[发明专利]预训练网络模型的训练方法、医学图像处理方法和设备

说明书

本申请提供一种预训练网络模型的训练方法、医学图像处理方法和设备，涉及图像处理技术领域，在本申请中，对多张预训练图像进行单通道特征计算，得到各个预训练图像对应的特征图像，根据各个预训练图像和各自对应的特征图像对初始预训练网络模型进行训练，得到预训练网络模型，本实施例将特征图像作为训练目标，更加容易学习到预训练图像的通用特征，增强预训练模型的泛化能力，得到的预训练网络模型的视觉网络参数更加准确，进而将预训练网络模型的视觉网络参数作为图像处理模型训练的待训练视觉网络的初始参数，能够简化图像处理模型的训练过程，提高训练效率。

技术领域

本申请涉及图像处理技术领域，尤其是涉及一种预训练网络模型的训练方法、医学图像处理方法和设备。

背景技术

深度学习在医学图像领域的广泛应用，尤其是新一代的基于视觉的深度学习模型的成功，使得训练模型所需的算力、训练的医学图像数据等资源的需求越来越多。

由于特定疾病患者的数据相对固定、患者数据隐私的限制，导致采集到的训练的医学图像数据少，且，高性能的深度学习模型往往需要专业医生的人工标注，加重医生的工作负担，进一步挤压医疗资源。故目前可用于深度神经网络训练的高质量数据依然短缺。所以用于医学图像任务的视觉神经网络训练在低数据量的情况下训练效果较差，仍然是一个待解决的问题。

发明内容

本申请目的是提供一种预训练网络模型的训练方法、医学图像处理方法和设备，用于解决以上技术问题。

第一方面，提供了一种预训练网络模型的训练方法，包括：

获取初始预训练网络模型以及多张预训练图像，所述初始预训练网络模型包括待训练的视觉网络和待训练的第一解码网络；

对各个所述预训练图像进行单通道特征计算，得到各个所述预训练图像对应的特征图像；根据各个所述预训练图像和各自对应的特征图像对所述初始预训练网络模型进行训练，得到所述预训练网络模型；

其中，所述预训练网络模型的视觉网络参数能够作为图像处理模型训练的待训练视觉网络的初始参数，所述图像处理模型用于对待处理二维医学图像进行图像处理。

基于上述方案，本方案对多张预训练图像进行单通道特征计算，得到各个预训练图像对应的特征图像，根据各个预训练图像和各自对应的特征图像对初始预训练网络模型进行训练，得到预训练网络模型，本实施例将特征图像作为训练目标，更加容易学习到预训练图像的通用特征，增强预训练模型的泛化能力，得到的预训练网络模型的视觉网络参数更加准确，进而将预训练网络模型的视觉网络参数作为图像处理模型训练的待训练视觉网络的初始参数，能够简化图像处理模型的训练过程，提高训练效率

在一种可能的实现方式中，所述根据各个所述预训练图像和各自对应的特征图像对所述初始预训练网络模型进行训练，得到所述预训练网络模型，包括：

对各个所述预训练图像进行掩模处理，生成各个所述预训练图像对应的掩盖图；

将各个所述掩盖图输入所述初始预训练网络模型，输出各个所述掩盖图对应的待比较图像；根据各个所述掩盖图对应的待比较图像和各自对应的特征图，利用掩盖均方差损失函数进行计算，得到损失值；

根据所述损失值确定所述初始预训练网络模型是否收敛；若是，则将当前的初始预训练网络模型确定为训练完成的预训练网络模型；若否，则进行迭代训练，直至所述初始预训练网络模型收敛，得到所述预训练网络模型。

在一种可能的实现方式中，所述对各个所述预训练图像进行单通道特征计算，得到各个所述预训练图像对应的特征图像，包括：

基于预设网格尺寸对每个所述预训练图像进行网格划分，得到多个分块；

对每个所述预训练图像的每一所述分块进行单通道特征的计算，得到每个所述预训练图像对应的特征图；

相应的，所述对各个所述预训练图像进行掩模处理，生成各个所述预训练图像对应的掩盖图，包括：

基于预设网格尺寸对每个所述预训练图像生成掩模；