一种模型训练方法、装置、存储介质及电子设备与流程

1.本说明书涉及计算机技术领域，尤其涉及一种模型训练方法、装置、存储介质及电子设备。


背景技术：

2.肿瘤是一种十分危险的病变组织，当肿瘤发生转移后，若没有第一时间处理，有很高的概率致使患者死亡。因此，对肿瘤是否会发生转移的评估与预后是非常重要的。
3.如今，临床治疗中大多采用如ki67、p53、cea、cyfra21-1等免疫组化检查指标结果来评估肿瘤的恶性程度、预测转移风险等。但是，上述免疫组化检查项目需要通过局部组织活检来检查，属于一种有创检查。另外，大多数免疫组化检查项目仅能表征出肿瘤发生转移的可能性，而无法做出很好的预后。
4.为解决上述问题，本说明书提供一种模型训练方法，用于训练能够安全、有效地预估病变组织的风险的模型。


技术实现要素：

5.本说明书提供一种模型训练方法、装置、存储介质及电子设备，以部分的解决现有技术存在的上述问题。
6.本说明书采用下述技术方案：
7.本说明书提供了一种模型训练方法，包括：
8.获取样本医学图像，所述样本医学图像包含处于不同生长阶段的病变组织；
9.根据各样本医学图像中，处于不同生长阶段的病变组织之间的差异，确定标注转移特征；
10.将所述样本医学图像输入待训练的病变发展预测模型中，通过所述病变发展预测模型中的提取层，提取所述样本医学图像的图像特征；
11.通过所述病变发展预测模型中的输出层，根据所述图像特征输出所述病变组织的预测转移特征；
12.以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练。
13.可选地，所述病变发展预测模型还包括注意力层；
14.在输出所述病变组织的预测转移特征之前，所述方法还包括：
15.获取预设的约束图像，所述约束图像中包含所述样本医学图像中的感兴趣区域；
16.通过所述注意力层，根据所述图像特征，确定所述病变发展预测模型在处理所述样本医学图像时的注意力图像；
17.以所述约束图像与所述注意力图像之间的差异最小为优化目标，对所述病变发展预测模型中提取层和注意力层的参数进行调整。
18.可选地，预先确定约束图像，具体包括：
19.确定所述样本医学图像中包含的病变组织区域；
20.将所述病变组织区域的边缘向所述病变组织区域的外部扩展指定长度，得到感兴趣区域，以使所述感兴趣区域包含所述病变组织区域以及所述病变组织区域周围的其它风险区域；
21.将包含所述感兴趣区域的所述样本医学图像作为约束图像。
22.可选地，所述标注转移特征包括标注转移方向，所述预测转移特征包括预测转移方向；
23.以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练，具体包括：
24.以所述预测转移方向与所述标注转移方向之间的差异最小为优化目标，对所述病变发展预测模型进行训练。
25.可选地，所述病变组织的预测转移方向包括所述病变组织的下一生长阶段相对于当前生长阶段的预测转移方向，和/或所述病变组织的最终生长阶段相对于当前生长阶段的预测转移方向。
26.可选地，所述标注转移特征包括标注转移方式，所述预测转移特征包括预测转移方式；
27.以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练，具体包括：
28.以所述预测转移方式与所述标注转移方式之间的差异最小为优化目标，对所述病变发展预测模型进行训练。
29.可选地，所述标注转移特征包括标注生长阶段，所述预测转移特征包括预测生长阶段；
30.以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练，具体包括：
31.以所述预测生长阶段与所述标注生长阶段之间的差异最小为优化目标，对所述病变发展预测模型进行训练。
32.本说明书提供了一种风险预估方法，采用如图1所述的方法中预先训练病变发展预测模型，所述方法包括：
33.获取包含病变组织的医学图像；
34.将所述医学图像输入预先训练的病变发展预测模型中，通过所述病变发展预测模型中的提取层，提取所述医学图像的图像特征；
35.通过所述病变发展预测模型中的输出层，根据所述图像特征输出所述病变组织的预测转移特征。
36.本说明书提供了一种模型训练装置，包括：
37.获取模块，用于获取样本医学图像，所述样本医学图像包含处于不同生长阶段的病变组织；
