網絡模型的訓練方法及裝置，電子設備及存儲介質制造方法及圖紙

本申請公開了一種網絡模型的訓練方法及裝置，電子設備及存儲介質。該訓練方法包括：根據第i?1次迭代的訓練樣本集，通過不同的多個第i?1網絡模型，預測第i?1次迭代的訓練樣本集中的每個負樣本為負樣本的多個第i概率值，當i?1＝0時，第i?1次迭代的訓練樣本集為初始訓練樣本集，多個第i?1網絡模型為初始網絡模型；根據多個第i概率值與第i預設閾值，獲得第i次迭代的不確定樣本；根據濾除第i次迭代的不確定樣本的第i次迭代的訓練樣本集，更新多個第i?1網絡模型的網絡參數，獲得多個第i網絡模型；迭代執行上述步驟至第n次迭代，獲得訓練完成的網絡模型，i為大于或等于1且小于或等于n的整數，n為大于或等于2的整數，訓練樣本集包括多個醫學圖像樣本。

Training method and device of network model, electronic equipment and storage medium

【技術實現步驟摘要】
網絡模型的訓練方法及裝置，電子設備及存儲介質
本專利技術涉及圖像處理
，具體涉及一種網絡模型的訓練方法及裝置，電子設備及存儲介質。
技術介紹
醫學圖像種類豐富、數據量龐大，數據標注需要專業的醫學知識，難度很高。常見的醫學圖像，如CT或MRI，醫生一般是觀看斷層二維圖像，這在某種程度上使醫生不易直觀的從多個視角對目標部位進行觀察分析，進一步提高了標注難度。另外，圖像質量不佳，病變部位不明顯，很容易造成醫學圖像的標注缺失。標注缺失是指把部分正樣本當作了負樣本，比如，對于網絡模型的分割任務，原本是前景的正樣本的區域被標記為背景的負樣本，對于網絡模型的檢測任務，原本是標記框中的正樣本被標記為標記框外的負樣本，這樣會增加網絡模型的漏診率。
技術實現思路
有鑒于此，本申請的實施例致力于提供一種網絡模型的訓練方法及裝置，電子設備及存儲介質，能夠有效降低網絡模型的漏診率，并提高網絡模型的查全率。根據本申請實施例的第一方面，提供了一種網絡模型的訓練方法，包括：根據第i-1次迭代的訓練樣本集，通過不同的多個第i-1網絡模型，預測所述第i-1次迭代的訓練樣本集中的每個負樣本為負樣本的多個第i概率值，其中，當i-1＝0時，所述第i-1次迭代的訓練樣本集為初始訓練樣本集，所述多個第i-1網絡模型為初始網絡模型；根據所述多個第i概率值與第i預設閾值，獲得第i次迭代的不確定樣本；根據濾除所述第i次迭代的不確定樣本的第i次迭代的訓練樣本集，更新所述多個第i-1網絡模型的網絡參數，獲得多個第i網絡模型；迭代執行上述步驟至第n次迭代，獲得訓練完成的所述網絡模型，其中，所述i為大于或等于1且小于或等于n的整數，所述n為大于或等于2的整數，所述訓練樣本集包括多個醫學圖像樣本。在一個實施例中，所述根據第i-1次迭代的訓練樣本集，通過不同的多個第i-1網絡模型，預測所述第i-1次迭代的訓練樣本集中的每個負樣本為負樣本的多個第i概率值，包括：將所述第i-1次迭代的訓練樣本集輸入所述多個第i-1網絡模型中，預測所述第i-1次迭代的訓練樣本集中的每個負樣本為負樣本的多個第i概率值，其中，一個第i-1網絡模型對應一個第i概率值。在一個實施例中，所述根據所述多個第i概率值與第i預設閾值，獲得第i次迭代的不確定樣本，包括：根據所述多個第i-1網絡模型對應的加權值，計算所述多個第i概率值的第i加權平均值；將所述第i加權平均值小于所述第i預設閾值的負樣本確定為所述第i次迭代的不確定樣本。在一個實施例中，所述方法還包括：對所述訓練樣本集中的每個樣本進行數據擴充，以獲得數據擴充后的訓練樣本集；將所述訓練樣本集和所述數據擴充后的訓練樣本集確定為所述初始訓練樣本集，其中，所述初始訓練樣本集中的每個負樣本對應多個類型不同的子負樣本。在一個實施例中，所述對所述訓練樣本集中的每個樣本進行數據擴充，以獲得數據擴充后的訓練樣本集，包括：對所述訓練樣本集中的每個樣本進行仿射變換、彈性形變、數據增強、伽馬變換中的至少一項數據擴充操作，以獲得所述數據擴充后的訓練樣本集。