CN107368859-CN201710584595-病变识别模型的训练方法、验证方法和病变图像识别装置.pdfVIP

(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 CN 107368859 A (43)申请公布日 2017.11.21 (21)申请号 201710584595.3 (22)申请日 2017.07.18 (71)申请人 北京华信佳音医疗科技发展有限责 任公司 地址 100070 北京市丰台区科学城中核路1 号院1号楼306室 (72)发明人 李洪涛　成冠举　 (74)专利代理机构 北京同辉知识产权代理事务 所(普通合伙) 11357 代理人 郑鑫圆　王萍 (51)Int.Cl. G06K 9/66(2006.01) G06K 9/62(2006.01) G06F 19/00(2011.01) 权利要求书1页 说明书5页 附图2页 (54)发明名称 病变识别模型的训练方法、验证方法和病变 图像识别装置 (57)摘要 本发明公开了一种病变识别模型的训练方 法，包括：利用获取的病变图像样本对Faster  RCNN网络进行训练，得到病变识别模型。本发明 还相应提供了基于该病变识别模型的病变图像 识别装置和病变识别模型的验证方法。本发明提 供的病变识别模型的训练方法，基于深度学习理 念设计，在使用该模型进行病变识别时，可以较 为准确地判断病灶的位置和类型。 A 9 5 8 8 6 3 7 0 1 N C CN 107368859 A 权　利　要　求　书 1/1页 1.病变识别模型的训练方法，其特征在于，包括： 利用获取的病变图像样本对Faster RCNN网络进行训练，得到病变识别模型。 2.根据权利要求1所述的病变识别模型的训练方法，其特征在于，所述利用获取的病变 图像样本对Faster RCNN网络进行训练包括： 融合FastRCNN模型和RPN模型训练出数据。 3.根据权利要求2所述的病变识别模型的训练方法，其特征在于，所述融合Fast RCNN 模型和RPN模型训练出数据包括： 分别进行Fast RCNN网络训练和RPN网络训练，得到Fast RCNN模型和RPN模型； 利用Fast RCNN模型训练出数据，微调仅属于RPN网络的cls和reg层； 统一Fast RCNN模型和RPN模型后再次进行训练； 利用训练后的数据，微调仅属于Fast RCNN网络的全连接fc层；以及 进行最后的训练。 4.根据权利要求3所述的病变识别模型的训练方法，其特征在于，所述训练采用梯度下 降法。 5.根据权利要求1-4任一所述的病变识别模型的训练方法，其特征在于，所述病变包括 消化道病变、鼻病变、咽喉病变、肺部病变和肾部病变。 6.病变图像识别装置，包括处理器和存储介质，所述存储介质中存储有能够被处理器 执行的程序，所述程序在运行时能够实现：利用权利要求1所述的病变识别模型识别病变图 像。 7.根据权利要求6所述的病变图像识别装置，其特征在于，所述识别病变数据包括：识 别图像中的病灶类型并计算出该病灶类型的概率。 8.根据权利要求6或7所述的病变图像识别装置，其特征在于，所述病变包括消化道病 变、鼻病变、咽喉病变、肺部病变和肾部病变。 9.病变识别模型的验证方法，用于验证权利要求1所述的病变识别模型，包括： 利用病变识别模型识别采集到的病变数据，得到病变识别的第一验证结果； 获取医生识别病变数据得到的第二验证结果； 将第一验证结果和第二验证结果的准确率进行比较。 10.根据权利要求9所述的病