本发明涉及医疗训练技术领域，具体为一种图像识别模型的训练方法及系统。
背景技术：
随着人口的不断增加，医疗系统的负荷与日俱增，对于医疗资源的需求度也越来越大。在实际应用中，医护人员可通过医学图像对患者的病情进行分析。为了能够帮助医护人员更快且更准确地诊断病情，还可以借助自动诊断设备对医学图像进行识别，目前，在自动诊断的过程中需要采用大量的医学图像进行训练，其中，这些医学图像需要经过医护人员的标注，即医护人员可按照临床习惯对每个医学图像做出判断，例如，标注该医学图像是否存在疾病，以及标注该医学图像中病灶所在的位置等。
然而，随着医学图像的数量不断累积，病灶的复杂度越来越高，标注的难度也越来越大，而标注资源有限，导致模型训练过程中仅能够使用少部分已标注的医学图像，而且由于模型训练通常需要结合具体的任务来实现，针对不同的任务需要采用与该任务对应的训练集，导致已经标注好的医学图像并未得到有效的利用以及部分任务的训练集的数据不足，导致模型预测效果的准确度较低，现有技术中这种方式，训练模型的样本的标注，通常是与目标任务一致，仅是单一的图像级标注信息，从而导致模型准确性较低，可能预测不准确，因此我们对此做出改进，提出一种图像识别模型的训练方法及系统。
技术实现要素：
为了解决上述技术问题，本发明提供了如下的技术方案：
本发明一种图像识别模型的训练方法，包括，
获取待识别的图像；提取待识别图像的特征信息，将所述训练图像输入构建的预定规模的图像集中，基于所述初始图像识别模型，以所述待识别图像的图像特征信息为输入参数，并且进行图像样本识别，利用图像识别模型对图样样本识别后，得到损失值；
根据损失值，调整图像识别模型的参数，得到图像识别模型。
作为本发明的一种优选技术方案，所述获取待识别的图像包括第一图像样本、第二图像样本和所述第三图像样本，进行识别得到损失值。
作为本发明的一种优选技术方案，在所述待识别的图像中获取第一眼底图像样本、第二眼底图像样本以及第三眼底图像样本之前包括：对所述待识别图像进行剪裁。
作为本发明的一种优选技术方案，所述初始图像识别模型是根据初始训练图像样本集训练获得的，所述初始训练图像样本为有病变类别标注的图像样本。
作为本发明的一种优选技术方案，根据标注后的各像图像和所述初始训练图像样本集，迭代训练获得图像识别模型。
作为本发明的一种优选技术方案，所述获取至少两张待识别图像；
利用权利要求1～5任意一项所述的一种图像识别模型的训练方法进行识别，展示所述图像识别结果。
根据迭代训练后的图像识别模型，对所述测试图像样本集中各测试图像样本进行病变类别识别，根据识别结果，确定所述迭代训练后的图像识别模型的准确率。
一种图像识别模型的训练系统，包括图像获取设备、图像生成设备、图像输出设备和训练设备；
所述图像获取设备，用于获取待识别图像；
图像生成设备，用于提取所述待识别图像的图像特征信息，将所述训练图像输入构建的预定规模的图像集中，基于所述初始图像识别模型，以所述待识别图像的图像特征信息为输入参数，并且进行图像样本识别，利用图像识别模型对图样样本识别后，得到损失值，基于预先训练的图像识别模型，以所述待识别图像的图像特征信息为输入参数，获得所述待识别图像的病变类别识别结果，其中，所述图像识别模型为根据标注后的各影像图像和初始训练图像样本集进行迭代训练，以确定病变类别识别结果，所述标注后的各影像图像是基于初始图像识别模型和关联的影像报告对所述各影像图像进行病变类别标注后的获得的，所述初始图像识别模型是根据初始训练图像样本集训练获得的，所述初始训练图像样本为有病变类别标注的图像样本；
图像输出设备，用于输出所述待识别图像的病变类别识别结果；
训练设备，用于使用所述图像集对图像识别模型进行训练，根据标注后的各影像图像和所述初始训练图像样本集，迭代训练获得图像识别模型。
作为本发明的一种优选技术方案，所述图像获取设备包括计算机，存储器、探头、显示器和控制面板，所述计算机可读存储介质内存储有计算机程序，所述存储器用于存储计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如权利要求1至5中任一项所述的图像识别模型训练方法的步骤。
