CN113470025A - 息肉检测方法、训练方法及相关装置 - Google Patents

息肉检测方法、训练方法及相关装置 Download PDF

Info

Publication number
CN113470025A
CN113470025A CN202111027897.3A CN202111027897A CN113470025A CN 113470025 A CN113470025 A CN 113470025A CN 202111027897 A CN202111027897 A CN 202111027897A CN 113470025 A CN113470025 A CN 113470025A
Authority
CN
China
Prior art keywords
detection model
polyp detection
polyp
model
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111027897.3A
Other languages
English (en)
Inventor
边成
李永会
杨延展
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202111027897.3A priority Critical patent/CN113470025A/zh
Publication of CN113470025A publication Critical patent/CN113470025A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10068—Endoscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Endoscopes (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种息肉检测方法、训练方法及相关装置，以在满足息肉检测速度的同时实现较高的息肉检测精准度。其中，息肉检测模型的训练方法包括：将样本内窥镜图像输入第一息肉检测模型和第二息肉检测模型，该第一息肉检测模型为未训练的息肉检测模型，第二息肉检测模型为已训练的息肉检测模型；将第一息肉检测模型和第二息肉检测模型中各层网络输出的图像特征输入元学习模型，该元学习模型用于确定第一息肉检测模型与第二息肉检测模型各层网络输出的图像特征间的特征匹配权重；根据特征匹配权重、以及第一息肉检测模型和第二息肉检测模型各层网络输出的图像特征，计算第一损失函数；根据第一损失函数的计算结果调整第一息肉检测模型的参数。

