CN113470031B - 息肉分型方法、模型训练方法及相关装置 - Google Patents
息肉分型方法、模型训练方法及相关装置 Download PDFInfo
- Publication number
- CN113470031B CN113470031B CN202111034220.2A CN202111034220A CN113470031B CN 113470031 B CN113470031 B CN 113470031B CN 202111034220 A CN202111034220 A CN 202111034220A CN 113470031 B CN113470031 B CN 113470031B
- Authority
- CN
- China
- Prior art keywords
- sample
- polyp
- typing
- noise
- model
- 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.)
- Active
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Abstract
本公开涉及一种息肉分型方法、模型训练方法及相关装置,以针对息肉分型数据中的标记噪声提出一种鲁棒性更高的模型。该模型训练方法包括:确定多个样本内窥镜图像,该样本内窥镜图像标注有息肉分型标签;针对每一样本内窥镜图像,通过第一识别网络确定对样本内窥镜图像中息肉的第一样本预测值,并通过第二识别网络确定对样本内窥镜图像中息肉的第二样本预测值;根据第一样本预测值和第二样本预测值间的差异,将样本内窥镜图像分类为干净样本或噪声样本。该干净样本为息肉分型标签标注正确的样本内窥镜图像,所述噪声样本为所述息肉分型标签标注错误的样本内窥镜图像;根据干净样本和噪声样本训练息肉分型模型。
Description
技术领域
本公开涉及医疗图像技术领域,具体地,涉及一种息肉分型方法、模型训练方法及相关装置。
背景技术
深度学习通常依赖大量标注准确的数据,假如数据中存在错误标注(即标记噪声)则会大大影响模型预测的准确性。在医学领域,影像数据的标记通常由多个医生进行人工标注或是通过自动化的方式生成。而由于医学图像的复杂性,对于一些病例,医生也无法确保其判断的准确性,因此对于多医生的标注,则不可避免的存在一些判断分歧。此外,大量的阅片容易导致专家的疲劳从而出现错误判断。因此,获取的医学数据集中通常或多或少的存在一些标记噪声,而这些标记噪声在数据集有限的情况下对模型的训练通常有着极大的影响。
然而,在息肉分型的领域,通常使用单一的卷积神经网络模型,在模型的训练过程中通常没有考虑到息肉训练数据中可能存在的标记噪声,因此息肉分型模型的预测准确性受标记噪声的影响较大。
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,本公开提供一种模型训练方法,应用于息肉分型模型,所述息肉分型模型包括第一识别网络和第二识别网络,所述方法包括:
确定多个样本内窥镜图像,所述样本内窥镜图像标注有息肉分型标签;
针对每一所述样本内窥镜图像,通过所述第一识别网络确定对所述样本内窥镜图像中息肉的第一样本预测值,并通过所述第二识别网络确定对所述样本内窥镜图像中息肉的第二样本预测值;
根据所述第一样本预测值和所述第二样本预测值间的差异,将所述样本内窥镜图像分类为干净样本或噪声样本,所述干净样本为所述息肉分型标签标注正确的样本内窥镜图像,所述噪声样本为所述息肉分型标签标注错误的样本内窥镜图像;
根据所述干净样本和所述噪声样本训练所述息肉分型模型。
第二方面,本公开提供一种息肉分型方法,所述方法包括:
获取内窥镜图像,所述内窥镜图像包括待分型的息肉;
通过息肉分型模型中的第一识别网络确定所述内窥镜图像中息肉的第一分型预测值,并通过所述息肉分型模型中的第二识别网络确定所述内窥镜图像中息肉的第二分型预测值,所述息肉分型模型是通过第一方面所述的模型训练方法训练得到的;
将所述第一分型预测值和所述第二分型预测值进行平均计算,得到目标分型预测值,并基于所述目标分型预测值确定所述内窥镜图像中息肉的目标分型结果。
第三方面,本公开提供一种模型训练装置,应用于息肉分型模型,所述息肉分型模型包括第一识别网络和第二识别网络,所述装置包括:
第一训练模块,用于确定多个样本内窥镜图像,所述样本内窥镜图像标注有息肉分型标签;
第二训练模块,用于针对每一所述样本内窥镜图像,通过所述第一识别网络确定对所述样本内窥镜图像中息肉的第一样本预测值,并通过所述第二识别网络确定对所述样本内窥镜图像中息肉的第二样本预测值;
第三训练模块,用于根据所述第一样本预测值和所述第二样本预测值间的差异,将所述样本内窥镜图像分类为干净样本或噪声样本,所述干净样本为所述样本息肉分型结果标注正确的样本内窥镜图像,所述噪声样本为所述样本息肉分型结果标注错误的样本内窥镜图像;
第四训练模块,用于根据所述干净样本和所述噪声样本训练所述息肉分型模型。
第四方面,本公开提供一种息肉分型装置,所述装置包括:
获取模块,用于获取内窥镜图像,所述内窥镜图像包括待分型的息肉;
第一处理模块,用于通过息肉分型模型中的第一识别网络确定所述内窥镜图像中息肉的第一分型预测值,并通过所述息肉分型模型中的第二识别网络确定所述内窥镜图像中息肉的第二分型预测值,所述息肉分型模型是通过第一方面所述的模型训练方法训练得到的;
第二处理模块,用于将所述第一分型预测值和所述第二分型预测值进行平均计算,得到目标分型预测值,并基于所述目标分型预测值确定所述内窥镜图像中息肉的目标分型结果。
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所述方法的步骤。
通过上述技术方案,息肉分型模型可以包括第一识别网络和第二识别网络,从而可以通过两个识别网络针对同一内窥镜图像输出的样本预测值间的差异来区分干净样本或噪声样本,进而结合该干净样本和噪声样本进行模型训练,可以充分利用有限的息肉样本数据集,提高数据利用率,减少噪声样本对模型预测准确性的影响。另外,由于干净样本和噪声样本是根据第一识别网络和第二识别网络的共同学习得到的,因此相较于设定样本选择比例的方式,可以减少将噪声数据误分为干净样本的情况,从而提高息肉分型模型的预测准确性。
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模型训练方法的流程图;
图2是根据本公开一示例性实施例示出的一种模型训练方法中输入第一输入第一识别网络和第二识别网络的图像示意图;
图3是根据本公开一示例性实施例示出的一种模型训练方法中息肉分型模型的示意图;