38.标注模块，用于根据各样本医学图像中，处于不同生长阶段的病变组织之间的差异，确定标注转移特征；
39.输入模块，用于将所述样本医学图像输入待训练的病变发展预测模型中，通过所
述病变发展预测模型中的提取层，提取所述样本医学图像的图像特征；
40.输出模块，用于通过所述病变发展预测模型中的输出层，根据所述图像特征输出所述病变组织的预测转移特征；
41.训练模块，用于以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练。
42.本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述模型训练方法。
43.本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述模型训练方法。
44.本说明书采用的上述至少一个技术方案能够达到以下有益效果：
45.在本说明书提供地模型训练方法中，获取样本医学图像，所述样本医学图像包含处于不同生长阶段的病变组织；根据各样本医学图像中，处于不同生长阶段的病变组织之间的差异，确定标注转移特征；将所述样本医学图像输入待训练的病变发展预测模型中，通过所述病变发展预测模型中的提取层，提取所述样本医学图像的图像特征；通过所述病变发展预测模型中的输出层，根据所述图像特征输出所述病变组织的预测转移特征；以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练。
46.在采用本说明书提供的模型训练方法对病变发展预测模型进行训练时，以各不同生长阶段的病变组织的医学图像作为训练的样本，并根据各不同生长阶段的病变组织之间的差异确定训练的标注；将样本医学图像作为病变发展预测模型的输入，以病变发展预测模型输出的预测转移特征与作为标注的标注转移特征之间的差异最小为优化目标，对病变发展预测模型进行训练。通过上述方法可训练得到能够预测各阶段的病变组织的转移风险的病变发展预测模型，且具有较好的训练效果。
附图说明
47.此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附
48.图中：
49.图1为本说明书中一种模型训练方法的流程示意图；
50.图2为本说明书中一种病变发展预测模型的结构示意图；
51.图3为本说明书中一种约束图像的示意图；
52.图4为本说明书中一种风险预估方法的流程示意图；
53.图5为本说明书提供的一种模型训练装置的示意图；
54.图6为本说明书提供的一种风险预估装置的示意图；
55.图7为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
56.为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施
例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
57.另外，需要说明的是，本发明中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
58.以下结合附图，详细说明本说明书各实施例提供的技术方案。
59.图1为本说明书提供的一种模型训练方法的流程示意图。
60.s100：获取样本医学图像，所述样本医学图像包含处于不同生长阶段的病变组织。
61.本说明书所提供的模型训练方法中的所有步骤均可由任何具有计算功能的电子设备实现，例如终端、服务器等设备。
62.在本说明书提供的模型训练方法中，样本医学图像可以通过任何医学手段得到的医学图像，包括但不限于x射线成像、计算机体层摄影(computed tomography，ct)、核磁共振成像(magnetic resonance imaging，mri)、超声图像、放射性核素显像等。并且，医学图像中包含的病变组织可以是人体部位发生的病变，包括但不限于胶质瘤、肺癌、骨癌、乳腺癌、胃癌、淋巴瘤等。同时，病变症状包括但不限于结节、良性肿瘤、恶性肿瘤等。
63.在医学领域中，对于大多数病变组织，在学术上都会定义出不同的生长阶段，以区分病变组织存在的时长以及危险程度，通俗地说，就是临床阶段常见的各种病症的早期、晚期等描述。以癌症中产生的肿瘤类型的病变组织为例，通常可将肿瘤的生长划分为五个生长阶段：癌前阶段、原位癌阶段、浸润性癌阶段、转移阶段、播散阶段。其中，播散阶段的肿瘤，也就是口语中所说的癌症晚期。对于不同生长阶段，病变组织的组织规模、生长速度、传播风险均不相同，因此，对不同生长阶段的病变组织需要分别进行考虑。