Description

息肉检测方法、训练方法及相关装置
技术领域
本公开涉及医疗图像技术领域，具体地，涉及一种息肉检测方法、训练方法及相关装置。
背景技术
内窥镜广泛用于结肠筛查和息肉检测，但是内窥镜的检测精准度很大程度上取决于内镜医师的经验。并且在使用内窥镜进行息肉检测的过程中，大约百分之二十的息肉会被漏检，这大大增加了息肉早期筛查的难度。另一方面，内窥镜的检查需要医师较长时间的专注，检查过程将会加重内镜医师的负担。于是，已经提出了通过图像处理方法来辅助息肉检测的方式。比如，将基于卷积神经网络的深度学习模型应用在息肉的自动检测上，以提高息肉检测的精准度。
但是，此种方式为了保证息肉检测的精准度，通常使用复杂的深度学习模型，每次检测过程耗费的计算资源较多，检测速度较慢，从而无法实现快速准确的息肉检测效果。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种息肉检测模型的训练方法，所述方法包括：
将样本内窥镜图像输入第一息肉检测模型和第二息肉检测模型，所述第一息肉检测模型为未训练的息肉检测模型，所述第二息肉检测模型为已训练的息肉检测模型；
将所述第一息肉检测模型和所述第二息肉检测模型中各层网络输出的图像特征输入元学习模型，所述元学习模型用于确定所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间的特征匹配权重；
根据所述特征匹配权重、以及所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征，计算第一损失函数，所述第一损失函数用于表征所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征间的差异；
根据所述第一损失函数的计算结果调整所述第一息肉检测模型的参数。
第二方面，本公开提供一种息肉检测方法，所述方法包括：
获取待检测的内窥镜图像；
通过息肉检测模型和所述内窥镜图像确定所述内窥镜图像对应的息肉检测结果，其中所述息肉检测模型是通过第一方面中所述方法训练得到的第一息肉检测模型。
第三方面，本公开提供一种息肉检测模型的训练装置，所述装置包括：
第一输入模块，用于将样本内窥镜图像输入第一息肉检测模型和第二息肉检测模型，所述第一息肉检测模型为未训练的息肉检测模型，所述第二息肉检测模型为已训练的息肉检测模型；
第二输入模块，用于将所述第一息肉检测模型和所述第二息肉检测模型中各层网络输出的图像特征输入元学习模型，所述元学习模型用于确定所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间的特征匹配权重；
第一计算模块，用于根据所述特征匹配权重、以及所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征，计算第一损失函数，所述第一损失函数用于表征所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征间的差异；
第一调整模块，用于根据所述第一损失函数的计算结果调整所述第一息肉检测模型的参数。
第四方面，本公开提供一种息肉检测装置，所述装置包括：
获取模块，用于获取待检测的内窥镜图像；
检测模块，用于通过息肉检测模型和所述内窥镜图像确定所述内窥镜图像对应的息肉检测结果，其中所述息肉检测模型是通过第一方面中所述方法训练得到的所述第一息肉检测模型。
第五方面，本公开提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面或第二方面中所述方法的步骤。
第六方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面或第二方面中所述方法的步骤。
通过上述技术方案，可以将已训练的第二息肉检测模型的知识迁移到未训练的第一息肉检测模型，若第一息肉检测模型为简单结构的息肉检测模型，第二息肉检测模型为已训练的复杂且精准的息肉检测模型，则按照本公开提供的方式，第一息肉检测模型可以在第二息肉检测模型的帮助下实现快速准确的息肉检测效果，从而解决相关技术中息肉检测模型耗费较多计算资源且检测速度较慢的问题。并且，可以通过元学习模型自动确定第一息肉检测模型与第二息肉检测模型各层网络输出的图像特征间的特征匹配权重，从而无需手动设定第一息肉检测模型与第二息肉检测模型的特征对应关系，可以减少训练过程耗费的人力和时间，提高第一息肉检测模型的训练效率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据本公开一示例性实施例示出的一种息肉检测模型的训练方法的流程图；
图2是根据本公开一示例性实施例示出的一种息肉检测模型的训练方法中的训练过程示意图；
图3是根据本公开一示例性实施例示出的一种息肉检测方法中的流程图；
图4是根据本公开一示例性实施例示出的一种息肉检测模型的训练装置的框图；
图5是根据本公开一示例性实施例示出的一种息肉检测装置的框图；
图6是根据本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。另外需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
正如背景技术所言，相关技术已经提出将基于卷积神经网络的深度学习模型应用在息肉的自动检测上，以提高息肉检测的精准度。但是，此种方式为了保证息肉检测的精准度，通常使用复杂的深度学习模型，每次检测过程耗费的计算资源较多，检测速度较慢，无法实现快速准确的息肉检测效果。
发明人研究发现，相关技术中存在一些针对深度学习模型的压缩方式。比如，采用分组卷积的方式进行新的网络设计，将输入的特征图（feature maps）沿通道（channel）维度分成不同的组，然后对不同的组分别进行卷积操作。由此，每一个卷积核是与输入的特征图的其中一组进行连接，而普通的卷积操作是与所有的特征图进行连接计算，因此分组数k越多，卷积操作的总参数量和总计算量就越少（减少k倍）。然而，不同分组的通道间减少了信息流通，导致最终输出的特征图只考虑了输入特征图的部分信息，因此在实际应用的时候会在分组卷积之后进行信息融合操作，增加了处理过程。
又比如通过剪枝操作来进行模型压缩，即将模型中不重要的连接或者过滤器进行裁剪来减少模型的冗余。但是，此种剪枝操作虽然降低了整个模型的容量（即模型的参数量减少），但是模型的结果准确性也会相应受到影响。此外，相关技术中还通过知识蒸馏的方式实现模型压缩。具体地，知识蒸馏框架通常包含一个或多个大型的预训练教师模型和小型的学生模型，主要思想是在教师模型的指导下训练高效的学生模型以获得相当的准确性，学生模型将使用来自教师模型的监督信号（通常称为教师模型学到的“知识”），以模仿教师模型的行为，例如模仿教师模型的特征图。但是，相关技术中，教师模型和学生模型中的特征对应关系大多为人为设定的，人为决定特征的重要程度以此来进行蒸馏，需要耗费较多的人力和时间。
有鉴于此，本公开提出一种息肉检测模型的训练方法，以提供针对息肉检测模型的模型压缩方法，在满足息肉检测速度的同时实现较高的息肉检测精准度，并减少实际应用过程中耗费的人力和时间。