图4是根据本公开一示例性实施例示出的一种息肉分型方法的流程图;
图5是根据本公开一示例性实施例示出的一种模型训练装置的框图;
图6是根据本公开另一示例性实施例示出的一种息肉分型装置的框图;
图7是根据本公开另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,在息肉分型的领域,通常使用单一的卷积神经网络模型,在模型的训练过程中通常没有考虑到息肉训练数据中可能存在的标记噪声,因此息肉分型模型的预测准确性受标记噪声的影响较大。
发明人研究发现,在其他领域,存在通过样本选择的方式减小标记噪声对模型预测准确性影响的方式。具体地,先根据训练早期的loss(损失函数)选择一定比例较小loss的样本作为干净样本,然后通过该干净样本进行模型训练。但是,此种基于样本选择的方式,通常只选取干净数据来对模型进行训练,而忽略了含噪数据,无法充分利用有限的医学数据集。并且,此种方法通常基于mini-batch(将全部样本分为等量的子集以提升训练效率,这些子集即为mini-batch),但是在真实世界的数据上每个mini-batch中的噪声样本的比例很可能是不同的,因此噪声样本的比例很难选择。如果对每个mini-batch设置相同的噪声样本选择比例,则容易将一些噪声样本误分为干净样本,从而影响模型训练的准确性。
有鉴于此,本公开针对息肉分型数据中的标记噪声提出了一种鲁棒性更高的模型,该模型包括第一识别网络和第二识别网络,从而可以通过两个网络输出结果之间的差异来区分干净样本和噪声样本,减少相关技术中基于样本选择的方法中存在的不符合真实数据噪声的问题,使得模型对于真实的存在一定噪声标签的息肉数据集更具鲁棒性。
图1是根据本公开一示例性实施例示出的一种模型训练方法的流程图。该模型训练方法可以应用于息肉分型模型,该息肉分型模型包括第一识别网络和第二识别网络。参照图1,该方法可以包括:
步骤101,确定多个样本内窥镜图像,该样本内窥镜图像标注有息肉分型标签。
步骤102,针对每一样本内窥镜图像,通过第一识别网络确定对样本内窥镜图像中息肉的第一样本预测值,并通过第二识别网络确定对样本内窥镜图像中息肉的第二样本预测值。
步骤103,根据第一样本预测值和第二样本预测值间的差异,将样本内窥镜图像分类为干净样本或噪声样本。该干净样本为息肉分型标签标注正确的样本内窥镜图像,所述噪声样本为所述息肉分型标签标注错误的样本内窥镜图像。
步骤104,根据干净样本和噪声样本训练息肉分型模型。
通过上述方式,息肉分型模型可以包括第一识别网络和第二识别网络,从而通过两个识别网络针对同一内窥镜图像输出的样本预测值间的差异来区分干净样本或噪声样本,进而结合该干净样本和噪声样本进行模型训练,可以充分利用有限的息肉样本数据集,提高数据利用率,减少噪声样本对模型预测准确性的影响。另外,由于干净样本和噪声样本是根据第一识别网络和第二识别网络的共同学习得到的,因此相较于设定样本选择比例的方式,可以减少将噪声数据误分为干净样本的情况,从而提高息肉分型模型的预测准确性。
为了使得本领域技术人员更加理解本公开提供的模型训练方法,下面对上述各步骤进行详细举例说明。
示例地,可以采集多个病人包括息肉的样本内窥镜图像,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多个样本内窥镜图像。针对每一样本内窥镜图像,可以通过相关技术中的方式预先标注息肉分型标签。其中,息肉分型标签可以包括增生、肿瘤或者癌症。
在得到多个样本内窥镜图像后,可以针对每一样本内窥镜图像,通过第一识别网络确定对样本内窥镜图像中息肉的第一样本预测值,并通过第二识别网络确定对样本内窥镜图像中息肉的第二样本预测值。
在可能的方式中,可以通过第一识别网络将每一样本内窥镜图像转换为第一维度的图像特征,并基于第一维度的图像特征确定对样本内窥镜图像中息肉的第一样本预测值。通过第二识别网络将每一样本内窥镜图像转换为第二维度的图像特征,并基于第二维度的图像特征确定对样本内窥镜图像中息肉的第二样本预测值。其中,第一维度和第二维度可以根据实际情况设定。
在本公开实施例中,为了使得第一识别网络和第二识别网络学到不同的信息,可以将每个样本内窥镜图像转换为不同维度的特征进行训练。例如,参照图2,针对尺寸为H×W×C的样本内窥镜图像,可以先分为16个子图像和64个子图像。其中,H表示样本内窥镜图像的长度,W表示样本内窥镜图像的宽度,C表示样本内窥镜图像的通道数量。之后进行特征转换(reshape),从而可以将维度为H×W×C的图像转换为维度为N1×(××C)和N2×(××C)的图像,其中N1表示第一维度图像特征对应的子图像数量,该实施例中取16,N2表示第二维度图像特征对应的子图像数量,该实施例中取64。
之后,可以通过第一维度的图像特征确定对样本内窥镜图像中息肉的第一样本预测值,并通过第二维度的图像特征确定对样本内窥镜图像中息肉的第二样本预测值。应当理解的是,在模型训练初期,可以选择干净样本,比如按照相关技术中基于样本选择的方式选择一定比例的干净样本,然后将该干净样本分别转换为不同维度的图像特征对第一识别网络和第二识别网络进行训练,即对两个识别网络使用不同分辨率的图像进行初步训练,得到不同尺度的第一识别网络和第二识别网络,用于提取不同尺度的信息。在后续训练过程中,第一识别网络和第二识别网络可以对未区分类型的样本内窥镜图像提取不同尺度的图像特征进行预测。由此,可以提升通过两个识别网络来区分干净样本和噪声样本的准确性,从而提升息肉分型模型的准确性。
在通过第一识别网络和第二识别网络确定对样本内窥镜图像中息肉的样本预测值后,即得到第一样本预测值和第二样本预测值后,可以根据第一样本预测值和第二样本预测值间的差异,将样本内窥镜图像分类为干净样本或噪声样本。
其中,干净样本为息肉分型标签标注正确的样本内窥镜图像,即人工标注的息肉分型标签和该样本内窥镜图像中息肉实际的分型结果一致,而噪声样本为息肉分型标签标注错误的样本内窥镜图像,即人工标注的息肉分型标签和该样本内窥镜图像中息肉实际的分型结果不一致。
发明人研究表明,两个不同尺度的识别网络学到的特征不同,倾向于在干净样本上达成一致,而在噪声样本上产生分歧。因此,在本公开实施例中,可以先确定第一识别网络和第二识别网络对同一样本内窥镜图像的预测值之间的差异,从而根据该差异情况区分干净样本和噪声样本。
在可能的方式中,可以先确定第一样本预测值与第二样本预测值之间的JS散度距离,若第一样本预测值与第二样本预测值之间的JS散度距离与预设阈值之间的数值关系满足预设条件,则将样本内窥镜图像分类为干净样本,若第一样本预测值与所述第二样本预测值之间的JS散度距离与预设阈值之间的数值关系不满足预设条件,则将样本内窥镜图像分类为噪声样本。
