買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜中國醫學科學院北京協和醫院申請的專利一種基于深度學習的分類器模型的訓練方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN112541555B 。

龍圖騰網通過國家知識產權局官網在2025-04-29發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202011534218.7，技術領域涉及：G06V10/764；該發明授權一種基于深度學習的分類器模型的訓練方法是由譚海寧;沈建雄;戎天華;馮爾維設計研發完成，并于2020-12-22向國家知識產權局提交的專利申請。

本一種基于深度學習的分類器模型的訓練方法在說明書摘要公布了：本發明公開了一種基于深度學習的分類器模型的訓練方法，包括：從第一數據集中的原始醫學圖像中獲取感興趣區域圖像以形成第二數據集；對第二數據集的圖像進行常規增強后得到初步擴充圖像以形成第三數據集；利用生成式對抗網絡模型的生成器生成對應感興趣區域圖像的進一步擴充圖像以形成第四數據集；利用第二數據集的一部分圖像訓練分類器模型；分別利用第二數據集的另一部分圖像、第三數據集、第四數據集驗證模型的分類準確率并得到近似相等的準確率值q1、q2、q3；利用第二、第三及第四數據集重新訓練分類器模型并得出準確率值q4，q4分別大于q1、q2或q3。本發明能夠在保證圖像深層次特征沒改變的情況下擴充訓練集，從而提高模型的分類準確率。

本發明授權一種基于深度學習的分類器模型的訓練方法在權利要求書中公布了：1.一種基于深度學習的分類器模型的訓練方法，其特征在于，包括以下步驟：步驟1、根據預設分類標準對原始醫學圖像進行人工分類并添加分類標簽，帶有所述分類標簽的所述原始醫學圖像組成第一數據集；步驟2、從所述第一數據集中的所述原始醫學圖像中獲取感興趣區域圖像，所述感興趣區域圖像組成第二數據集；步驟3、對所述第二數據集中的所述感興趣區域圖像執行翻轉、旋轉、縮放操作以得到初步擴充圖像，所述初步擴充圖像組成第三數據集；步驟4、利用預先創建的基于深度神經網絡的生成式對抗網絡模型的生成器生成對應于所述感興趣區域圖像的進一步擴充圖像，所述進一步擴充圖像組成第四數據集；步驟5、利用所述第二數據集中的一部分感興趣區域圖像訓練目標分類器模型；步驟6、利用所述第二數據集中的另一部分感興趣區域圖像驗證所述目標分類器模型的準確率并得到分類準確率值q1，利用所述第三數據集驗證所述目標分類器模型的準確率并得到分類準確率值q2，利用所述第四數據集驗證所述目標分類器模型的準確率并得到分類準確率值q3，q2與q1之差的絕對值和q3與q1之差的絕對值均小于預設閾值；以及步驟7、將所述第二數據集、所述第三數據集以及所述第四數據集輸入到所述目標分類器模型重新進行訓練并得出分類準確率值q4，q4分別大于q1、q2或q3，其中，所述第二數據集、所述第三數據集以及所述第四數據集的數據量相等；所述生成式對抗網絡模型的訓練過程為：基于所述第二數據集和預設隨機分布噪聲對所述生成式對抗網絡模型的生成器和判別器進行交替訓練；基于所述第二數據集和預設隨機分布噪聲對所述生成式對抗網絡模型的生成器和判別器進行交替訓練，包括：生成步驟：固定所述判別器的參數，將所述預設隨機分布噪聲輸入到所述生成器中以輸出生成圖像；判別步驟：固定所述生成器的參數，將所述生成圖像和所述第二數據集輸入到所述判別器中以輸出真假概率值；優化步驟：將所述真假概率值傳遞到所述生成器，使用優化器優化所述判別器和所述生成器；重復所述生成步驟、所述判別步驟以及所述優化步驟，直到獲得滿足預設條件的損失函數值，得到訓練好的生成器和判別器；所述步驟4進一步包括：將所述預設隨機分布噪聲輸入到所述訓練好的生成器中生成所述進一步擴充圖像。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人中國醫學科學院北京協和醫院，其通訊地址為：100070 北京市東城區王府井帥府園1號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。