本发明的有益效果是：该种图像识别模型的训练方法及系统，根据初始图像识别模型对各影像图像进行识别，分别获得各影像图像的预测病变类别，并根据各影像图像关联的影像报告，对预测病变类别进行判断，根据判断结果标注各影像图像的病变类别，根据标注后的各影像图像和初始训练图像样本集，迭代训练获得图像识别模型，这样，可以利用影像报告对图像识别模型进行迭代训练，不需要增加额外标注成本，降低成本，并且能够对图像识别模型进行快速迭代，提高效率，加快产品的升级速度，从而随着图像识别模型的不断迭代更新，还可以提高图像识别模型的准确性，进而基于训练的图像识别模型对待识别图像进行病变类别识别，可以确定出待识别图像的病变类别识别结果，提高识别准确性，根据病变位置可以更加准确地定位出某病变类别的图像特征信息，从而可以更准确地区分属于强标签中病变类别的图像特征信息和不属于该病变类别的图像特征信息，减少训练的样本噪声，提高训练可靠性，使得图像识别模型预测更加准确。
附图说明
图1是本发明一种图像识别模型的训练方法及系统的流程框图；
图2是本发明一种图像识别模型的训练方法及系统的图像识别模型流程框图；
图3是本发明一种图像识别模型的训练方法及系统的图像识别模型的训练系统图；
图4是本发明一种图像识别模型的训练方法及系统的图像获取设备结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例：如图1-4所示，本发明一种图像识别模型的训练方法，包括，
获取待识别的图像；提取待识别图像的特征信息，将训练图像输入构建的预定规模的图像集中，基于初始图像识别模型，以待识别图像的图像特征信息为输入参数，并且进行图像样本识别，利用图像识别模型对图样样本识别后，得到损失值；
根据损失值，调整图像识别模型的参数，得到图像识别模型。
其中，获取待识别的图像包括第一图像样本、第二图像样本和第三图像样本，进行识别得到损失值。
其中，在待识别的图像中获取第一眼底图像样本、第二眼底图像样本以及第三眼底图像样本之前包括：对待识别图像进行剪裁。
其中，初始图像识别模型是根据初始训练图像样本集训练获得的，初始训练图像样本为有病变类别标注的图像样本。
其中，根据标注后的各像图像和初始训练图像样本集，迭代训练获得图像识别模型。
其中，获取至少两张待识别图像；
利用权利要求1～5任意一项的一种图像识别模型的训练方法进行识别，展示图像识别结果。
根据迭代训练后的图像识别模型，对测试图像样本集中各测试图像样本进行病变类别识别，根据识别结果，确定迭代训练后的图像识别模型的准确率。
一种图像识别模型的训练系统，包括图像获取设备、图像生成设备、图像输出设备和训练设备；
图像获取设备，用于获取待识别图像；
图像生成设备，用于提取待识别图像的图像特征信息，将训练图像输入构建的预定规模的图像集中，基于初始图像识别模型，以待识别图像的图像特征信息为输入参数，并且进行图像样本识别，利用图像识别模型对图样样本识别后，得到损失值，基于预先训练的图像识别模型，以待识别图像的图像特征信息为输入参数，获得待识别图像的病变类别识别结果，其中，图像识别模型为根据标注后的各影像图像和初始训练图像样本集进行迭代训练，以确定病变类别识别结果，标注后的各影像图像是基于初始图像识别模型和关联的影像报告对各影像图像进行病变类别标注后的获得的，初始图像识别模型是根据初始训练图像样本集训练获得的，初始训练图像样本为有病变类别标注的图像样本；
图像输出设备，用于输出待识别图像的病变类别识别结果；
训练设备，用于使用图像集对图像识别模型进行训练，根据标注后的各影像图像和初始训练图像样本集，迭代训练获得图像识别模型。
其中，图像获取设备包括计算机，存储器、探头、显示器和控制面板，计算机可读存储介质内存储有计算机程序，存储器用于存储计算机程序，计算机程序可被至少一个处理器所执行，以使至少一个处理器执行如权利要求1至5中任一项的图像识别模型训练方法的步骤。
工作原理：获取待识别的图像；提取待识别图像的特征信息，将训练图像输入构建的预定规模的图像集中，基于初始图像识别模型，以待识别图像的图像特征信息为输入参数，并且进行图像样本识别，利用图像识别模型对图样样本识别后，得到损失值；
根据损失值，调整图像识别模型的参数，得到图像识别模型；
