皮肤病分类模型训练方法、系统、介质和电子设备与流程

技术特征：
1.一种皮肤病分类模型训练方法，其特征在于，包括：获取皮肤病图像的样本数据，所述样本数据包括全量数据，对所述样本数据进行标注，分别获取高质量分类标注数据及高质量检测标注数据；预先建立回归模型，根据所述高质量检测标注数据对其进行训练，并通过训练后的回归模型，获取用于表征皮肤病图像前景的热力图标签；预先建立分类模型，根据所述高质量分类标注数据对其进行训练，并通过训练后的分类模型，获取用于表征皮肤病类别的独热标签；根据所述全量数据、所述热力图标签及所述独热标签，对所述分类模型进行二次训练，完成分类模型训练。2.根据权利要求1所述的皮肤病分类模型训练方法，其特征在于，所述全量数据包括问诊过程中获取的皮肤病图像数据，所述对所述样本数据进行标注，分别获取高质量分类标注数据及高质量检测标注数据包括：通过对部分所述全量数据进行皮肤病类型标注，得到所述高质量分类标注数据；通过对部分所述高质量分类标注数据进行患处检测框标注，得到所述高质量检测标注数据。3.根据权利要求2所述的皮肤病分类模型训练方法，其特征在于，所述预先建立回归模型，根据所述高质量检测标注数据对其进行训练，并通过训练后的回归模型，获取用于表征所述皮肤病图像前景的热力图标签包括：建立所述回归模型；针对多个所述高质量检测标注数据，将其具有硬边界的患处检测框转化成热力图，得到多个预处理热力图标签；按照皮肤病类别，将多个所述预处理热力图标签分别置于所述回归模型的不同的类别回归通道上，并根据多个所述预处理热力图标签对所述回归模型进行训练，得到多个所述热力图标签。4.根据权利要求3所述的皮肤病分类模型训练方法，其特征在于，所述回归模型包括多类回归模型，所述多类回归模型包括多个所述类别回归通道，所述多类回归模型包括两个用于回归患处中心在正交方向上的两个内径的回归通道。5.根据权利要求3所述的皮肤病分类模型训练方法，其特征在于，所述预先建立分类模型，根据所述高质量分类标注数据对其进行训练，并通过训练后的分类模型，获取用于表征皮肤病类别的独热标签包括：构建所述分类模型；根据多个所述高质量分类标注数据训练所述分类模型，得到所述独热标签。6.根据权利要求5所述的皮肤病分类模型训练方法，其特征在于，所述构建所述分类模型包括：建立用于皮肤病分类的基线模型；预设参数限制条件，所述参数限制条件包括内存和计算量大小；在所述参数限制条件下，通过复合缩放对所述基线模型的深度、宽度、图片大小同时进行缩放，得到所述分类模型。7.根据权利要求6所述的皮肤病分类模型训练方法，其特征在于，所述根据所述全量数
据、所述热力图标签及所述独热标签，对所述分类模型进行二次训练，完成皮肤病分类模型训练包括：根据所述全量数据对所述分类模型进行二次训练；将所述独热标签作为所述分类模型二次训练时的强监督信息，使所述分类模型显式地拟合分类标签，进行类别概率预测；将所述热力图标签作为所述分类模型二次训练时的随机的弱监督信息，使所述分类模型隐式地拟合数据偏移，进行前景提取。8.根据权利要求7所述的皮肤病分类模型训练方法，其特征在于，在对所述分类模型进行二次训练之前，所述皮肤病分类模型训练方法还包括：在样本层面上进行数据分布调整，根据所述独热标签对所述全量数据进行分类；将分类结果按照预测概率降序排列，并按照训练集的每类数据占比在所述全量数据中同比例提取样本。9.一种皮肤病分类模型训练系统，其特征在于，包括：数据采集单元，用于获取皮肤病图像的样本数据，所述样本数据包括全量数据；标注单元，用于对所述样本数据进行标注，分别获取高质量分类标注数据及高质量检测标注数据；模型构建单元，用于预先建立回归模型与分类模型；模型训练单元，用于根据所述高质量检测标注数据对所述回归模型进行训练，并通过训练后的回归模型，获取用于表征皮肤病图像前景的热力图标签，以及用于根据所述高质量分类标注数据对所述分类模型进行训练，并通过训练后的分类模型，获取用于表征皮肤病类别的独热标签，还用于根据所述全量数据、所述热力图标签及所述独热标签对所述分类模型进行二次训练。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。11.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至8任一项所述的方法。

技术总结
本发明涉及人工智能技术，提出一种皮肤病分类模型训练方法、系统、介质和电子设备，方法包括：获取样本数据、高质量分类标注数据及高质量检测标注数据；建立回归模型，根据高质量检测标注数据对其进行训练，通过训练后的回归模型获取热力图标签；建立分类模型，根据高质量分类标注数据对其进行训练，通过训练后的分类模型获取独热标签；根据全量数据、热力图标签及独热标签对分类模型进行二次训练。本发明使用高质量的检测框标注来训练密集标签，充分利用像素级标注信息，将其应用在海量脏标签数据上，结合分类监督与前景预测监督，强弱监督相结合，提供了更强的监督信息，在患者自拍等图像内容复杂场景下能显著提升模型的收敛速度和分类精度。度和分类精度。度和分类精度。


技术研发人员：张芮溟 王佳平 侯晓帅
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2021.09.16
技术公布日：2021/12/14