图1是根据本公开一示例性实施例示出的一种息肉检测模型的训练方法的流程图。参照图1，该训练方法包括：
步骤101，将样本内窥镜图像输入第一息肉检测模型和第二息肉检测模型。该第一息肉检测模型为未训练的息肉检测模型，第二息肉检测模型为已训练的息肉检测模型。
步骤102，将第一息肉检测模型和第二息肉检测模型中各层网络输出的图像特征输入元学习模型。该元学习模型用于确定第一息肉检测模型与第二息肉检测模型各层网络输出的图像特征间的特征匹配权重；
步骤103，根据特征匹配权重、以及第一息肉检测模型和第二息肉检测模型各层网络输出的图像特征，计算第一损失函数。该第一损失函数用于表征第一息肉检测模型和第二息肉检测模型各层网络输出的图像特征间的差异。
步骤104，根据第一损失函数的计算结果调整第一息肉检测模型的参数。
通过上述方式，可以将已训练的第二息肉检测模型的知识迁移到未训练的第一息肉检测模型，若第一息肉检测模型为简单结构的息肉检测模型，第二息肉检测模型为已训练的复杂且精准的息肉检测模型，则按照本公开提供的方式，第一息肉检测模型可以在第二息肉检测模型的帮助下实现快速准确的息肉检测效果，从而解决相关技术中息肉检测模型耗费较多计算资源且检测速度较慢的问题。并且，可以通过元学习模型自动确定第一息肉检测模型与第二息肉检测模型各层网络输出的图像特征间的特征匹配权重，从而无需手动设定第一息肉检测模型与第二息肉检测模型的特征对应关系，可以减少训练过程耗费的人力和时间，提高第一息肉检测模型的训练效率。
为了使得本领域技术人员更加理解本公开提供的息肉检测模型的训练方法，下面对上述各步骤进行详细举例说明。
示例地，可以采集真实情况下多个病人包括息肉的内窥镜图像（比如胃镜图像、结肠镜图像等）作为样本内窥镜图像，采集到的样本内窥镜图像可以包括白光图像和窄带图像。其中，有的病人的息肉可能同时采集到白光和窄带图像，而有的病人的息肉可能只采集到白光图像。因此，可以在采集到的样本内窥镜图像中选取白光部分的图像作为最终的样本内窥镜图像。针对每一样本内窥镜图像，可以由经验丰富的胃肠内镜医师标记息肉标签。
在得到样本内窥镜图像后，参照图2，可以将样本内窥镜图像输入第一息肉检测模型和第二息肉检测模型。其中，该第一息肉检测模型为未训练的息肉检测模型，该第二息肉检测模型为已训练的息肉检测模型。比如第一息肉检测模型为未训练的结构简单且精准度不足的息肉检测模型，第二息肉检测模型为通过样本数据训练好的结构复杂且精准度高的息肉检测模型。在实际应用中，第一息肉检测模型比如可以是VGG-9模型，第二息肉检测模型为Res-32模型，本公开实施例对于第一息肉检测模型和第二息肉检测模型的具体结构和形式不作限定。
应当理解的是，一个已经完整训练的第二息肉检测模型，其中间的特征空间包含了很多有用的任务知识。因此，模仿其特征将对未训练的第一息肉检测模型有着非常大的益处，该第一息肉检测模型通过模仿，可以学到监督学习（即仅通过标注有息肉标签的样本内窥镜图像进行学习的方式）学不到的知识和特征。对于息肉检测而言，若将x定义为输入的样本内窥镜图像，将
Figure 922438DEST_PATH_IMAGE001
定义为已训练的第二息肉检测模型第m层网络输出的特征图，将
Figure 101747DEST_PATH_IMAGE002
定义为未训练的第一息肉检测模型第n层网络输出的特征图，训练的目标则是希望使用第二息肉检测模型去训练第一息肉检测模型
Figure 111291DEST_PATH_IMAGE003
以及其参数
Figure 426866DEST_PATH_IMAGE004
，比如可以通过以下的损失函数来衡量第一息肉检测模型和第二息肉检测模型各层网络输出的特征之间的距离：
Figure 230874DEST_PATH_IMAGE005
其中，
Figure 195681DEST_PATH_IMAGE006
为线性转换器，
Figure 743337DEST_PATH_IMAGE007
表示平方和的二次方根。
应当理解的是，第一息肉检测模型和第二息肉检测模型各层网络输出的特征之间的尺寸可能不一样，为了方便计算，在损失函数的计算过程中可以先将第一息肉检测模型输出的特征进行线性转换，比如上述公式中通过线性转换器对第一息肉检测模型第n层网络输出的特征图
Figure 710156DEST_PATH_IMAGE008
进行线性转换。
也即是说，在本公开实施例中，可以先根据第二息肉检测模型输出的图像特征的尺寸，对第一息肉检测模型输出的对应图像特征进行线性转换，得到目标转换特征，该目标转换特征的尺寸与第二息肉检测模型对应网络输出的图像特征的尺寸相同。然后，根据特征匹配权重、目标特征和第二息肉检测模型各层网络输出的图像特征，计算第一损失函数。
在实际应用中，可能不是第二息肉检测模型的所有特征都对第一息肉检测模型有用，而相关技术中大多是人为设定两个模型之间的知识迁移过程，即人为指定第二息肉检测模型迁移到第一息肉检测模型的特征。而本公开实施例可以通过元学习模型进行自动知识迁移。其中，元学习（Meta Learning），含义为学会学习，元学习希望模型获得一种“学会学习”的能力，使其可以在获得已有知识的基础上快速学习新的任务。在本公开实施例中，可以通过元学习模型来确定第一息肉检测模型与第二息肉检测模型各层网络输出的图像特征间的特征匹配权重，自动对作为教师模型的第二息肉检测模型的特征重要性进行判断，并且进行合适的迁移使得作为学生模型的第一息肉检测模型可以在第二息肉检测模型的帮助下实现快速准确的息肉检测效果。
示例地，继续参照图2，第一息肉检测模型和第二息肉检测模型中各层网络输出的图像特征可以输入元学习模型。由此，元学习模型可以根据输入的图像特征确定对应的特征匹配权重。
在可能的方式中，元学习模型设置有用于表征特征匹配权重的第一学习参数，则元学习模型可以通过如下方式确定第一息肉检测模型与第二息肉检测模型各层网络输出的图像特征间的特征匹配权重：先针对第一息肉检测模型与第二息肉检测模型各层网络输出的图像特征间每一种可能的层级匹配关系，通过第一学习参数和第二息肉检测模型各层网络输出的图像特征确定层级匹配关系下各通道图像特征的通道匹配权重。
示例地，继续参照图2，第一息肉检测模型的每一层网络输出的特征可以分别与第二息肉检测模型的每一层网络输出的特征匹配，由此可以得到15种可能的层级匹配关系。之后，在每一种可能的层级匹配关系下，第一息肉检测模型或第二息肉检测模型中每一层网络输出的图像特征可以包括多通道的图像特征，因此可以针对每一通道图像特征确定对应的通道匹配权重。其中，通道匹配权重可以与每一通道图像特征的重要程度正相关，即重要的特征将会得到较高的权重，不重要的特征将会得到较低的权重。
应当理解的是，本公开实施例中特征的重要程度可以理解为特征对模型输出结果的影响程度，越重要的特征越能影响模型输出结果，所以可以给重要的特征更高的权重，从而在模型训练过程中给予重要的特征更多的关注，帮助第一息肉检测模型聚焦到重要的特征上，提升第一息肉模型的训练效果和结果精准度。也即是说，越重要的通道图像特征越利于第一息肉检测模型的学习，反之则越不利于第一息肉检测模型的学习。
示例地，通道的重要程度会根据输入的图像而改变，所以可以通过元学习模型的第一学习参数和输入的图像特征确定通道匹配权重，比如可以按照如下公式确定通道匹配权重：
Figure 950644DEST_PATH_IMAGE009
其中，