示例地,预设阈值可以根据实际情况设定,本公开实施例对此不作限定。
在可能的方式中,可以先确定初始的预设阈值,然后在息肉分型模型的训练过程中,若息肉分型模型的训练次数达到预设训练次数,则增大初始的预设阈值。
示例地,在训练初期,可以将预设阈值设定得较小,以使息肉分型模型可以更容易的进行训练。随着息肉分型模型的能力增强,比如息肉分型模型的训练次数达到预设训练次数,则可以缓慢增大预设阈值。比如,可以按照如下公式设定预设阈值:
示例地,预设条件包括第一样本预测值与所述第二样本预测值之间的JS散度距离小于预设阈值,或者样本指标大于预设阈值,该样本指标为1减去JS散度距离得到的差值。
例如,按照如下公式确定第一样本预测值与第二样本预测值之间的JS散度距离:
其中,JS表示第一样本预测值与第二样本预测值之间的JS散度距离,表示第一样本预测值,表示第二样本预测值,N表示样本内窥镜图像对应的子图像数量,M表示息肉分型的类别数,表示第一识别网络对第i个子图像属于第m类息肉分型的样本预测值,表示第二识别网络对第i个子图像属于第m类息肉分型的样本预测值。
若第一样本预测值与第二样本预测值之间的JS散度距离小于预设阈值,则说明该JS散度距离与预设阈值之间的数值关系满足预设条件,从而可以将样本内窥镜图像分类为干净样本,反之若该JS散度距离不小于(即大于或等于)预设阈值,则说明该JS散度距离与预设阈值之间的数值关系不满足预设条件,从而可以将样本内窥镜图像分类为噪声样本。
又例如,在按照上述公式确定第一样本预测值与第二样本预测值之间的JS散度距离后,可以按照如下公式确定样本指标:,其中表示样本指标。若该样本指标大于预设阈值,则说明该JS散度距离与预设阈值之间的数值关系满足预设条件,从而可以将样本内窥镜图像分类为干净样本,反之若该样本指标不大于(即小于或等于)预设阈值,则说明该JS散度距离与预设阈值之间的数值关系不满足预设条件,从而可以将样本内窥镜图像分类为噪声样本。
当然,在其他可能的方式中,可以通过除JS散度以外的其他方式确定第一样本预测值和第二样本预测值之间的差异,比如,Wasserstein距离等,本公开实施例对此不作限定。
通过上述方式,可以通过例如JS散度的方式衡量第一识别网络和第二识别网络输出的样本预测值之间的差异,从而更加准确的区分干净样本和噪声样本,避免基于样本选择的方式存在的样本选择不符合真实数据噪声的问题,使得息肉分型模型对于真实存在噪声标签的息肉数据集更具鲁棒性。
在将样本内窥镜图像分类为噪声样本后,还可以根据噪声样本对应的第一样本预测值和第二样本预测值,确定息肉分型模型对噪声样本的预测分型结果,并根据噪声样本的预测分型结果、噪声样本标注的息肉分型标签和息肉分型模型的超参数,确定噪声样本的噪声伪标签。相应地,基于干净样本和噪声样本训练息肉分型模型可以是:根据息肉分型模型对干净样本的预测分型结果、干净样本标注的息肉分型标签、息肉分型模型对噪声样本的预测分型结果和噪声样本的噪声伪标签,训练息肉分型模型。
也即是说,在将样本内窥镜图像分类为噪声样本后,可以根据该噪声样本生成噪声伪标签,从而针对噪声样本使用该噪声伪标签而非人工标注的初始标签进行模型训练,进一步提高息肉分型模型预测的准确性,同时减少二次人工标注的成本,提高息肉分型模型的训练效率。
示例地,本公开实施例中息肉分型模型采用第一识别网络和第二识别网络,因此可以结合第一识别网络输出的第一样本预测值和第二识别网络输出的第二样本预测值,确定息肉分型模型对噪声样本的预测分型结果。之后则可以根据噪声样本的预测分型结果、噪声样本标注的息肉分型标签和息肉分型模型的超参数,确定噪声样本的噪声伪标签。
例如,可以按照如下公式确定噪声样本的噪声伪标签:
在得到噪声伪标签后,根据噪声样本的噪声伪标签和息肉分型模型对所述噪声样本的预测分型结果,以及息肉分型模型对所述干净样本的预测分型结果和干净样本标注的息肉分型标签,训练息肉分型模型。由此,可以结合干净样本和噪声样本进行模型训练,充分利用有限的息肉样本数据集,提高数据利用率,并且可以提升息肉分型模型对噪声数据的鲁棒性。
在可能的方式中,可以根据干净样本对应的第一样本预测值和息肉分型标签进行第一损失函数的计算,并根据干净样本对应的第二样本预测值和息肉分型标签进行第二损失函数,再根据第一损失函数的计算结果和第二损失函数的计算结果调整息肉分型模型的参数。或者,可以根据噪声样本对应的第一样本预测值和噪声伪标签进行第三损失函数的计算,并根据噪声样本对应的第二样本预测值和噪声伪标签进行第四损失函数的计算,再根据第三损失函数的计算结果和第四损失函数的计算结果,调整息肉分型模型的参数。
例如,可以设定息肉分型模型的整体训练目标为:
其中,L表示息肉分型模型的损失函数,表示交叉熵损失,表示干净样本的息肉分型标签,表示干净样本对应的第一样本预测值,表示干净样本对应的第二样本预测值,表示噪声样本的噪声伪标签,表示噪声样本对应的第一样本预测值,表示噪声样本对应的第二样本预测值。
应当理解的是,若按照上述公式计算息肉分型模型的损失函数,则针对干净样本,会计算上述公式的前两项,而针对噪声样本,会计算上述公式的后两项。也即是说,在本公开实施例中,可以针对干净样本和噪声样本采用不同的损失函数计算方式,进而提高息肉分型模型的训练效果。
下面参照图3所示的模型结构示意图说明本公开提供的模型训练方法。
息肉分型模型包括第一识别网络和第二识别网络。该第一识别网络和第二识别网络分别可以是vision transformer模型网络。参照图3,第一识别网络和第二识别网络包括线性映射模块(Linear Projection)、位置编码器(Embed)、归一化模块(LayerNormalization)、自注意力模块(Multi-Head Attention)和多层感知机(MLP)。其中,线性映射模块用于将铺平的图片特征映射到隐藏层的维度。位置编码器用于获取图像的位置信息。自注意力模块用于学习图像中的关键信息部分。
第一识别网络将样本内窥镜图像转换为第一维度图像特征后,基于该第一维度图像特征确定第一样本预测值,同时第二识别网络将样本内窥镜图像转换为第二维度图像特征后,基于该第二维度图像特征确定第二样本预测值。之后,参照图3,第一识别网络输出的第一样本预测值和第二识别网络输出的第二样本预测值可以输入JS模块。该JS模块可以确定第一样本预测值和第二样本预测值之间的JS散度距离,从而区分干净样本和噪声样本。并且,针对噪声样本,可以生成噪声伪标签。