64.基于此，在此步骤中，可获取包含处于不同生长阶段的病变组织的样本医学图像。获取到的样本医学图像中，可包含需要预测的病变组织的所有不同生长阶段的医学图像。
65.s102：根据各样本医学图像中，处于不同生长阶段的病变组织之间的差异，确定标注转移特征。
66.本说明书所提供的模型训练方法用于训练的模型为病变发展预测模型，在实际应用阶段，病变发展预测模型的输入为包含病变组织的医学图像，输出为医学图像中的病变组织的转移特征。其中，转移特征用于表征病变组织发生转移的风险。可以想到的，为了得到病变组织的转移特征，需要对同一个病变组织在不同生长阶段的情况进行综合分析。因此，在这一步骤中，可根据各样本医学图像中，处于不同生长阶段的病变组织之间的差异，确定标注转移特征。
67.值得一提的是，对于标注转移特征的获取，训练方可自行根据获取到的样本医学图像，得到标注转移特征；也可在实际医疗的过程中，直接根据医疗阶段产生的医学图像预先确定出标注转移特征，并将医学图像作为样本医学图像，与标注转移特征一同提供给训练方使用，本说明书对此不做具体限制。
68.s104：将所述样本医学图像输入待训练的病变发展预测模型中，通过所述病变发展预测模型中的提取层，提取所述样本医学图像的图像特征。
69.图2展示了本说明书提供的模型训练方法中采用的病变发展预测模型的结构示意
图。如图2所示，病变发展预测模型可至少包括提取层和输出层。
70.其中，提取层用于根据输入的图像，提取出图像的图像特征。在对病变发展预测模型的训练过程中，可将样本医学图像输入待训练的病变发展预测模型，通过提取层提取样本医学图像的图像特征，以在后续步骤中使用。
71.s106：通过所述病变发展预测模型中的输出层，根据所述图像特征输出所述病变组织的预测转移特征。
72.病变发展预测模型中的输出层，用于根据提取层提取出的图像特征，输出对应的病变组织的预测转移特征。在此步骤中，输出层可根据步骤s104中提取出的样本医学图像的图像特征，输出样本医学图像中包含的病变组织的预测转移特征。
73.s108：以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练。
74.在本说明书提供的模型训练方法中，对病变发展预测模型采用监督学习的方式进行训练。其中，训练的标注为步骤s102中确定出的标注转移特征。在对病变发展预测模型进行训练时，希望病变发展预测模型的输出能够与标注尽量的接近。基于此，可以病变发展预测模型输出的预测转移特征与标注转移特征之间的差异最小为训练目标，对病变发展预测模型进行训练。
75.在采用本说明书提供的模型训练方法对病变发展预测模型进行训练时，以各不同生长阶段的病变组织的医学图像作为训练的样本，并根据各不同生长阶段的病变组织之间的差异确定训练的标注；将样本医学图像作为病变发展预测模型的输入，以病变发展预测模型输出的预测转移特征与作为标注的标注转移特征之间的差异最小为优化目标，对病变发展预测模型进行训练。通过上述方法可训练得到能够预测各阶段的病变组织的转移风险的病变发展预测模型，且具有较好的训练效果。
76.额外的，如图2所示，本说明书提供的模型训练方法中采用的病变发展预测模型中还可包括注意力层。通过注意力层，结合预先设置的约束图像，可对提取层进行进一步的优化。具体的，可获取预设的约束图像，所述约束图像中包含所述样本医学图像中的感兴趣区域；通过所述注意力层，根据所述图像特征，确定所述病变发展预测模型在处理所述样本医学图像时的注意力图像；以所述约束图像与所述注意力图像之间的差异最小为优化目标，对所述病变发展预测模型中提取层和注意力层的参数进行调整。
77.其中，约束图像为对样本医学图像中包含病变组织的区域进行高亮后的图像。具体的，预先确定约束图像，可确定所述样本医学图像中包含的病变组织区域；将所述病变组织区域的边缘向所述病变组织区域的外部扩展指定长度，得到感兴趣区域，以使所述感兴趣区域包含所述病变组织区域以及所述病变组织区域周围的其它风险区域；将包含所述感兴趣区域的所述样本医学图像作为约束图像。在本说明书提供的模型训练方法中，感兴趣区域可包括但不限于肿瘤、瘤周区域以及周围发生或未发生病变的器官、组织和气腔等。其中，病变组织区域周围的其它风险区域可例如淋巴结、胸膜等易成为病变组织转移载体的器官区域。