在一個實施例中，所述根據第i-1次迭代的訓練樣本集，通過不同的多個第i-1網絡模型，預測所述第i-1次迭代的訓練樣本集中的每個負樣本為負樣本的多個第i概率值，包括：根據所述第i-1次迭代的訓練樣本集，通過所述多個第i-1網絡模型，預測所述第i-1次迭代的訓練樣本集中的每個負樣本對應的多個類型不同的子負樣本為負樣本的多個第i概率值，其中，一個第i-1網絡模型對應多個第i子概率值，一個第i子概率值對應一個子負樣本，所述多個第i子概率值對應一個第i概率值。在一個實施例中，所述根據所述多個第i概率值與第i預設閾值，獲得第i次迭代的不確定樣本，包括：對所述多個第i子概率值進行均值計算，以獲得所述第i-1次迭代的訓練樣本集中的每個負樣本的第i平均值，其中，所述多個第i-1網絡模型對應多個第i平均值；根據所述多個第i-1子網絡模型對應的加權值和所述多個第i平均值，計算所述多個第i概率值的第i總平均值；將所述第i總平均值小于所述第i預設閾值的負樣本確定為所述第i次迭代的不確定樣本。在一個實施例中，所述根據濾除所述第i次迭代的不確定樣本的第i次迭代的訓練樣本集，更新所述多個第i-1網絡模型的網絡參數，獲得多個第i網絡模型，包括：從所述第i-1次迭代的訓練樣本集中濾除所述第i次迭代的不確定樣本，獲得所述第i次迭代的訓練樣本集；根據所述第i次迭代的訓練樣本集，更新所述多個第i-1網絡模型的網絡參數，獲得所述多個第i網絡模型。在一個實施例中，所述迭代執行上述步驟至第n次迭代，獲得訓練完成的所述網絡模型，包括：迭代執行上述步驟至第n次迭代，直到迭代的次數n大于多個第n-1網絡模型的超參數和/或第n次迭代的訓練樣本集中的負樣本數量滿足預設數量時，停止迭代；根據第n次迭代的訓練樣本集，更新多個第n-1網絡模型的網絡參數，獲得訓練完成的所述網絡模型。在一個實施例中，所述方法還包括：獲取第1次迭代至第n次迭代中的至少一次迭代的不確定樣本中的困難樣本，其中，所述困難樣本為負樣本。在一個實施例中，所述迭代執行上述步驟至第n次迭代，獲得訓練完成的所述網絡模型，包括：迭代執行上述步驟至第n次迭代，直到迭代的次數n大于多個第n-1網絡模型的超參數和/或第n次迭代的訓練樣本集中的負樣本數量滿足預設數量時，停止迭代；根據第n次迭代的訓練樣本集和所述困難樣本，更新多個第n-1網絡模型的網絡參數，獲得訓練完成的所述網絡模型。在一個實施例中，所述獲取第1次迭代至第n次迭代中的至少一次迭代的不確定樣本中的困難樣本，包括：根據第1次迭代至第n次迭代中的至少一次迭代的不確定樣本，通過所述多個第i-1網絡模型，預測第1次迭代至第n次迭代中的至少一次迭代的不確定樣本為負樣本的概率值；將所述概率值大于預設概率閾值的不確定樣本確定為所述困難樣本。根據本申請實施例的第二方面，提供了一種網絡模型的訓練裝置，包括：預測模塊，配置為根據第i-1次迭代的訓練樣本集，通過不同的多個第i-1網絡模型，預測所述第i-1次迭代的訓練樣本集中的每個負樣本為負樣本的多個第i概率值，其中，當i-1＝0時，所述第i-1次迭代的訓練樣本集為初始訓練樣本集，所述多個第i-1網絡模型為初始網絡模型；確定模塊，配置為根據所述多個第i概率值與第i預設閾值，獲得第i次迭代的不確定樣本；更新模型，配置為根據濾除所述第i次迭代的不確定樣本的第i次迭代的訓練樣本集，更新所述多個第i-1網絡模型的網絡參數，獲得多個第i網絡模型；迭代模塊，配置為迭代執行上述步驟至第n次迭代，獲得訓練完成的所述網絡模型，其中，i為大于或等于1且小于或等于n的整數，所述n為大于或等于2的整數。在一個實施例中，所述裝置還包括：用于執行上述實施例提及的網絡模型的訓練方法中的各個步驟的模塊。根據本申請實施例的第三方面，提供了一種電子設備，包括：處理器；用于存儲所述處理器可執行指令的存儲器；所述處理器用于上述任一實施例所述的網絡模型的訓練方法。根據本申請實施例本文檔來自技高網...