另外,第一识别网络输出的第一样本预测值可以输入分类器(Classifier),得到一预测分型结果。针对噪声样本,则可以根据该预测分型结果和噪声伪标签进行损失函数的计算,从而根据该损失函数的计算结果调整模型参数。同样地,第二识别网络输出的第二样本预测值可以输入对应的分类器(Classifier),得到一预测分型结果。针对噪声样本,则可以根据该预测分型结果和噪声伪标签进行损失函数的计算,从而根据该损失函数的计算结果调整模型参数。
应当理解的是,针对干净样本,通过分类器得到预测分型结果后,可以根据该预测分型结果和该干净样本标注的息肉分型标签进行损失函数的计算,从而根据该损失函数的计算结果调整模型参数。
通过上述方案,息肉分型模型可以包括第一识别网络和第二识别网络,从而可以通过两个识别网络针对同一内窥镜图像输出的样本预测值间的差异来区分干净样本或噪声样本,进而结合该干净样本和噪声样本进行模型训练,可以充分利用有限的息肉样本数据集,提高数据利用率,减少噪声样本对息肉分型模型预测准确性的影响。并且,由于干净样本和噪声样本是根据第一识别网络和第二识别网络的共同学习得到的,因此相较于设定样本选择比例的方式,可以减少将噪声数据误分为干净样本的情况,从而提高息肉分型模型的预测准确性。此外,可以根据噪声样本生成噪声伪标签,从而针对噪声样本使用该噪声伪标签而非人工标注的初始标签进行模型训练,可以进一步提高息肉分型模型预测的准确性,同时减少二次人工标注的成本,提高息肉分型模型的训练效率。
基于同一构思,本公开还提供一种息肉分型方法,参照图4,该方法包括以下步骤:
步骤401,获取内窥镜图像,该内窥镜图像包括待分型的息肉;
步骤402,通过息肉分型模型中的第一识别网络确定内窥镜图像中息肉的第一分型预测值,并通过息肉分型模型中的第二识别网络确定内窥镜图像中息肉的第二分型预测值。该息肉分型模型是通过上述任一模型训练方法训练得到的。
步骤403,将第一分型预测值和第二分型预测值进行平均计算,得到目标分型预测值,并基于目标分型预测值确定内窥镜图像中息肉的目标分型结果。
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,本公开提供的息肉分型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分型方法,从而通过训练好的息肉分型模型确定该内窥镜图像中息肉的目标分型结果。或者,本公开提供的息肉分型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分型方法,从而通过训练好的息肉分型模型确定该内窥镜图像中息肉的目标分型结果。
示例地,在获取到内窥镜图像后,训练好的息肉分型模型包括第一识别网络和第二识别网络,因此可以通过第一识别网络确定内窥镜图像中息肉的第一分型预测值,并通过第二识别网络确定内窥镜图像中息肉的第二分型预测值,然后按照如下公式得到目标分型预测值:
之后,则可以通过分类器和目标分型预测值确定内窥镜图像中息肉的目标分型结果。按照此种方式,由于息肉分型模型是通过两个识别网络针对同一内窥镜图像输出的样本预测值间的差异来区分干净样本或噪声样本后,再结合该干净样本和噪声样本进行训练而得到的,即在模型训练过程中充分利用了干净样本和噪声样本,因此息肉分型模型的鲁棒性较高,从而基于该息肉分型模型进行分型,可以提高息肉分型结果的准确性。并且,干净样本和噪声样本是根据两个识别网络共同学习得到的,相较于设定样本选择比例的方式,可以减少将噪声数据误分为干净样本的情况,从而进一步息肉分型结果的准确性。
基于同一构思,本公开还提供一种模型训练装置,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。该装置用于训练息肉分型模型,该息肉分型模型包括第一识别网络和第二识别网络。参照图5,该模型训练装置500包括:
第一训练模块501,用于确定多个样本内窥镜图像,所述样本内窥镜图像标注有息肉分型标签;
第二训练模块502,用于针对每一所述样本内窥镜图像,通过所述第一识别网络确定对所述样本内窥镜图像中息肉的第一样本预测值,并通过所述第二识别网络确定对所述样本内窥镜图像中息肉的第二样本预测值;
第三训练模块503,用于根据所述第一样本预测值和所述第二样本预测值间的差异,将所述样本内窥镜图像分类为干净样本或噪声样本,所述干净样本为所述样本息肉分型结果标注正确的样本内窥镜图像,所述噪声样本为所述样本息肉分型结果标注错误的样本内窥镜图像;
第四训练模块504,用于根据所述干净样本和所述噪声样本训练所述息肉分型模型。
可选地,所述装置500还包括:
第五训练模块,用于在将所述样本内窥镜图像分类为噪声样本后,根据所述噪声样本对应的所述第一样本预测值和所述第二样本预测值,确定所述息肉分型模型对所述噪声样本的预测分型结果;
第六训练模块,用于根据所述噪声样本的预测分型结果、所述噪声样本标注的息肉分型标签和所述息肉分型模型的超参数,确定所述噪声样本的噪声伪标签;
所述第四训练模块504用于:
根据所述息肉分型模型对所述干净样本的预测分型结果、所述干净样本标注的息肉分型标签、所述息肉分型模型对所述噪声样本的预测分型结果和所述噪声样本的噪声伪标签,训练所述息肉分型模型。
可选地,所述第四训练模块504用于:
根据所述干净样本对应的所述第一样本预测值和息肉分型标签进行第一损失函数的计算,根据所述干净样本对应的所述第二样本预测值和息肉分型标签进行第二损失函数,根据所述第一损失函数的计算结果和所述第二损失函数的计算结果调整所述息肉分型模型的参数;或者
根据所述噪声样本对应的所述第一样本预测值和所述噪声伪标签进行第三损失函数的计算,根据所述噪声样本对应的所述第二样本预测值和所述噪声伪标签进行第四损失函数的计算,根据所述第三损失函数的计算结果和所述第四损失函数的计算结果,调整所述息肉分型模型的参数。
可选地,所述第二训练模块502用于:
通过所述第一识别网络将每一所述样本内窥镜图像转换为第一维度的图像特征,并基于所述第一维度的图像特征确定对所述样本内窥镜图像中息肉的第一样本预测值;
通过所述第二识别网络将每一所述样本内窥镜图像转换为第二维度的图像特征,并基于所述第二维度的图像特征确定对所述样本内窥镜图像中息肉的第二样本预测值。
可选地,所述第三训练模块503用于:
确定所述第一样本预测值与所述第二样本预测值之间的JS散度距离;
若所述第一样本预测值与所述第二样本预测值之间的JS散度距离与预设阈值之间的数值关系满足预设条件,则将所述样本内窥镜图像分类为干净样本,若所述第一样本预测值与所述第二样本预测值之间的JS散度距离与所述预设阈值之间的数值关系不满足所述预设条件,则将所述样本内窥镜图像分类为噪声样本。
可选地,所述预设条件包括所述JS散度距离小于所述预设阈值,或者样本指标大于所述预设阈值,所述样本指标为1减去所述JS散度距离得到的差值。