78.图3展示了本说明书中采用的约束图像的示意图。如图3所示，该为发生脏层胸膜侵犯的恶性肺结节的样本医学图像对应的约束图像。在图3中，左下方白色区域为脏层胸膜，与脏层胸膜发生牵丝的不规则形状物即为肺结节，也就是病变组织。而包括病变组织的
深色区域即为确定出的感兴趣区域。可以看出，感兴趣区域在包含了病变组织区域的基础上，额外向外扩展了一定的范围，以确保感兴趣区域能够完全覆盖病变组织区域，在训练时很难受到误差以及模型波动的影响。另一方面，通过对病变组织区域向外扩展后得到的感兴趣区域，能够包含病变组织区域周围的其它可由于病症恶化与转移而病变组织侵害的风险区域。由此，能够对病变组织的转移风险进行更好地预测与应对。
79.在训练时，感兴趣区域为希望病变发展预测模型在提取样本图像的图像特征时能够重点关注的区域。基于此，可通过注意力层，根据模型提取层提取的图像特征，额外确定出样本医学图像的注意力图像。将包含感兴趣区域的约束图像作为参考，以注意力图像与约束图像之间的差异最小为优化目标，对病变发展预测模型中的提取层和注意力层中的参数进行调整，从而实现对提取层与注意力层的优化。需要注意的是，注意力层仅用于对病变发展预测模型地训练阶段，在实际应用病变发展预测模型预测病变组织的转移特征时，注意力层并不参与。
80.以图3作为约束图像为例进行说明。在图3中，包含的病变组织区域为肺结节，在肺结节周围存在容易被肺结节侵蚀转移的胸膜，也就是其他风险区域。对应的，在能够使用到图3作为约束图像的情况下，样本医学图像同样也应该为包含病变组织区域肺结节的图像。在通过病变发展预测模型中的提取层和注意力层得到样本医学图像的注意力图像后，可计算约束图像与注意力图像之间的差异，并利用得到的差异返回调整模型中提取层的参数。实际上，就是利用图3所示的约束图像，指导模型对病变组织区域为肺结节时病变发展预测模型对样本医学图像特征的提取，使提取出的图像特征除了能够准确地包含肺结节区域的表征以外，还能够额外包含肺结节周围的胸膜区域，也就是其它风险区域的表征。由此，病变发展预测模型能够根据样本医学图像中肺结节区域的图像特征，以及肺结节周围的胸膜区域的图像特征，输出更加准确、完善地转移特征，以更好地预测肺结节后续地发展与转移情况。
81.当然，在约束图像发生改变后，对病变发展预测模型进行的指导效果也会发生改变。例如，在约束图像中包含的其它风险区域为淋巴结的情况下，病变发展预测模型中的提取层也会额外提取病变组织区域周围的淋巴结的特征。
82.额外的，病变发展预测模型可输出更加具体的预测转移特征，对应的，在获取标注时也可获取更加具体的标注转移特征。
83.例如，在一具体实施例中，可更优的，所述标注转移特征包括标注转移方向，所述预测转移特征包括预测转移方向。在对病变发展预测模型进行训练时，可以所述预测转移方向与所述标注转移方向之间的差异最小为优化目标，对所述病变发展预测模型进行训练。
84.其中，转移方向用于表征病变组织在发生转移时的具体方向。更进一步的，所述病变组织的预测转移方向包括所述病变组织的下一生长阶段相对于当前生长阶段的预测转移方向，和/或所述病变组织的最终生长阶段相对于当前生长阶段的预测转移方向。也就是说，病变发展预测模型在预测病变组织的转移方向时，既可输出病变组织在进入到下一生长阶段时可能的转移方向，也可输出病变组织发展到最终生长阶段时可能的转移方向。根据输出的不同，预先确定的标注转移方向也可不同。当输出的预测转移方向为病变组织在进入到下一生长阶段时可能的转移方向时，标注转移方向可以是样本医学图像中的病变组
织与处于下一生长阶段的该病变组织的样本医学图像之间差异的方向；同样的，当输出的预测转移方向为病变组织在生长到最终生长阶段时可能的转移方向时，标注转移方向可以是样本医学图像中的病变组织与处于最终生长阶段的该病变组织的样本医学图像之间差异的方向。并且，病变发展预测模型既可同时输出下一生长阶段的预测转移方向与最终生长阶段的预测转移方向，也可只输出二者中的一个，本说明书对此不做具体限制。
85.再例如，在一具体实施例中，可更优的，所述标注转移特征包括标注转移方式，所述预测转移特征包括预测转移方式。在对病变发展预测模型进行训练时，可以所述预测转移方式与所述标注转移方式之间的差异最小为优化目标，对所述病变发展预测模型进行训练。
