-4所述的一种医学影像识别训练方法，其特征在于：所述S1中的特征样本库为包含有大量正常人医学影像以及患者的医学影像数据的数据库，S3中的扩增处理的方式包括对图像进行旋转、剪裁、饱和度调节、色调调节和曝光时间调节，对扩增处理后的背景图像进行图像类别标注，并对标注后的背景图像进行归一化处理。

6.根据权利要求1所述的一种医学影像识别训练方法，其特征在于：所述方法还可为以下步骤：

Ss1、图像获取；

Ss2、样本获取；

Ss3、颜色区分；

Ss4、影像识别；

Ss5、学习诊断。

7.根据权利要求6所述的一种医学影像识别训练方法，其特征在于：所述Ss1中的图像获取具体为：将待识别的医学影像输入当前的影像识别模型，以根据对所述当前的影像识别模型输出的影像识别数据的验证结果，Ss2中的样本获取具体为：从所述当前的影像识别模型输出的影像识别数据中获取样本数据，所述当前的影像识别模型为预先训练好的第一影像识别模型，所述验证结果是利用预设的置信度阈值和由医生输入的判断结果确定的，所述样本数据是由医学影像专家对验证结果为错误的影像识别数据进行修改后得到的数据。