[发明专利]一种医学影像识别训练方法

说明书

本发明涉及医学影像识别训练技术领域，且公开了一种医学影像识别训练方法，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；S5、算法计算；S6、训练学习。本发明中，在医学图像处理领域基于强化学习理念设计多种训练策略，建立医学图像自动化识别机制。本发明提出的优化框架打破了以往深度学习方法的单一化，能从结构和参数两个方面联合优化共同提高模型性能。可用于少样本识别任务的子网络由控制器动态生成，可节省人为设计花费的时间和精力。网络架构的生成策略直接由数据集中的任务分布决定，使子网络熟悉复杂而多变的任务环境，更加适合运用在少量标注数据的分类场景。

技术领域

本发明涉及医学影像识别训练技术领域，尤其涉及一种医学影像识别训练方法。

背景技术

在大数据时代的背景下，智能医疗正在走进寻常百姓的生活。智能医疗能够通过物联网和云计算的技术、人工智能的专家系统以及嵌入式系统的智能化设备，打造统一的医疗信息平台，实现患者与医务人员、医疗机构、医疗设备之间的互动，达到医疗服务的信息化，对于医学影像的智能化识别和诊断是其中的一个分支。相关技术中，针对于医学影像的智能化识别，通常通过同一类病症的医学影像数据对单一的医学影像模型进行训练，以使训练好的医学影像模型具备对该类病症进行病变确认、病变区域标注以及病情严重程度分析等功能。但是，由于疾病种类和医学影像的多样性，一次成型的影像识别模型会出现适应性不强、识别效果差的情况。

为此，我们提出一种医学影像识别训练方法。

发明内容

本发明主要是解决上述现有技术所存在的技术问题，提供一种医学影像识别训练方法。

为了实现上述目的，本发明采用了如下技术方案，一种医学影像识别训练方法，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。

作为优选，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。

作为优选，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。