可选地,所述预设阈值是通过如下模块设定的:
确定模块,用于确定初始的预设阈值;
调整模块,用于在所述息肉分型模型的训练过程中,若所述息肉分型模型的训练次数达到预设训练次数,则增大初始的所述预设阈值。
基于同一发明构思,本公开还提供一种息肉分型装置,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,比如该电子设备可以是内窥镜设备或者包括内窥镜设备的医疗设备。参照图6,该息肉分型装置600包括:
获取模块601,用于获取内窥镜图像,所述内窥镜图像包括待分型的息肉;
第一处理模块602,用于通过息肉分型模型中的第一识别网络确定所述内窥镜图像中息肉的第一分型预测值,并通过所述息肉分型模型中的第二识别网络确定所述内窥镜图像中息肉的第二分型预测值,所述息肉分型模型是通过上述任一所述的模型训练方法训练得到的;
第二处理模块603,用于将所述第一分型预测值和所述第二分型预测值进行平均计算,得到目标分型预测值,并基于所述目标分型预测值确定所述内窥镜图像中息肉的目标分型结果。
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。
基于同一构思,本公开实施例还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模型训练方法或者上述任一息肉分型方法的步骤。
基于同一构思,本公开实施例还提供一种电子设备,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,以实现上述任一模型训练方法或者上述任一息肉分型方法的步骤。
下面参考图7,其示出了适于用来实现本公开实施例的电子设备700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、台式计算机等等的固定终端。图7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7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705: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706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,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709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701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:确定多个样本内窥镜图像,所述样本内窥镜图像标注有息肉分型标签;针对每一所述样本内窥镜图像,通过所述第一识别网络确定对所述样本内窥镜图像中息肉的第一样本预测值,并通过所述第二识别网络确定对所述样本内窥镜图像中息肉的第二样本预测值;根据所述第一样本预测值和所述第二样本预测值间的差异,将所述样本内窥镜图像分类为干净样本或噪声样本,所述干净样本为所述息肉分型标签标注正确的样本内窥镜图像,所述噪声样本为所述息肉分型标签标注错误的样本内窥镜图像;根据所述干净样本和所述噪声样本训练所述息肉分型模型。
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:获取内窥镜图像,所述内窥镜图像包括待分型的息肉;通过息肉分型模型中的第一识别网络确定所述内窥镜图像中息肉的第一分型预测值,并通过所述息肉分型模型中的第二识别网络确定所述内窥镜图像中息肉的第二分型预测值,所述息肉分型模型是通过上述任一所述的模型训练方法训练得到的;将所述第一分型预测值和所述第二分型预测值进行平均计算,得到目标分型预测值,并基于所述目标分型预测值确定所述内窥镜图像中息肉的目标分型结果。
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提供了一种模型训练方法,应用于息肉分型模型,所述息肉分型模型包括第一识别网络和第二识别网络,所述方法包括:
确定多个样本内窥镜图像,所述样本内窥镜图像标注有息肉分型标签;
针对每一所述样本内窥镜图像,通过所述第一识别网络确定对所述样本内窥镜图像中息肉的第一样本预测值,并通过所述第二识别网络确定对所述样本内窥镜图像中息肉的第二样本预测值;
根据所述第一样本预测值和所述第二样本预测值间的差异,将所述样本内窥镜图像分类为干净样本或噪声样本,所述干净样本为所述息肉分型标签标注正确的样本内窥镜图像,所述噪声样本为所述息肉分型标签标注错误的样本内窥镜图像;
根据所述干净样本和所述噪声样本训练所述息肉分型模型。
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,在将所述样本内窥镜图像分类为噪声样本后,所述方法还包括:
根据所述噪声样本对应的所述第一样本预测值和所述第二样本预测值,确定所述息肉分型模型对所述噪声样本的预测分型结果;
根据所述噪声样本的预测分型结果、所述噪声样本标注的息肉分型标签和所述息肉分型模型的超参数,确定所述噪声样本的噪声伪标签;
所述基于所述干净样本和所述噪声样本训练所述息肉分型模型,包括:
根据所述息肉分型模型对所述干净样本的预测分型结果、所述干净样本标注的息肉分型标签、所述息肉分型模型对所述噪声样本的预测分型结果和所述噪声样本的噪声伪标签,训练所述息肉分型模型。
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,所述根据所述息肉分型模型对所述干净样本的预测分型结果、所述干净样本标注的息肉分型标签、所述息肉分型模型对所述噪声样本的预测分型结果和所述噪声样本的噪声伪标签,训练所述息肉分型模型,包括:
根据所述干净样本对应的所述第一样本预测值和息肉分型标签进行第一损失函数的计算,根据所述干净样本对应的所述第二样本预测值和息肉分型标签进行第二损失函数,根据所述第一损失函数的计算结果和所述第二损失函数的计算结果调整所述息肉分型模型的参数;或者
根据所述噪声样本对应的所述第一样本预测值和所述噪声伪标签进行第三损失函数的计算,根据所述噪声样本对应的所述第二样本预测值和所述噪声伪标签进行第四损失函数的计算,根据所述第三损失函数的计算结果和所述第四损失函数的计算结果,调整所述息肉分型模型的参数。
根据本公开的一个或多个实施例,示例4提供了示例1-3任一的方法,所述针对每一所述样本内窥镜图像,通过第一识别网络确定对所述样本内窥镜图像中息肉的第一样本预测值,并通过第二识别网络确定对所述样本内窥镜图像中息肉的第二样本预测值,包括:
