分类模型训练方法、装置、电子设备及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114121232A(43)申请公布日2022.03.01(21)申请号202111420493.0G06V10/774(2022.01)(22)申请日2021.11.26(71)申请人中科麦迪人工智能研究院（苏州）有限公司地址215026江苏省苏州市工业园区归家巷222号麦迪科技大楼7F-2(72)发明人陈方印(74)专利代理机构北京品源专利代理有限公司11332代理人郭德霞(51)Int.Cl.G16H30/20(2018.01)G06K9/62(2022.01)G06V10/74(2022.01)G06V10/764(2022.01)权利要求书2页说明书16页附图4页(54)发明名称分类模型训练方法、装置、电子设备及存储介质(57)摘要本发明实施例公开了一种分类模型训练方法、装置、电子设备及存储介质。该方法包括：确定训练样本集合；针对各训练样本数据，将当前训练样本数据作为待训练分类模型的输入参数，得到与当前训练样本数据相对应的至少一个待确定分类标识；根据当前训练样本数据中的至少一个理论分类标识和相应的至少一个待确定分类标识，对待训练分类模型中的模型参数进行修正；将待训练分类模型中的损失函数收敛作为训练目标，得到目标分类模型。解决了现有技术中基于原始神经网络模型对图像进行分类，存在分类准确性差的问题，实现提高模型训练的速度和准确度，同时在模型训练后及时做出评估反馈，不断优化分类模型，达到提高模型分类准确性的技术效果。CN114121232ACN114121232A权利要求书1/2页1.一种分类模型训练方法，其特征在于，包括：确定训练样本集合；其中，所述训练样本集合中包括多个训练样本类型，不同训练样本类型下包括多个训练样本数据，训练样本数据中包括与目标病灶相对应的待训练医疗影像数据和理论分类标识；针对各训练样本数据，将当前训练样本数据作为待训练分类模型的输入参数，得到与所述当前训练样本数据相对应的至少一个待确定分类标识；针对各训练样本数据，根据当前训练样本数据中的至少一个理论分类标识和相应的至少一个待确定分类标识，对所述待训练分类模型中的模型参数进行修正；将所述待训练分类模型中的损失函数收敛作为训练目标，得到目标分类模型；其中，所述目标分类模型用于对输入的医疗影像数据进行处理，得到与所述医疗影像数据相对应的分类标识。2.根据权利要求1所述的方法，其特征在于，所述确定训练样本集合，包括：获取包括目标病灶的医疗影像数据；确定各医疗影像数据所对应的至少一个维度标识，得到与每个维度标识相对应的多个医疗影像数据；确定各医疗影像数据所对应的理论分类标识；基于每个维度标识所对应的医疗影像数据和相应的理论分类标识，确定所述训练样本集合中的每个训练样本类型。3.根据权利要求2所述的方法，其特征在于，所述确定各医疗影像数据所对应的至少一个维度标识，得到与每个维度标识相对应的多个医疗影像数据，包括：对各医疗影像数据进行特征提取，确定待使用医疗影像数据；根据预先设置的数据维度，对待使用医疗影像数据进行特征补齐，得到目标医疗影像数据；确定各目标医疗影像数据所对应的至少一个维度标识。4.根据权利要求1所述的方法，其特征在于，所述至少一个维度标识是根据用户基本信息、待训练医疗影像数据所对应的拍摄设备以及拍摄设备相对应目标病灶的拍摄角度确定的。5.根据权利要求1所述的方法，其特征在于，还包括：获取测试样本集合；其中，所述测试样本集合中包括多个测试样本类型，不同测试样本类型下包括多个测试样本数据，所述测试样本类型与所述训练样本类型相同；将各测试样本数据分别输入至预先训练好的目标分类模型中，得到与每个测试样本相对应的实际分类标识；根据各测试样本数据的实际分类标识和相应的理论分类标识，确定同一测试样本类型下的匹配度值；若存在匹配度值小于预设匹配度阈值的目标测试样本类型，则获取与所述目标测试样本类型相对应的训练样本数据，继续对所述目标分类模型进行训练，直至各测试样本类型的匹配度值大于预设匹配度阈值。6.根据权利要求5所述的方法，其特征在于，所述获取与所述目标测试样本类型相对应的训练样本数据，继续对所述目标分类模型进行训练，直至各测试样本类型的匹配度值大2CN114121232A权利要求书2/2页于预设匹配度阈值，包括：获取与所述目标测试样本类型相对应的待使用训练样本数据，并基于所述待使用训练样本数据和所述训练样本集合中的训练样本数据，重新对所述目标分类模型继续训练，直至基于测试样本集合确定各测试样本类型的匹配度值大于预设匹配度阈值。7.根据权利要求1所述的方法，其特征在于，还包括：获取待处理图像；其中，所述待处理图像中包括目标病灶；将所述待处理图像输入至所述目标分类模型中，得到与所述待处