一种病变筛查神经网络训练方法、系统、终端及

本技术涉及的医疗，尤其是涉及一种病变筛查神经网络训练方法、系统、终端及存储介质。背景技术：1、目前，在医学领域中，可以采取一系列医学检查手段对可能存在的疾病或病变进行早期发现、早期诊断和早期治疗。病变筛查的目的是为了尽早发现病变，避免病情恶化，提高治愈率，降低病死率，改善患者的生存质量。2、相关技术中，常采用深度学习技术进行病变自动筛查。即通过训练大量的医学影像数据，学习如何自动识别和分类病变。该方法可以被应用于肺结节、皮肤癌、糖尿病、视网膜病变和肺炎等疾病的筛查。3、在利用深度学习技术对于一些不太明显的病变进行病变自动筛查时，会出现不易辨别的问题，从而造成误判。技术实现思路1、为了改善深度学习技术对于不太明显的病变的辨别能力，本技术提出了一种病变筛查神经网络训练方法、系统、终端及存储介质。2、在本技术的第一方面，提供一种病变筛查神经网络训练方法，该方法包括：3、对网络参数进行初始化操作；4、将多种分类标签的训练图像输入所述神经网络，提取图像的特征信息，得到与分类标签一一对应的第一样本特征、第二样本特征、……、第n样本特征的样本特征数据，n为整数且n≥2；5、根据所述第一样本特征、第二样本特征、……、第n样本特征中的样本特征数据计算距离度量；6、根据所述特征信息和所述距离度量计算损失函数；7、使用所述损失函数更新所述神经网络的网络参数。8、通过采用上述技术方案，可以在训练神经网络时，不仅考虑特征信息和分类标签之间的差异，还考虑第一样本特征的样本特征数据、第二样本特征的样本特征数据、……、第n样本特征的样本特征数据之间的相似性和差异性，并得到损失函数，以对神经网络的网络参数进行优化，从而使得神经网络能够更精确地辨别不太明显的病变，从而提高病变筛查的准确性和效率。9、在一种可能的实现方式中：所述根据所述特征信息和所述距离度量计算损失函数包括：10、根据所述特征信息计算第一损失函数；11、根据所述距离度量计算第二损失函数；12、根据所述第一损失函数和所述第二损失函数计算所述损失函数。13、在一种可能的实现方式中：所述根据所述第一损失函数和所述第二损失函数计算所述损失函数包括：14、预设第一系数α和第二系数β；15、所述损失函数为第一损失函数和第一系数α的乘积与第二损失函数和第二系数β的乘积之和，所述第一系数α和第二系数β的和为1。16、在一种可能的实现方式中：基于更新后的所述网络参数，利用所述训练图像对所述神经网络进行训练，并重新计算损失函数；17、若损失函数达到预设的收敛条件，则调整所述第一系数α和第二系数β，并训练所述神经网络，得到使得所述损失函数达到预设的收敛条件的网络参数；18、在得到第一系数α取不同数值时使得所述损失函数达到预设的收敛条件的网络参数，将使得损失函数达到最小值时的第一系数α确定为最终的第一系数α。19、通过采用上述技术方案，由于根据特征信息得到的第一损失函数对损失函数的影响与根据距离度量得到的第二损失函数对损失函数的影响是不同的，因此，需要确定第一系数α和第二系数β，以使得最终的损失函数最小，从而得到最优的网络参数。但在确定第一系数α和第二系数β前，需要先确定网络参数影响损失函数的方式。20、在一种可能的实现方式中：当n＝2时，距离度量包括第一类间距离distance_pn、第二类间距离distance_np、第一类内距离distance_pp和第二类内距离distance_nn，所述根据所述第一样本特征和第二样本特征的样本特征数据计算距离度量包括：21、根据所述第一样本特征的样本特征数据计算第一平均特征图fpmean；22、根据所述第二样本特征的样本特征数据计算第二平均特征图fnmean；23、分别计算所述第一样本特征中每一样本特征数据与所述第一平均特征图fpmean之间的距离，记作第一类内距离distance_pp；24、分别计算所述第一样本特征中每一样本特征数据与所述第二平均特征图fnmean之间的距离，记作第一类间距离distance_pn；25、分别计算所述第二样本特征中每一样本特征数据与所述第二平均特征图fnmean之间的距离，记作第二类内距离distance_nn；26、分别计算所述第二样本特征中每一样本特征数据与所述第一平均特征图fpmean之间的距离，记作第二类间距离distance_np。27、在一种可能的实现方式中：所述第一类内距离其中，fpi为第一样本特征中任意一个样本特征数据的信息；28、所述第一类间距离所述第二类内距离其中，fni为第二样本特征中任意一个样本特征数据的信息；29、所述第二类间距离30、在一种可能的实现方式中：所述根据所述距离度量计算第二损失函数包括：31、32、通过采用上述技术方案，当第一类内距离和第二类内距离最小，且第一类间距离和第二类间距离最大时，第二损失函数是最小的。当第二损失函数达到最小值时，说明神经网络对于第一样本特征和第二样本特征的辨别能力得到提升。33、在本技术的第二方面，提供一种病变筛查神经网络训练系统，该系统包括：34、初始化模块，用于对网络参数进行初始化操作；35、特征提取模块，用于将多种分类标签的训练图像输入所述神经网络，提取图像的特征信息，得到与分类标签一一对应的第一样本特征、第二样本特征、……、第n样本特征的样本特征数据，n为整数且n≥2；36、第一计算模块，用于根据所述第一样本特征、第二样本特征、……、第n样本特征中的样本特征数据计算距离度量；37、第二计算模块，用于根据所述特征信息和所述距离度量计算损失函数；以及，38、更新模块，用于使用所述损失函数更新所述神经网络的网络参数。39、在本技术的第三方面，提供一种智能终端，该智能终端包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行上述病变筛查神经网络训练方法的计算机程序。40、在本技术的第四方面，提供一种计算机可读存储介质，存储有能够被处理器加载并执行上述任一种病变筛查神经网络训练方法的计算机程序。41、综上所述，本技术包括以下至少一种有益技术效果：42、本技术可以在训练神经网络时，不仅考虑特征信息和分类标签之间的差异，还考虑第一样本特征的样本特征数据、第二样本特征的样本特征数据、……、第n样本特征的样本特征数据之间的相似性和差异性，并得到损失函数，以对神经网络的网络参数进行优化，从而使得神经网络能够更精确地辨别不太明显的病变，从而提高病变筛查的准确性和效率。