【技術實現步驟摘要】
本申請涉及模型訓練領域，特別涉及一種模型訓練方法和相關裝置。
技術介紹
1、醫學圖像的質量例如清晰度是評估圖像可用性的關鍵因素，它直接影響到后續圖像處理步驟的效果和可靠性，如病變檢測、圖像分割、圖像配準和融合等。在相關技術中，對于醫學圖像的質量評價主要依賴觀察者的感知判斷，但這種方法耗時且易受多種因素影響，如觀察者的經驗、情緒以及觀看環境等。因此，如何對醫學圖像的質量進行快速準確的判斷，成為目前急需解決的問題。
技術實現思路
1、有鑒于此，本申請的目的在于提供一種模型訓練方法和相關裝置，通過考慮相似度能夠大大提高質量標簽的準確性，從而訓練得到的圖像評價模型可以準確且快速的對醫學圖像進行分類和質量評價。其具體方案如下：
2、一方面，本申請提供了一種模型訓練方法，包括：
3、獲取訓練樣本集；所述訓練樣本集包括多個醫學圖像以及各個所述醫學圖像對應的分類標簽結果；所述分類標簽結果包括在至少一個維度下的類別；
4、將所述訓練樣本集輸入至初始模型中，確定各個所述醫學圖像對應的分類預測結果、第一圖像質量分數以及第二圖像質量分數；所述第一圖像質量分數用于標識所述醫學圖像與第一圖像集合之間的相似度，所述第一圖像集合包括在所述訓練樣本集中與所述醫學圖像具有相同的類別的至少一個醫學圖像；
5、通過所述初始模型基于所述分類標簽結果、所述分類預測結果、所述第一圖像質量分數和所述第二圖像質量分數，確定總損失函數；
6、基于所述總損失函數調整所述初始模
7、又一方面，本申請實施例還提供了一種模型訓練裝置，包括：
8、獲取單元，用于獲取訓練樣本集；所述訓練樣本集包括多個醫學圖像以及各個所述醫學圖像對應的分類標簽結果；所述分類標簽結果包括在至少一個維度下的類別；
9、第一確定單元，用于將所述訓練樣本集輸入至初始模型中，確定各個所述醫學圖像對應的分類預測結果、第一圖像質量分數以及第二圖像質量分數；所述第一圖像質量分數用于標識所述醫學圖像與第一圖像集合之間的相似度，所述第一圖像集合包括在所述訓練樣本集中與所述醫學圖像具有相同的類別的至少一個醫學圖像；
10、第二確定單元，用于通過所述初始模型基于所述分類標簽結果、所述分類預測結果、所述第一圖像質量分數和所述第二圖像質量分數，確定總損失函數；
11、訓練單元，用于基于所述總損失函數調整所述初始模型的參數，直至訓練完成得到圖像評價模型。
12、又一方面，本申請實施例提供了一種計算機設備，所述計算機設備包括處理器以及存儲器：
13、所述存儲器用于存儲程序代碼，并將所述程序代碼傳輸給所述處理器；
14、所述處理器用于根據所述程序代碼中的指令執行以上方面所述的方法。
15、又一方面，本申請實施例提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質用于存儲計算機程序，所述計算機程序用于執行以上方面所述的方法。
16、本申請實施例提供了一種模型訓練方法和相關裝置，獲取訓練樣本集；訓練樣本集包括多個醫學圖像以及各個醫學圖像對應的分類標簽結果；分類標簽結果包括在至少一個維度下的類別；將訓練樣本集輸入至初始模型中，確定各個醫學圖像對應的分類預測結果、第一圖像質量分數以及第二圖像質量分數；第一圖像質量分數用于標識醫學圖像與第一圖像集合之間的相似度，第一圖像集合包括在訓練樣本集中與醫學圖像具有相同的類別的至少一個醫學圖像；通過初始模型基于分類標簽結果、分類預測結果、第一圖像質量分數和第二圖像質量分數，確定總損失函數；基于總損失函數調整初始模型的參數，直至訓練完成得到圖像評價模型。也就是說，將第一圖像質量分數作為質量標簽，針對每個醫學圖像而言，其質量標簽為基于醫學圖像與該醫學圖像的類別一致的大量醫學圖像的相似程度確定出的，如果相似程度越大，則表示該醫學圖像越符合這一類別的醫學圖像的特點，越能夠將該醫學圖像準確的劃分到該類別，即該醫學圖像越能夠被準確的分類，進而說明該醫學圖像的質量越高，質量標簽就會越準確。簡言之，本申請中的質量標簽能夠從訓練樣本集中動態的學習質量評估標準，從而確定出的質量標簽更加準確，質量標簽并不依賴于傳統的人工標注，本申請建立了圖像分類準確與圖像質量高之間的關聯關系，通過醫學圖像的相對可分類性計算第一圖像質量分數，通過考慮相似度能夠大大提高質量標簽的準確性，從而訓練得到的圖像評價模型可以準確且快速的對醫學圖像進行分類和質量評價。
本文檔來自技高網...【技術保護點】
1.一種模型訓練方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述將所述訓練樣本集輸入至初始模型中，確定各個所述醫學圖像對應的第一圖像質量分數，包括：
3.根據權利要求2所述的方法，其特征在于，所述對于每個所述醫學圖像，通過所述初始模型計算所述圖像特征向量與所述第一圖像集合的類中心之間的相似度，確定所述醫學圖像的第一圖像質量分數，包括：
4.根據權利要求3所述的方法，其特征在于，在所述訓練樣本集具有同一維度下的至少三個類別時，所述通過所述初始模型計算所述圖像特征向量與第二圖像集合的負類中心之間的相似度，確定第二相似結果，包括：
5.根據權利要求1-4任意一項所述的方法，其特征在于，所述通過所述初始模型基于所述分類標簽結果、所述分類預測結果、所述第一圖像質量分數和所述第二圖像質量分數，確定總損失函數，包括：
6.根據權利要求1-4任意一項所述的方法，其特征在于，所述獲取訓練樣本集，包括：
7.根據權利要求1-4任意一項所述的方法，其特征在于，所述方法還包括：
8.一種模型訓練裝
9.一種計算機設備，其特征在于，所述計算機設備包括處理器以及存儲器：
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質用于存儲計算機程序，所述計算機程序用于執行權利要求1-7中任意一項所述的方法。
...【技術特征摘要】
1.一種模型訓練方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述將所述訓練樣本集輸入至初始模型中，確定各個所述醫學圖像對應的第一圖像質量分數，包括：
3.根據權利要求2所述的方法，其特征在于，所述對于每個所述醫學圖像，通過所述初始模型計算所述圖像特征向量與所述第一圖像集合的類中心之間的相似度，確定所述醫學圖像的第一圖像質量分數，包括：
4.根據權利要求3所述的方法，其特征在于，在所述訓練樣本集具有同一維度下的至少三個類別時，所述通過所述初始模型計算所述圖像特征向量與第二圖像集合的負類中心之間的相似度，確定第二相似結果，包括：
5.根據權利要求1-4任...
【專利技術屬性】
技術研發人員：韓嘯，楊保光，許曉倩，代詩琛，湯嵐鳳，
申請(專利權)人：安徽影聯云享醫療科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。