Figure 370124DEST_PATH_IMAGE010
表示第一学习参数。
进一步，在可能的方式中，可以针对第一息肉检测模型与第二息肉检测模型各层网络输出的图像特征间每一种可能的层级匹配关系，确定层级匹配关系下第一息肉检测模型与第二息肉检测模型输出的同一通道图像特征间的特征距离，再针对每一层级匹配关系下的每一通道图像特征，根据通道图像特征的通道匹配权重和对应的特征距离，计算第一损失函数。
例如，按照如下公式计算第一损失函数：
Figure 924734DEST_PATH_IMAGE011
其中，
Figure 746059DEST_PATH_IMAGE012
表示第一损失函数的计算结果，
Figure 655984DEST_PATH_IMAGE013
表示特征图
Figure 562760DEST_PATH_IMAGE014
和
Figure 452219DEST_PATH_IMAGE015
的空间大小尺寸，（i，j）表示特征图的坐标，
Figure 393630DEST_PATH_IMAGE016
表示通道c的通道匹配权重，并且满足关系
Figure 975921DEST_PATH_IMAGE017
。
参照图2，第一息肉检测模型和第二息肉检测模型之间共有15种可能的层级匹配关系，不同的层级匹配关系拥有的可迁移性可能不一样，因此决定合适的迁移层级配对将对迁移的有效性有至关重要的作用。相关技术中通常是根据架构的先验知识或任务之间的语义相似性手动选择匹配层，这样的方法非常繁琐，需要不断地进行调整，并且并不能保证选择的匹配层即为最优匹配层。
在本公开实施例中，元学习模型可以设置有用于表征网络层级匹配关系的第二学习参数，则元学习模型可以通过如下方式确定第一息肉检测模型与第二息肉检测模型各层网络输出的图像特征间的特征匹配权重：针对第一息肉检测模型和第二息肉检测模型中各层网络输出的图像特征间每一种可能的层级匹配关系，通过第二学习参数和第二息肉检测模型各层网络输出的图像特征确定每一层级匹配关系对应的层级匹配权重。
也即是说，可以通过元学习模型的第二学习参数自动确定第一息肉检测模型和第二息肉检测模型间各层级匹配关系的可迁移程度，减少模型训练过程中耗费的人力和时间，从而提高模型训练效率。
例如，设定层级匹配权重为
Figure 369993DEST_PATH_IMAGE018
，其中，（m,n）表示第一息肉检测模型和第二息肉检测模型的层级匹配关系。在此种情况下，可以按照如下公式确定各层级匹配关系对于的层级匹配权重：
Figure 63143DEST_PATH_IMAGE019
其中，
Figure 593481DEST_PATH_IMAGE020
表示第二学习参数。
进一步，在可能的方式中，可以针对第一息肉检测模型与第二息肉检测模型各层网络输出的图像特征间每一种可能的层级匹配关系，确定层级匹配关系下第一息肉检测模型与第二息肉检测模型输出的图像特征间的特征距离。然后，针对每一层级匹配关系，根据层级匹配关系下图像特征对应的特征距离和该层级匹配关系的层级匹配权重，计算第一损失函数。
例如，可以按照如下公式结合通道匹配权重和层级匹配权重计算最终的第一损失函数：
Figure 836420DEST_PATH_IMAGE021
其中，C表示第一息肉检测模型与第二息肉检测模型各层网络输出的图像特征间所有可能的层级匹配关系集合。
当然，在可能的方式中，也可以单独通过层级匹配权重计算第一损失函数，在具体实施时，可以根据实际情况进行选择，本公开实施例不作限定。
通过上述方式，可以将已训练的第二息肉检测模型的知识迁移到未训练的第一息肉检测模型，使得第一息肉检测模型可以在第二息肉检测模型的帮助下实现快速准确的息肉检测效果，从而解决相关技术中息肉检测模型耗费较多计算资源且检测速度较慢的问题。并且，可以通过元学习模型自动确定第一息肉检测模型与第二息肉检测模型各层网络输出的图像特征间的特征匹配权重，从而无需手动设定进行第一息肉检测模型与第二息肉检测模型的特征对应关系，可以减少训练过程耗费的人力和时间，提高第一息肉检测模型的训练效率。
在可能的方式中，样本内窥镜图像标注有样本息肉检测结果，在根据第一损失函数的计算结果调整第一息肉检测模型的参数后，还可以确定第一息肉检测模型对样本内窥镜图像的息肉预测结果，然后根据息肉预测结果和样本息肉检测结果，计算第二损失函数，该第二损失函数用于表征第一息肉检测模型对样本内窥镜图像的息肉预测结果和样本内窥镜图像标注的样本息肉检测结果之间的差异。最后可以根据第二损失函数的计算结果，调整第一息肉检测模型的参数和元学习模型的参数。
示例地，第一息肉检测模型的检测网络可以是SSD一阶检测器，则第二损失函数的计算可以参照该一阶检测器的损失函数的计算，这里不再赘述。应当理解的是，第一息肉检测模型的整体训练过程中，目标损失函数可以为第一损失函数和第二损失函数之和。或者，还可以对第一损失函数加上权重来计算整体损失函数，该权重为一个非负的超参数，比如设定为0.5。
例如，参照图2，可以先更新第一息肉检测模型的
Figure 983367DEST_PATH_IMAGE022
参数T（T为正整数）次来降低第一损失函数。然后更新第一息肉检测模型的
Figure 480208DEST_PATH_IMAGE023
参数1次来降低第二损失函数。最后更新元学习模型的
Figure 130632DEST_PATH_IMAGE024
参数1次来降低第二损失函数。其中，第一阶段是通过基于梯度的算法更新第一息肉检测模型的
Figure 789146DEST_PATH_IMAGE025
参数T次以最小化第一损失函数，即使用作为教师模型的第二息肉检测模型的知识来学习参数
Figure 361073DEST_PATH_IMAGE004
。由于知识传递的过程是通过特征匹配的形式完成的，因此通过有选择地模仿重要特征来帮助学生模型训练是有价值的。并且，该训练过程第二息肉检测模型的目标学习特征完全来自于第二息肉检测模型的知识训练，没有其余标签的参与。第二阶段是对应息肉检测任务的第二损失函数的训练。第三阶段中，可以对元学习网络的
Figure 396025DEST_PATH_IMAGE026
参数进行更新，以帮助元学习网络更好地生成参数。
基于同一构思，本公开还提供一种息肉检测方法，该方法可以包括：
步骤301，获取待检测的内窥镜图像。
步骤302，通过息肉检测模型和所述内窥镜图像确定所述内窥镜图像对应的息肉检测结果，其中息肉检测模型是通过本公开提供的任一训练方法训练得到的第一息肉检测模型。
示例地，获取内窥镜图像可以是从内窥镜装置中获取。在具体实施时，本公开提供的息肉检测方法可以应用于内窥镜装置的控制单元，该控制单元在获取到内窥镜装置的图像采集单元采集到的内窥镜图像后，可以执行本公开提供的息肉检测方法，从而通过训练好的息肉检测模型确定该内窥镜图像对应的息肉检测结果。或者，本公开提供的息肉检测方法可以应用于包括内窥镜装置的医疗系统，该医疗系统中的控制设备可以通过有线或无线的方式与内窥镜装置通信，从而可以从内窥镜装置中获取内窥镜图像，并执行本公开提供的息肉检测方法，从而通过训练好的息肉检测模型确定该内窥镜图像对应的息肉检测结果。
通过上述方式，息肉检测模型是通过本公开提供的任一训练方法训练得到的，因此该息肉检测模型可以同时具备检测速度快和检测精度高的特点，从而在实际应用中，可以实现快速准确的息肉检测效果，不仅可以提升息肉检测的效率，还可以降低息肉的误检测率。