86.其中，转移方式用于表征病变组织在发生转移时方式。通常，转移方式可包括但不限于直接蔓延、淋巴转移、血行转移和种植，本说明书对此不做具体限制。标注转移方式为样本医学图像中的病变组织在实际发生转移时的转移方式。
87.再例如，在一具体实施例中，可更优的，所述标注转移特征包括标注生长阶段，所述预测转移特征包括预测生长阶段。在对病变发展预测模型进行训练时，可以所述预测生长阶段与所述标注生长阶段之间的差异最小为优化目标，对所述病变发展预测模型进行训练。
88.其中，生长阶段用于表征病变组织所处的时期。对于不同的病变组织，在医学上存在着不同的生长阶段。以癌症中产生的肿瘤类型的病变组织为例，通常可将肿瘤的生长划分为五个生长阶段：癌前阶段、原位癌阶段、浸润性癌阶段、转移阶段、播散阶段。其它病变组织也同样可根据医学领域中的专业划分方式确定出不同的各生长阶段。标注生长阶段为样本医学图像中的病变组织实际所处于的生长阶段。
89.结合上述模型训练方法，本说明书还提供了一种风险预估方法，如图4所示。
90.图4为本说明书提供的一种风险预估方法的流程示意图。
91.s200：获取包含病变组织的医学图像。
92.本说明书提供的风险预估方法采用本说明书提供的模型训练方法训练出的病变发展预测模型实现。
93.在对病变组织进行风险预估时，可首先获取包含需要预估风险的病变组织的医学图像。
94.s202：将所述医学图像输入预先训练的病变发展预测模型中，通过所述病变发展预测模型中的提取层，提取所述医学图像的图像特征。
95.在此步骤中，可将获取到的病变组织的医学图像输入预先完成训练的病变发展预测模型中，其中，病变发展预测模型采用本说明书提供的模型训练方法进行训练。通过病变发展预测模型中的提取层，可提取出医学图像的图像特征。
96.s204：通过所述病变发展预测模型中的输出层，根据所述图像特征输出所述病变组织的预测转移特征。
97.在此步骤中，可将步骤s202中提取出的医学图像的图像特征输入病变发展预测模型的输出层，输出医学图像中包含的病变组织的预测转移特征。完成训练的病变发展预测模型可输出的预测转移特征能够较好地反映出病变组织可能的转移情况。
98.以上为本说明书的一个或多个实施模型训练与风险预估的方法，基于同样的思
路，本说明书还提供了相应的举报信息处理装置，如图5、图6所示。
99.图5为本说明书提供的一种模型训练装置示意图，具体包括：
100.获取模块300，用于获取样本医学图像，所述样本医学图像包含处于不同生长阶段的病变组织；
101.标注模块302，用于根据各样本医学图像中，处于不同生长阶段的病变组织之间的差异，确定标注转移特征；
102.输入模块304，用于将所述样本医学图像输入待训练的病变发展预测模型中，通过所述病变发展预测模型中的提取层，提取所述样本医学图像的图像特征；
103.输出模块306，用于通过所述病变发展预测模型中的输出层，根据所述图像特征输出所述病变组织的预测转移特征；
104.训练模块308，用于以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练。
105.可选地，所述病变发展预测模型还包括注意力层；
106.所述装置还包括约束模块310，具体用于获取预设的约束图像，所述约束图像中包含所述样本医学图像中的感兴趣区域；通过所述注意力层，根据所述图像特征，确定所述病变发展预测模型在处理所述样本医学图像时的注意力图像；以所述约束图像与所述注意力图像之间的差异最小为优化目标，对所述病变发展预测模型中提取层和注意力层的参数进行调整。
107.可选地，所述约束模块310，具体用于确定所述样本医学图像中包含的病变组织区域；将所述病变组织区域的边缘向所述病变组织区域的外部扩展指定长度，得到感兴趣区域，以使所述感兴趣区域包含所述病变组织区域以及所述病变组织区域周围的其它风险区域；将包含所述感兴趣区域的所述样本医学图像作为约束图像。
108.可选地，所述标注转移特征包括标注转移方向，所述预测转移特征包括预测转移方向；
109.所述训练模块308，具体用于以所述预测转移方向与所述标注转移方向之间的差异最小为优化目标，对所述病变发展预测模型进行训练。
110.可选地，所述病变组织的预测转移方向包括所述病变组织的下一生长阶段相对于当前生长阶段的预测转移方向，和/或所述病变组织的最终生长阶段相对于当前生长阶段的预测转移方向。