根据初始图像识别模型对各影像图像进行识别，分别获得各影像图像的预测病变类别，并根据各影像图像关联的影像报告，对预测病变类别进行判断，根据判断结果标注各影像图像的病变类别，根据标注后的各影像图像和初始训练图像样本集，迭代训练获得图像识别模型，这样，可以利用影像报告对图像识别模型进行迭代训练，不需要增加额外标注成本，降低成本，并且能够对图像识别模型进行快速迭代，提高效率，加快产品的升级速度，从而随着图像识别模型的不断迭代更新，还可以提高图像识别模型的准确性，进而基于训练的图像识别模型对待识别图像进行病变类别识别，可以确定出待识别图像的病变类别识别结果，提高识别准确性，根据病变位置可以更加准确地定位出某病变类别的图像特征信息，从而可以更准确地区分属于强标签中病变类别的图像特征信息和不属于该病变类别的图像特征信息，减少训练的样本噪声，提高训练可靠性，使得图像识别模型预测更加准确。
最后应说明的是：在本发明的描述中，需要说明的是，术语“竖直”、“上”、“下”、“水平”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种图像识别模型的训练方法，其特征在于，包括，
获取待识别的图像；提取待识别图像的特征信息，将所述训练图像输入构建的预定规模的图像集中，基于所述初始图像识别模型，以所述待识别图像的图像特征信息为输入参数，并且进行图像样本识别，利用图像识别模型对图样样本识别后，得到损失值；
根据损失值，调整图像识别模型的参数，得到图像识别模型。
2.根据权利要求1所述的一种图像识别模型的训练方法，其特征在于，所述获取待识别的图像包括第一图像样本、第二图像样本和所述第三图像样本，进行识别得到损失值。
3.根据权利要求1所述的一种图像识别模型的训练方法，其特征在于，在所述待识别的图像中获取第一眼底图像样本、第二眼底图像样本以及第三眼底图像样本之前包括：对所述待识别图像进行剪裁。
4.根据权利要求1所述的一种图像识别模型的训练方法，其特征在于，所述初始图像识别模型是根据初始训练图像样本集训练获得的，所述初始训练图像样本为有病变类别标注的图像样本。
5.根据权利要求4所述的一种图像识别模型的训练方法，其特征在于，根据标注后的各像图像和所述初始训练图像样本集，迭代训练获得图像识别模型。
6.根据权利要求1所述的一种图像识别模型的训练方法，其特征在于，所述获取至少两张待识别图像；
利用权利要求1～5任意一项所述的一种图像识别模型的训练方法进行识别，展示所述图像识别结果；
根据迭代训练后的图像识别模型，对所述测试图像样本集中各测试图像样本进行病变类别识别，根据识别结果，确定所述迭代训练后的图像识别模型的准确率。
7.一种图像识别模型的训练系统，其特征在于，包括图像获取设备、图像生成设备、图像输出设备和训练设备；
所述图像获取设备，用于获取待识别图像；
图像生成设备，用于提取所述待识别图像的图像特征信息，将所述训练图像输入构建的预定规模的图像集中，基于所述初始图像识别模型，以所述待识别图像的图像特征信息为输入参数，并且进行图像样本识别，利用图像识别模型对图样样本识别后，得到损失值，基于预先训练的图像识别模型，以所述待识别图像的图像特征信息为输入参数，获得所述待识别图像的病变类别识别结果，其中，所述图像识别模型为根据标注后的各影像图像和初始训练图像样本集进行迭代训练，以确定病变类别识别结果，所述标注后的各影像图像是基于初始图像识别模型和关联的影像报告对所述各影像图像进行病变类别标注后的获得的，所述初始图像识别模型是根据初始训练图像样本集训练获得的，所述初始训练图像样本为有病变类别标注的图像样本；
图像输出设备，用于输出所述待识别图像的病变类别识别结果；
训练设备，用于使用所述图像集对图像识别模型进行训练，根据标注后的各影像图像和所述初始训练图像样本集，迭代训练获得图像识别模型。
8.根据权利要求7所述的一种图像识别模型的训练系统，其特征在于，所述图像获取设备包括计算机，存储器、探头和显示器，所述计算机可读存储介质内存储有计算机程序，所述存储器用于存储计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如权利要求1至5中任一项所述的图像识别模型训练方法的步骤。
技术总结