基于同一构思，本公开提供一种息肉检测模型的训练装置，该装置可以通过软件、硬件或者两者结合的方式成为电子设备的部分或全部。参照图4，该息肉检测模型的训练装置400包括：
第一输入模块401，用于将样本内窥镜图像输入第一息肉检测模型和第二息肉检测模型，所述第一息肉检测模型为未训练的息肉检测模型，所述第二息肉检测模型为已训练的息肉检测模型；
第二输入模块402，用于将所述第一息肉检测模型和所述第二息肉检测模型中各层网络输出的图像特征输入元学习模型，所述元学习模型用于确定所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间的特征匹配权重；
第一计算模块403，用于根据所述特征匹配权重、以及所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征，计算第一损失函数，所述第一损失函数用于表征所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征间的差异；
第一调整模块404，用于根据所述第一损失函数的计算结果调整所述第一息肉检测模型的参数。
可选地，所述元学习模型设置有用于表征特征匹配权重的第一学习参数，所述元学习模型用于通过如下模块确定所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间的特征匹配权重：
第一权重模块，用于针对所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间每一种可能的层级匹配关系，通过所述第一学习参数和所述第二息肉检测模型各层网络输出的图像特征确定所述层级匹配关系下各通道图像特征的通道匹配权重。
可选地，所述第一计算模块403用于：
针对所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间每一种可能的层级匹配关系，确定所述层级匹配关系下所述第一息肉检测模型与所述第二息肉检测模型输出的同一通道图像特征间的特征距离；
针对每一所述层级匹配关系下的每一通道图像特征，根据所述通道图像特征的所述通道匹配权重和所述通道图像特征对应的所述特征距离，计算第一损失函数。
可选地，所述元学习模型设置有用于表征网络层级匹配关系的第二学习参数，所述元学习模型用于通过如下模块确定所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间的特征匹配权重：
第二权重模块，用于针对所述第一息肉检测模型和第二息肉检测模型中各层网络输出的图像特征间每一种可能的层级匹配关系，通过所述第二学习参数和所述第二息肉检测模型各层网络输出的图像特征确定每一所述层级匹配关系对应的层级匹配权重。
可选地，所述第一计算模块403用于：
针对所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间每一种可能的层级匹配关系，确定所述层级匹配关系下所述第一息肉检测模型与所述第二息肉检测模型输出的图像特征间的特征距离；
针对每一所述层级匹配关系，根据所述层级匹配关系下所述图像特征对应的所述特征距离和所述层级匹配关系的所述层级匹配权重，计算第一损失函数。
可选地，所述样本内窥镜图像标注有样本息肉检测结果，所述装置400还包括：
确定模块，用于在根据所述第一损失函数的计算结果调整所述第一息肉检测模型的参数后，确定所述第一息肉检测模型对所述样本内窥镜图像的息肉预测结果；
第二计算模块，用于根据所述息肉预测结果和所述样本息肉检测结果，计算第二损失函数，所述第二损失函数用于表征所述第一息肉检测模型对所述样本内窥镜图像的息肉预测结果和所述样本内窥镜图像标注的所述样本息肉检测结果之间的差异；
第二调整模块，用于根据所述第二损失函数的计算结果，调整所述第一息肉检测模型的参数和所述元学习模型的参数。
可选地，所述第一计算模块403用于：
根据所述第二息肉检测模型中输出的图像特征的尺寸，对所述第一息肉检测模型输出的对应图像特征进行线性转换，得到目标转换特征，所述目标转换特征的尺寸与第二息肉检测模型对应网络输出的图像特征的尺寸相同；
根据所述特征匹配权重、所述目标特征和所述第二息肉检测模型各层网络输出的图像特征，计算第一损失函数。
基于同一构思，本公开还提供一种息肉检测装置，该息肉检测装置可以通过软件、硬件或者两者结合的方式成为电子设备的部分或全部。参照图5，该息肉检测装置500包括：
获取模块501，用于获取待检测的内窥镜图像；
检测模块502，用于通过息肉检测模型和所述内窥镜图像确定所述内窥镜图像对应的息肉检测结果，其中所述息肉检测模型是通过上述任一训练方法训练得到的所述第一息肉检测模型。
基于同一构思，本公开提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理装置执行时实现上述任一息肉检测模型的训练方法或者息肉检测方法的步骤。
基于同一构思，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现上述任一息肉检测模型的训练方法或者息肉检测方法的步骤。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机、内窥镜设备、包括内窥镜设备的医疗设备等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置（例如中央处理器、图形处理器等）601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储装置608加载到随机访问存储器（RAM）603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，可以利用诸如HTTP（HyperText Transfer Protocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：将样本内窥镜图像输入第一息肉检测模型和第二息肉检测模型，所述第一息肉检测模型为未训练的息肉检测模型，所述第二息肉检测模型为已训练的息肉检测模型；将所述第一息肉检测模型和所述第二息肉检测模型中各层网络输出的图像特征输入元学习模型，所述元学习模型用于确定所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间的特征匹配权重；根据所述特征匹配权重、以及所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征，计算第一损失函数，所述第一损失函数用于表征所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征间的差异；根据所述第一损失函数的计算结果调整所述第一息肉检测模型的参数。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待检测的内窥镜图像；通过息肉检测模型和所述内窥镜图像确定所述内窥镜图像对应的息肉检测结果，其中所述息肉检测模型是通过上述任一训练方法训练得到的第一息肉检测模型。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种息肉检测模型的训练方法，包括：