【技術保護點】
1.一種網絡模型的訓練方法，其特征在于，包括：/n根據第i-1次迭代的訓練樣本集，通過不同的多個第i-1網絡模型，預測所述第i-1次迭代的訓練樣本集中的每個負樣本為負樣本的多個第i概率值，其中，當i-1＝0時，所述第i-1次迭代的訓練樣本集為初始訓練樣本集，所述多個第i-1網絡模型為初始網絡模型；/n根據所述多個第i概率值與第i預設閾值，獲得第i次迭代的不確定樣本；/n根據濾除所述第i次迭代的不確定樣本的第i次迭代的訓練樣本集，更新所述多個第i-1網絡模型的網絡參數，獲得多個第i網絡模型；/n迭代執行上述步驟至第n次迭代，獲得訓練完成的所述網絡模型，其中，所述i為大于或等于1且小于或等于n的整數，所述n為大于或等于2的整數，所述訓練樣本集包括多個醫學圖像樣本。/n

【技術特征摘要】
1.一種網絡模型的訓練方法，其特征在于，包括：
根據第i-1次迭代的訓練樣本集，通過不同的多個第i-1網絡模型，預測所述第i-1次迭代的訓練樣本集中的每個負樣本為負樣本的多個第i概率值，其中，當i-1＝0時，所述第i-1次迭代的訓練樣本集為初始訓練樣本集，所述多個第i-1網絡模型為初始網絡模型；
根據所述多個第i概率值與第i預設閾值，獲得第i次迭代的不確定樣本；
根據濾除所述第i次迭代的不確定樣本的第i次迭代的訓練樣本集，更新所述多個第i-1網絡模型的網絡參數，獲得多個第i網絡模型；
迭代執行上述步驟至第n次迭代，獲得訓練完成的所述網絡模型，其中，所述i為大于或等于1且小于或等于n的整數，所述n為大于或等于2的整數，所述訓練樣本集包括多個醫學圖像樣本。


2.根據權利要求1所述的訓練方法，其特征在于，所述根據第i-1次迭代的訓練樣本集，通過不同的多個第i-1網絡模型，預測所述第i-1次迭代的訓練樣本集中的每個負樣本為負樣本的多個第i概率值，包括：
將所述第i-1次迭代的訓練樣本集輸入所述多個第i-1網絡模型中，預測所述第i-1次迭代的訓練樣本集中的每個負樣本為負樣本的多個第i概率值，其中，一個第i-1網絡模型對應一個第i概率值。


3.根據權利要求2所述的訓練方法，其特征在于，所述根據所述多個第i概率值與第i預設閾值，獲得第i次迭代的不確定樣本，包括：
根據所述多個第i-1網絡模型對應的加權值，計算所述多個第i概率值的第i加權平均值；
將所述第i加權平均值小于所述第i預設閾值的負樣本確定為所述第i次迭代的不確定樣本。


4.根據權利要求1所述的訓練方法，其特征在于，還包括：
對所述訓練樣本集中的每個樣本進行數據擴充，以獲得數據擴充后的訓練樣本集；
將所述訓練樣本集和所述數據擴充后的訓練樣本集確定為所述初始訓練樣本集，其中，所述初始訓練樣本集中的每個負樣本對應多個類型不同的子負樣本。


5.根據權利要求4所述的訓練方法，其特征在于，所述對所述訓練樣本集中的每個樣本進行數據擴充，以獲得數據擴充后的訓練樣本集，包括：
對所述訓練樣本集中的每個樣本進行仿射變換、彈性形變、數據增強、伽馬變換中的至少一項數據擴充操作，以獲得所述數據擴充后的訓練樣本集。


6.根據權利要求4所述的訓練方法，其特征在于，所述根據第i-1次迭代的訓練樣本集，通過不同的多個第i-1網絡模型，預測所述第i-1次迭代的訓練樣本集中的每個負樣本為負樣本的多個第i概率值，包括：
根據所述第i-1次迭代的訓練樣本集，通過所述多個第i-1網絡模型，預測所述第i-1次迭代的訓練樣本集中的每個負樣本對應的多個類型不同的子負樣本為負樣本的多個第i概率值，其中，一個第i-1網絡模型對應多個第i子概率值，一個第i子概率值對應一個子負樣本，所述多個第i子概率值對應一個第i概率值。


7.根據權利要求6所述的訓練方法，其特征在于，所述根據所述多個第i概率值與第i預設閾值，獲得第i次迭代的不確定樣本，包括：
對所述多個第i子概率值進行均值計算，以獲得所述第i-1次迭代的訓練樣本集中的每個負樣本的第i平均值，其中，所述多個第i-1網絡模型對應多個第i平均值；
根據所述多個第i-1子網絡模型對應的加權值和所述多個第i平均值，計算所述多個第i概率值的第...

【專利技術屬性】
技術研發人員：簡偉健，趙朝煒，王瑜，李新陽，陳寬，王少康，
申請(專利權)人：北京推想科技有限公司，
類型：發明
國別省市：北京;11