通过所述第一识别网络将每一所述样本内窥镜图像转换为第一维度的图像特征,并基于所述第一维度的图像特征确定对所述样本内窥镜图像中息肉的第一样本预测值;
通过所述第二识别网络将每一所述样本内窥镜图像转换为第二维度的图像特征,并基于所述第二维度的图像特征确定对所述样本内窥镜图像中息肉的第二样本预测值。
根据本公开的一个或多个实施例,示例5提供了示例1-3任一的方法,所述根据所述第一样本预测值和所述第二样本预测值间的差异,将所述样本内窥镜图像分类为干净样本或噪声样本,包括:
确定所述第一样本预测值与所述第二样本预测值之间的JS散度距离;
若所述第一样本预测值与所述第二样本预测值之间的JS散度距离与预设阈值之间的数值关系满足预设条件,则将所述样本内窥镜图像分类为干净样本,若所述第一样本预测值与所述第二样本预测值之间的JS散度距离与所述预设阈值之间的数值关系不满足所述预设条件,则将所述样本内窥镜图像分类为噪声样本。
根据本公开的一个或多个实施例,示例6提供了示例5的方法,所述预设条件包括所述JS散度距离小于所述预设阈值,或者样本指标大于所述预设阈值,所述样本指标为1减去所述JS散度距离得到的差值。
根据本公开的一个或多个实施例,示例7提供了示例5的方法,所述预设阈值是通过如下方式设定的:
确定初始的预设阈值;
在所述息肉分型模型的训练过程中,若所述息肉分型模型的训练次数达到预设训练次数,则增大初始的所述预设阈值。
根据本公开的一个或多个实施例,示例8提供了一种息肉分型方法,所述方法包括:
获取内窥镜图像,所述内窥镜图像包括待分型的息肉;
通过息肉分型模型中的第一识别网络确定所述内窥镜图像中息肉的第一分型预测值,并通过所述息肉分型模型中的第二识别网络确定所述内窥镜图像中息肉的第二分型预测值,所述息肉分型模型是通过示例1-7任一项所述的模型训练方法训练得到的;
将所述第一分型预测值和所述第二分型预测值进行平均计算,得到目标分型预测值,并基于所述目标分型预测值确定所述内窥镜图像中息肉的目标分型结果。
根据本公开的一个或多个实施例,示例9提供了一种模型训练装置,应用于息肉分型模型,所述息肉分型模型包括第一识别网络和第二识别网络,所述装置包括:
第一训练模块,用于确定多个样本内窥镜图像,所述样本内窥镜图像标注有息肉分型标签;
第二训练模块,用于针对每一所述样本内窥镜图像,通过所述第一识别网络确定对所述样本内窥镜图像中息肉的第一样本预测值,并通过所述第二识别网络确定对所述样本内窥镜图像中息肉的第二样本预测值;
第三训练模块,用于根据所述第一样本预测值和所述第二样本预测值间的差异,将所述样本内窥镜图像分类为干净样本或噪声样本,所述干净样本为所述样本息肉分型结果标注正确的样本内窥镜图像,所述噪声样本为所述样本息肉分型结果标注错误的样本内窥镜图像;
第四训练模块,用于根据所述干净样本和所述噪声样本训练所述息肉分型模型。
根据本公开的一个或多个实施例,示例10提供了一种息肉分型装置,所述装置包括:
获取模块,用于获取内窥镜图像,所述内窥镜图像包括待分型的息肉;
第一处理模块,用于通过息肉分型模型中的第一识别网络确定所述内窥镜图像中息肉的第一分型预测值,并通过所述息肉分型模型中的第二识别网络确定所述内窥镜图像中息肉的第二分型预测值,所述息肉分型模型是通过示例1-7任一项所述的模型训练方法训练得到的;
第二处理模块,用于将所述第一分型预测值和所述第二分型预测值进行平均计算,得到目标分型预测值,并基于所述目标分型预测值确定所述内窥镜图像中息肉的目标分型结果。
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 (11)
1.一种模型训练方法,其特征在于,应用于息肉分型模型,所述息肉分型模型包括第一识别网络和第二识别网络,所述方法包括:
确定多个样本内窥镜图像,所述样本内窥镜图像标注有息肉分型标签;
针对每一所述样本内窥镜图像,通过所述第一识别网络确定对所述样本内窥镜图像中息肉的第一样本预测值,并通过所述第二识别网络确定对所述样本内窥镜图像中息肉的第二样本预测值;
根据所述第一样本预测值和所述第二样本预测值间的差异,将所述样本内窥镜图像分类为干净样本或噪声样本,所述干净样本为所述息肉分型标签标注正确的样本内窥镜图像,所述噪声样本为所述息肉分型标签标注错误的样本内窥镜图像;
根据所述干净样本和所述噪声样本训练所述息肉分型模型;
在将所述样本内窥镜图像分类为噪声样本后,所述方法还包括:
根据所述噪声样本对应的所述第一样本预测值和所述第二样本预测值,确定所述息肉分型模型对所述噪声样本的预测分型结果;
根据所述噪声样本的预测分型结果、所述噪声样本标注的息肉分型标签和所述息肉分型模型的超参数,确定所述噪声样本的噪声伪标签;
所述根据所述干净样本和所述噪声样本训练所述息肉分型模型,包括:
根据所述息肉分型模型对所述干净样本的预测分型结果、所述干净样本标注的息肉分型标签、所述息肉分型模型对所述噪声样本的预测分型结果和所述噪声样本的噪声伪标签,训练所述息肉分型模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述息肉分型模型对所述干净样本的预测分型结果、所述干净样本标注的息肉分型标签、所述息肉分型模型对所述噪声样本的预测分型结果和所述噪声样本的噪声伪标签,训练所述息肉分型模型,包括:
根据所述干净样本对应的所述第一样本预测值和息肉分型标签进行第一损失函数的计算,根据所述干净样本对应的所述第二样本预测值和息肉分型标签进行第二损失函数,根据所述第一损失函数的计算结果和所述第二损失函数的计算结果调整所述息肉分型模型的参数;或者
根据所述噪声样本对应的所述第一样本预测值和所述噪声伪标签进行第三损失函数的计算,根据所述噪声样本对应的所述第二样本预测值和所述噪声伪标签进行第四损失函数的计算,根据所述第三损失函数的计算结果和所述第四损失函数的计算结果,调整所述息肉分型模型的参数。
3.根据权利要求1或2所述的方法,其特征在于,所述针对每一所述样本内窥镜图像,通过第一识别网络确定对所述样本内窥镜图像中息肉的第一样本预测值,并通过第二识别网络确定对所述样本内窥镜图像中息肉的第二样本预测值,包括:
通过所述第一识别网络将每一所述样本内窥镜图像转换为第一维度的图像特征,并基于所述第一维度的图像特征确定对所述样本内窥镜图像中息肉的第一样本预测值;
通过所述第二识别网络将每一所述样本内窥镜图像转换为第二维度的图像特征,并基于所述第二维度的图像特征确定对所述样本内窥镜图像中息肉的第二样本预测值。