111.可选地，所述标注转移特征包括标注转移方式，所述预测转移特征包括预测转移方式；
112.所述训练模块308，具体用于以所述预测转移方式与所述标注转移方式之间的差异最小为优化目标，对所述病变发展预测模型进行训练。
113.可选地，所述标注转移特征包括标注生长阶段，所述预测转移特征包括预测生长阶段；
114.所述训练模块308，具体用于以所述预测生长阶段与所述标注生长阶段之间的差异最小为优化目标，对所述病变发展预测模型进行训练。
115.图6为本说明书提供的一种风险预估装置示意图，具体包括：
116.图像获取模块400，用于获取包含病变组织的医学图像；
117.图像输入模块402，用于将所述医学图像输入预先训练的病变发展预测模型中，通过所述病变发展预测模型中的提取层，提取所述医学图像的图像特征；
118.特征输出模块404，用于通过所述病变发展预测模型中的输出层，根据所述图像特征输出所述病变组织的预测转移特征。
119.本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1所示的模型训练方法。
120.本说明书还提供了图7所示的电子设备的示意结构图。如图7所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所示的模型训练方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
121.在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmable logic device,pld)(例如现场可编程门阵列(field programmable gate array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very-high-speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
122.控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实
现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
123.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
124.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
125.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
126.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
127.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
128.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
129.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
130.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
131.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、
数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
132.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
133.本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
134.本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
135.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
136.以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

技术特征：