将样本内窥镜图像输入第一息肉检测模型和第二息肉检测模型，所述第一息肉检测模型为未训练的息肉检测模型，所述第二息肉检测模型为已训练的息肉检测模型；
将所述第一息肉检测模型和所述第二息肉检测模型中各层网络输出的图像特征输入元学习模型，所述元学习模型用于确定所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间的特征匹配权重；
根据所述特征匹配权重、以及所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征，计算第一损失函数，所述第一损失函数用于表征所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征间的差异；
根据所述第一损失函数的计算结果调整所述第一息肉检测模型的参数。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述元学习模型设置有用于表征特征匹配权重的第一学习参数，所述元学习模型用于通过如下方式确定所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间的特征匹配权重：
针对所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间每一种可能的层级匹配关系，通过所述第一学习参数和所述第二息肉检测模型各层网络输出的图像特征确定所述层级匹配关系下各通道图像特征的通道匹配权重。
根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述根据所述特征匹配权重、以及所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征，计算第一损失函数，包括：
针对所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间每一种可能的层级匹配关系，确定所述层级匹配关系下所述第一息肉检测模型与所述第二息肉检测模型输出的同一通道图像特征间的特征距离；
针对每一所述层级匹配关系下的每一通道图像特征，根据所述通道图像特征的所述通道匹配权重和所述通道图像特征对应的所述特征距离，计算第一损失函数。
根据本公开的一个或多个实施例，示例4提供了示例1-3任一项所述的方法，所述元学习模型设置有用于表征网络层级匹配关系的第二学习参数，所述元学习模型用于通过如下方式确定所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间的特征匹配权重：
针对所述第一息肉检测模型和第二息肉检测模型中各层网络输出的图像特征间每一种可能的层级匹配关系，通过所述第二学习参数和所述第二息肉检测模型各层网络输出的图像特征确定每一所述层级匹配关系对应的层级匹配权重。
根据本公开的一个或多个实施例，示例5提供了示例4所述的方法，所述根据所述特征匹配权重、以及所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征，计算第一损失函数，包括：
针对所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间每一种可能的层级匹配关系，确定所述层级匹配关系下所述第一息肉检测模型与所述第二息肉检测模型输出的图像特征间的特征距离；
针对每一所述层级匹配关系，根据所述层级匹配关系下所述图像特征对应的所述特征距离和所述层级匹配关系的所述层级匹配权重，计算第一损失函数。
根据本公开的一个或多个实施例，示例6提供了示例1-3任一项所述的方法，所述样本内窥镜图像标注有样本息肉检测结果，所述方法还包括：
在根据所述第一损失函数的计算结果调整所述第一息肉检测模型的参数后，确定所述第一息肉检测模型对所述样本内窥镜图像的息肉预测结果；
根据所述息肉预测结果和所述样本息肉检测结果，计算第二损失函数，所述第二损失函数用于表征所述第一息肉检测模型对所述样本内窥镜图像的息肉预测结果和所述样本内窥镜图像标注的所述样本息肉检测结果之间的差异；
根据所述第二损失函数的计算结果，调整所述第一息肉检测模型的参数和所述元学习模型的参数。
根据本公开的一个或多个实施例，示例7提供了示例1-3任一项所述的方法，所述根据所述特征匹配权重、以及所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征，计算第一损失函数，包括：
根据所述第二息肉检测模型中输出的图像特征的尺寸，对所述第一息肉检测模型输出的对应图像特征进行线性转换，得到目标转换特征，所述目标转换特征的尺寸与第二息肉检测模型对应网络输出的图像特征的尺寸相同；
根据所述特征匹配权重、所述目标特征和所述第二息肉检测模型各层网络输出的图像特征，计算第一损失函数。
根据本公开的一个或多个实施例，示例8提供了一种息肉检测方法，所述方法包括：
获取待检测的内窥镜图像；
通过息肉检测模型和所述内窥镜图像确定所述内窥镜图像对应的息肉检测结果，其中所述息肉检测模型是通过示例1-7任一所述方法训练得到的第一息肉检测模型
根据本公开的一个或多个实施例，示例9提供了一种息肉检测模型的训练装置，所述装置包括：
第一输入模块，用于将样本内窥镜图像输入第一息肉检测模型和第二息肉检测模型，所述第一息肉检测模型为未训练的息肉检测模型，所述第二息肉检测模型为已训练的息肉检测模型；
第二输入模块，用于将所述第一息肉检测模型和所述第二息肉检测模型中各层网络输出的图像特征输入元学习模型，所述元学习模型用于确定所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间的特征匹配权重；
第一计算模块，用于根据所述特征匹配权重、以及所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征，计算第一损失函数，所述第一损失函数用于表征所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征间的差异；
第一调整模块，用于根据所述第一损失函数的计算结果调整所述第一息肉检测模型的参数。
根据本公开的一个或多个实施例，示例10提供了一种息肉检测装置，所述装置包括：
获取模块，用于获取待检测的内窥镜图像；
检测模块，用于通过息肉检测模型和所述内窥镜图像确定所述内窥镜图像对应的息肉检测结果，其中所述息肉检测模型是通过示例1-7任一所述方法训练得到的所述第一息肉检测模型。
根据本公开的一个或多个实施例，示例11提供了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-8中任一项所述方法的步骤。
根据本公开的一个或多个实施例，示例12提供了一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-8中任一项所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (12)