4.根据权利要求1或2所述的方法,其特征在于,所述根据所述第一样本预测值和所述第二样本预测值间的差异,将所述样本内窥镜图像分类为干净样本或噪声样本,包括:
确定所述第一样本预测值与所述第二样本预测值之间的JS散度距离;
若所述第一样本预测值与所述第二样本预测值之间的JS散度距离与预设阈值之间的数值关系满足预设条件,则将所述样本内窥镜图像分类为干净样本,若所述第一样本预测值与所述第二样本预测值之间的JS散度距离与所述预设阈值之间的数值关系不满足所述预设条件,则将所述样本内窥镜图像分类为噪声样本。
5.根据权利要求4所述的方法,其特征在于,所述预设条件包括所述JS散度距离小于所述预设阈值,或者样本指标大于所述预设阈值,所述样本指标为1减去所述JS散度距离得到的差值。
6.根据权利要求4所述的方法,其特征在于,所述预设阈值是通过如下方式设定的:
确定初始的预设阈值;
在所述息肉分型模型的训练过程中,若所述息肉分型模型的训练次数达到预设训练次数,则增大初始的所述预设阈值。
7.一种息肉分型方法,其特征在于,所述方法包括:
获取内窥镜图像,所述内窥镜图像包括待分型的息肉;
通过息肉分型模型中的第一识别网络确定所述内窥镜图像中息肉的第一分型预测值,并通过所述息肉分型模型中的第二识别网络确定所述内窥镜图像中息肉的第二分型预测值,所述息肉分型模型是通过权利要求1-6任一项所述的模型训练方法训练得到的;
将所述第一分型预测值和所述第二分型预测值进行平均计算,得到目标分型预测值,并基于所述目标分型预测值确定所述内窥镜图像中息肉的目标分型结果。
8.一种模型训练装置,其特征在于,应用于息肉分型模型,所述息肉分型模型包括第一识别网络和第二识别网络,所述装置包括:
第一训练模块,用于确定多个样本内窥镜图像,所述样本内窥镜图像标注有息肉分型标签;
第二训练模块,用于针对每一所述样本内窥镜图像,通过所述第一识别网络确定对所述样本内窥镜图像中息肉的第一样本预测值,并通过所述第二识别网络确定对所述样本内窥镜图像中息肉的第二样本预测值;
第三训练模块,用于根据所述第一样本预测值和所述第二样本预测值间的差异,将所述样本内窥镜图像分类为干净样本或噪声样本,所述干净样本为所述样本息肉分型结果标注正确的样本内窥镜图像,所述噪声样本为所述样本息肉分型结果标注错误的样本内窥镜图像;
第四训练模块,用于根据所述干净样本和所述噪声样本训练所述息肉分型模型;
所述装置还包括:
第五训练模块,用于在将所述样本内窥镜图像分类为噪声样本后,根据所述噪声样本对应的所述第一样本预测值和所述第二样本预测值,确定所述息肉分型模型对所述噪声样本的预测分型结果;
第六训练模块,用于根据所述噪声样本的预测分型结果、所述噪声样本标注的息肉分型标签和所述息肉分型模型的超参数,确定所述噪声样本的噪声伪标签;
所述第四训练模块用于:
根据所述息肉分型模型对所述干净样本的预测分型结果、所述干净样本标注的息肉分型标签、所述息肉分型模型对所述噪声样本的预测分型结果和所述噪声样本的噪声伪标签,训练所述息肉分型模型。
9.一种息肉分型装置,其特征在于,所述装置包括:
获取模块,用于获取内窥镜图像,所述内窥镜图像包括待分型的息肉;
第一处理模块,用于通过息肉分型模型中的第一识别网络确定所述内窥镜图像中息肉的第一分型预测值,并通过所述息肉分型模型中的第二识别网络确定所述内窥镜图像中息肉的第二分型预测值,所述息肉分型模型是通过权利要求1-6任一项所述的模型训练方法训练得到的;
第二处理模块,用于将所述第一分型预测值和所述第二分型预测值进行平均计算,得到目标分型预测值,并基于所述目标分型预测值确定所述内窥镜图像中息肉的目标分型结果。
10.一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1-7中任一项所述方法的步骤。
11.一种电子设备,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1-7中任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111034220.2A CN113470031B (zh) | 2021-09-03 | 2021-09-03 | 息肉分型方法、模型训练方法及相关装置 |
PCT/CN2022/115758 WO2023030298A1 (zh) | 2021-09-03 | 2022-08-30 | 息肉分型方法、模型训练方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111034220.2A CN113470031B (zh) | 2021-09-03 | 2021-09-03 | 息肉分型方法、模型训练方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113470031A CN113470031A (zh) | 2021-10-01 |
CN113470031B true CN113470031B (zh) | 2021-12-03 |
Family
ID=77868130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111034220.2A Active CN113470031B (zh) | 2021-09-03 | 2021-09-03 | 息肉分型方法、模型训练方法及相关装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113470031B (zh) |
WO (1) | WO2023030298A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470031B (zh) * | 2021-09-03 | 2021-12-03 | 北京字节跳动网络技术有限公司 | 息肉分型方法、模型训练方法及相关装置 |
CN114417987A (zh) * | 2022-01-11 | 2022-04-29 | 支付宝(杭州)信息技术有限公司 | 一种模型训练方法、数据识别方法、装置及设备 |
CN114565586B (zh) * | 2022-03-02 | 2023-05-30 | 小荷医疗器械(海南)有限公司 | 息肉分割模型的训练方法、息肉分割方法及相关装置 |
CN114782390B (zh) * | 2022-04-29 | 2023-08-11 | 小荷医疗器械(海南)有限公司 | 检测模型的确定方法、息肉检测方法、装置、介质及设备 |
CN115511012B (zh) * | 2022-11-22 | 2023-04-07 | 南京码极客科技有限公司 | 一种最大熵约束的类别软标签识别训练方法 |