1.一种模型训练方法，其特征在于，所述方法包括：获取样本医学图像，所述样本医学图像包含处于不同生长阶段的病变组织；根据各样本医学图像中，处于不同生长阶段的病变组织之间的差异，确定标注转移特征；将所述样本医学图像输入待训练的病变发展预测模型中，通过所述病变发展预测模型中的提取层，提取所述样本医学图像的图像特征；通过所述病变发展预测模型中的输出层，根据所述图像特征输出所述病变组织的预测转移特征；以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练。2.如权利要求1所述的方法，其特征在于，所述病变发展预测模型还包括注意力层；在输出所述病变组织的预测转移特征之前，所述方法还包括：获取预设的约束图像，所述约束图像中标注有所述样本医学图像中的感兴趣区域；通过所述注意力层，根据所述图像特征，确定所述病变发展预测模型在处理所述样本医学图像时的注意力图像；以所述约束图像与所述注意力图像之间的差异最小为优化目标，对所述病变发展预测模型中提取层和注意力层的参数进行调整。3.如权利要求2所述的方法，其特征在于，预先确定约束图像，具体包括：确定所述样本医学图像中包含的病变组织区域；将所述病变组织区域的边缘向所述病变组织区域的外部扩展指定长度，得到感兴趣区域，以使所述感兴趣区域包含所述病变组织区域以及所述病变组织区域周围的其它风险区域；将包含所述感兴趣区域的所述样本医学图像作为约束图像。4.如权利要求1所述的方法，其特征在于，所述标注转移特征包括标注转移方向，所述预测转移特征包括预测转移方向；以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练，具体包括：以所述预测转移方向与所述标注转移方向之间的差异最小为优化目标，对所述病变发展预测模型进行训练。5.如权利要求4所述的方法，其特征在于，所述病变组织的预测转移方向包括所述病变组织的下一生长阶段相对于当前生长阶段的预测转移方向，和/或所述病变组织的最终生长阶段相对于当前生长阶段的预测转移方向。6.如权利要求1所述的方法，其特征在于，所述标注转移特征包括标注转移方式，所述预测转移特征包括预测转移方式；以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练，具体包括：以所述预测转移方式与所述标注转移方式之间的差异最小为优化目标，对所述病变发展预测模型进行训练。7.如权利要求1所述的方法，其特征在于，所述标注转移特征包括标注生长阶段，所述
预测转移特征包括预测生长阶段；以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练，具体包括：以所述预测生长阶段与所述标注生长阶段之间的差异最小为优化目标，对所述病变发展预测模型进行训练。8.一种风险预估方法，其特征在于，采用如权利要求1-7中任一项所述的方法中预先训练病变发展预测模型，所述方法包括：获取包含病变组织的医学图像；将所述医学图像输入预先训练的病变发展预测模型中，通过所述病变发展预测模型中的提取层，提取所述医学图像的图像特征；通过所述病变发展预测模型中的输出层，根据所述图像特征输出所述病变组织的预测转移特征。9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～8任一项所述的方法。10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1～8任一项所述的方法。

技术总结
本说明书公开了一种模型训练方法、装置、存储介质及电子设备。在本说明书提供地模型训练方法中，获取样本医学图像，所述样本医学图像包含处于不同生长阶段的病变组织；根据各样本医学图像中，处于不同生长阶段的病变组织之间的差异，确定标注转移特征；将所述样本医学图像输入待训练的病变发展预测模型中，通过所述病变发展预测模型中的提取层，提取所述样本医学图像的图像特征；通过所述病变发展预测模型中的输出层，根据所述图像特征输出所述病变组织的预测转移特征；以所述预测转移特征与所述标注转移特征之间的差异最小为优化目标，对所述病变发展预测模型进行训练。所述病变发展预测模型进行训练。所述病变发展预测模型进行训练。


技术研发人员：石峰 曹泽红 隗英 周翔
受保护的技术使用者：上海联影智能医疗科技有限公司
技术研发日：2023.06.26
技术公布日：2023/10/6