1.一种息肉检测模型的训练方法，其特征在于，所述方法包括：
将样本内窥镜图像输入第一息肉检测模型和第二息肉检测模型，所述第一息肉检测模型为未训练的息肉检测模型，所述第二息肉检测模型为已训练的息肉检测模型；
将所述第一息肉检测模型和所述第二息肉检测模型中各层网络输出的图像特征输入元学习模型，所述元学习模型用于确定所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间的特征匹配权重；
根据所述特征匹配权重、以及所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征，计算第一损失函数，所述第一损失函数用于表征所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征间的差异；
根据所述第一损失函数的计算结果调整所述第一息肉检测模型的参数。
2.根据权利要求1所述的方法，其特征在于，所述元学习模型设置有用于表征特征匹配权重的第一学习参数，所述元学习模型用于通过如下方式确定所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间的特征匹配权重：
针对所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间每一种可能的层级匹配关系，通过所述第一学习参数和所述第二息肉检测模型各层网络输出的图像特征确定所述层级匹配关系下各通道图像特征的通道匹配权重。
3.根据权利要求2所述的方法，其特征在于，所述根据所述特征匹配权重、以及所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征，计算第一损失函数，包括：
针对所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间每一种可能的层级匹配关系，确定所述层级匹配关系下所述第一息肉检测模型与所述第二息肉检测模型输出的同一通道图像特征间的特征距离；
针对每一所述层级匹配关系下的每一通道图像特征，根据所述通道图像特征的所述通道匹配权重和所述通道图像特征对应的所述特征距离，计算第一损失函数。
4.根据权利要求1-3任一所述的方法，其特征在于，所述元学习模型设置有用于表征网络层级匹配关系的第二学习参数，所述元学习模型用于通过如下方式确定所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间的特征匹配权重：
针对所述第一息肉检测模型和第二息肉检测模型中各层网络输出的图像特征间每一种可能的层级匹配关系，通过所述第二学习参数和所述第二息肉检测模型各层网络输出的图像特征确定每一所述层级匹配关系对应的层级匹配权重。
5.根据权利要求4所述的方法，其特征在于，所述根据所述特征匹配权重、以及所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征，计算第一损失函数，包括：
针对所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间每一种可能的层级匹配关系，确定所述层级匹配关系下所述第一息肉检测模型与所述第二息肉检测模型输出的图像特征间的特征距离；
针对每一所述层级匹配关系，根据所述层级匹配关系下所述图像特征对应的所述特征距离和所述层级匹配关系的所述层级匹配权重，计算第一损失函数。
6.根据权利要求1-3任一所述的方法，其特征在于，所述样本内窥镜图像标注有样本息肉检测结果，所述方法还包括：
在根据所述第一损失函数的计算结果调整所述第一息肉检测模型的参数后，确定所述第一息肉检测模型对所述样本内窥镜图像的息肉预测结果；
根据所述息肉预测结果和所述样本息肉检测结果，计算第二损失函数，所述第二损失函数用于表征所述第一息肉检测模型对所述样本内窥镜图像的息肉预测结果和所述样本内窥镜图像标注的所述样本息肉检测结果之间的差异；
根据所述第二损失函数的计算结果，调整所述第一息肉检测模型的参数和所述元学习模型的参数。
7.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述特征匹配权重、以及所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征，计算第一损失函数，包括：
根据所述第二息肉检测模型中输出的图像特征的尺寸，对所述第一息肉检测模型输出的对应图像特征进行线性转换，得到目标转换特征，所述目标转换特征的尺寸与第二息肉检测模型对应网络输出的图像特征的尺寸相同；
根据所述特征匹配权重、所述目标特征和所述第二息肉检测模型各层网络输出的图像特征，计算第一损失函数。
8.一种息肉检测方法，其特征在于，所述方法包括：
获取待检测的内窥镜图像；
通过息肉检测模型和所述内窥镜图像确定所述内窥镜图像对应的息肉检测结果，其中所述息肉检测模型是通过权利要求1-7任一所述方法训练得到的第一息肉检测模型。
9.一种息肉检测模型的训练装置，其特征在于，所述装置包括：
第一输入模块，用于将样本内窥镜图像输入第一息肉检测模型和第二息肉检测模型，所述第一息肉检测模型为未训练的息肉检测模型，所述第二息肉检测模型为已训练的息肉检测模型；
第二输入模块，用于将所述第一息肉检测模型和所述第二息肉检测模型中各层网络输出的图像特征输入元学习模型，所述元学习模型用于确定所述第一息肉检测模型与所述第二息肉检测模型各层网络输出的图像特征间的特征匹配权重；
第一计算模块，用于根据所述特征匹配权重、以及所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征，计算第一损失函数，所述第一损失函数用于表征所述第一息肉检测模型和所述第二息肉检测模型各层网络输出的图像特征间的差异；
第一调整模块，用于根据所述第一损失函数的计算结果调整所述第一息肉检测模型的参数。
10.一种息肉检测装置，其特征在于，所述装置包括：
获取模块，用于获取待检测的内窥镜图像；
检测模块，用于通过息肉检测模型和所述内窥镜图像确定所述内窥镜图像对应的息肉检测结果，其中所述息肉检测模型是通过权利要求1-7任一所述方法训练得到的所述第一息肉检测模型。
11.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-8中任一项所述方法的步骤。
12.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-8中任一项所述方法的步骤。
CN202111027897.3A 2021-09-02 2021-09-02 息肉检测方法、训练方法及相关装置 Pending CN113470025A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111027897.3A CN113470025A (zh) 2021-09-02 2021-09-02 息肉检测方法、训练方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111027897.3A CN113470025A (zh) 2021-09-02 2021-09-02 息肉检测方法、训练方法及相关装置

Publications (1)

Publication Number Publication Date
CN113470025A true CN113470025A (zh) 2021-10-01

Family

ID=77867452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111027897.3A Pending CN113470025A (zh) 2021-09-02 2021-09-02 息肉检测方法、训练方法及相关装置

Country Status (1)

Country Link
CN (1) CN113470025A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111721536A (zh) * 2020-07-20 2020-09-29 哈尔滨理工大学 一种改进模型迁移策略的滚动轴承故障诊断方法
CN111932561A (zh) * 2020-09-21 2020-11-13 深圳大学 基于集成知识蒸馏的实时肠镜影像分割方法及装置
CN112686856A (zh) * 2020-12-29 2021-04-20 杭州优视泰信息技术有限公司 一种基于深度学习的实时肠镜息肉检测装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111721536A (zh) * 2020-07-20 2020-09-29 哈尔滨理工大学 一种改进模型迁移策略的滚动轴承故障诊断方法
CN111932561A (zh) * 2020-09-21 2020-11-13 深圳大学 基于集成知识蒸馏的实时肠镜影像分割方法及装置
CN112686856A (zh) * 2020-12-29 2021-04-20 杭州优视泰信息技术有限公司 一种基于深度学习的实时肠镜息肉检测装置

Similar Documents

Publication Publication Date Title
CN113095129B (zh) 姿态估计模型训练方法、姿态估计方法、装置和电子设备
JP2020191080A (ja) 増分学習のためのデータ認識方法
CN113487608A (zh) 内窥镜图像检测方法、装置、存储介质及电子设备
CN113469295B (zh) 生成模型的训练方法、息肉识别方法、装置、介质及设备
CN113496512B (zh) 用于内窥镜的组织腔体定位方法、装置、介质及设备
CN116128055A (zh) 图谱构建方法、装置、电子设备和计算机可读介质
CN115271071A (zh) 基于图神经网络的知识图谱实体对齐方法、系统及设备
CN111862081B (zh) 图像评分方法、分数预测网络的训练方法、装置
CN112380883B (zh) 模型训练方法、机器翻译方法、装置、设备及存储介质
CN112052865A (zh) 用于生成神经网络模型的方法和装置
JP6385036B2 (ja) 非対応データベース間でインフラストラクチャ・レイアウトをマッピングするための方法、システム、またはコンピュータ使用可能プログラム
CN111598227B (zh) 数据处理方法、装置、电子设备及计算机可读存储介质
CN115543638B (zh) 基于不确定性的边缘计算数据收集分析方法、系统及设备
JP2022526473A (ja) 情報を取得するための方法および装置、電子機器、記憶媒体並びにコンピュータプログラム
CN113470025A (zh) 息肉检测方法、训练方法及相关装置
CN115795025A (zh) 一种摘要生成方法及其相关设备
CN113379733B (zh) 无参考图像质量评价的分块标签权重度量方法及设备
CN112348162B (zh) 用于生成识别模型的方法和装置
CN113378808B (zh) 人物图像识别方法、装置、电子设备和计算机可读介质
CN116107574B (zh) 应用界面自动构建方法、装置、电子设备和可读介质
CN114782390B (zh) 检测模型的确定方法、息肉检测方法、装置、介质及设备
CN115225671B (zh) AIoT智慧医疗多址边缘卸载方法、系统、设备及介质
CN116453640B (zh) 基于多标签筛选的临床专病库构建方法、装置及电子设备
CN115565607B (zh) 确定蛋白质信息的方法、装置、可读介质及电子设备
WO2023116306A1 (zh) 信息处理方法、装置、可读存储介质及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20211001

Assignee: Xiaohe medical instrument (Hainan) Co.,Ltd.

Assignor: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd.

Contract record no.: X2021990000694

Denomination of invention: Polyp detection method, training method and related device

License type: Common License

Record date: 20211117

EE01 Entry into force of recordation of patent licensing contract
RJ01 Rejection of invention patent application after publication

Application publication date: 20211001

RJ01 Rejection of invention patent application after publication