CN117710763A (zh) * | 2023-11-23 | 2024-03-15 | 广州航海学院 | 图像噪声识别模型训练方法、图像噪声识别方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021055904A1 (en) * | 2019-09-20 | 2021-03-25 | Google Llc | Robust training in the presence of label noise |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017055412A1 (en) * | 2015-09-30 | 2017-04-06 | Siemens Healthcare Gmbh | Method and system for classification of endoscopic images using deep decision networks |
US11403750B2 (en) * | 2018-06-13 | 2022-08-02 | Siemens Healthcare Gmbh | Localization and classification of abnormalities in medical images |
CN109753938B (zh) * | 2019-01-10 | 2021-11-05 | 京东方科技集团股份有限公司 | 图像识别方法和设备及应用、神经网络的训练方法 |
CN110060247B (zh) * | 2019-04-18 | 2022-11-25 | 深圳市深视创新科技有限公司 | 应对样本标注错误的鲁棒深度神经网络学习方法 |
CN110390674B (zh) * | 2019-07-24 | 2022-08-16 | 腾讯医疗健康(深圳)有限公司 | 图像处理方法、装置、存储介质、设备以及系统 |
CN110427994A (zh) * | 2019-07-24 | 2019-11-08 | 腾讯医疗健康(深圳)有限公司 | 消化道内镜图像处理方法、装置、存储介质、设备及系统 |
CN111414946B (zh) * | 2020-03-12 | 2022-09-23 | 腾讯科技(深圳)有限公司 | 基于人工智能的医疗影像的噪声数据识别方法和相关装置 |
CN112668698A (zh) * | 2020-12-28 | 2021-04-16 | 北京的卢深视科技有限公司 | 一种神经网络的训练方法及系统 |
CN113470031B (zh) * | 2021-09-03 | 2021-12-03 | 北京字节跳动网络技术有限公司 | 息肉分型方法、模型训练方法及相关装置 |
-
2021
- 2021-09-03 CN CN202111034220.2A patent/CN113470031B/zh active Active
-
2022
- 2022-08-30 WO PCT/CN2022/115758 patent/WO2023030298A1/zh unknown
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021055904A1 (en) * | 2019-09-20 | 2021-03-25 | Google Llc | Robust training in the presence of label noise |
Also Published As
Publication number | Publication date |
---|---|
CN113470031A (zh) | 2021-10-01 |
WO2023030298A1 (zh) | 2023-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113470031B (zh) | 息肉分型方法、模型训练方法及相关装置 | |
US20200110965A1 (en) | Method and apparatus for generating vehicle damage information | |
CN113469295B (zh) | 生成模型的训练方法、息肉识别方法、装置、介质及设备 | |
CN109389096B (zh) | 检测方法和装置 | |
CN113658178B (zh) | 组织图像的识别方法、装置、可读介质和电子设备 | |
CN110298850B (zh) | 眼底图像的分割方法和装置 | |
CN113313064A (zh) | 字符识别方法、装置、可读介质及电子设备 | |
CN111783626A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN113487608A (zh) | 内窥镜图像检测方法、装置、存储介质及电子设备 | |
CN113033580B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN113723341B (zh) | 视频的识别方法、装置、可读介质和电子设备 | |
CN112749695A (zh) | 文本识别的方法和装置 | |
CN111310815A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN110472673B (zh) | 参数调整方法、眼底图像处理方法、装置、介质及设备 | |
CN107992873A (zh) | 目标检测方法及装置、存储介质、电子设备 | |
CN114419400B (zh) | 图像识别模型的训练方法、识别方法、装置、介质和设备 | |
CN113470026B (zh) | 息肉识别方法、装置、介质及设备 | |
US20210174134A1 (en) | Methods and apparatus to match images using semantic features | |
CN113033682B (zh) | 视频分类方法、装置、可读介质、电子设备 | |
CN113222050B (zh) | 图像分类方法、装置、可读介质及电子设备 | |
CN114495080A (zh) | 字体识别方法、装置、可读介质及电子设备 | |
CN115375657A (zh) | 息肉检测模型的训练方法、检测方法、装置、介质及设备 | |
CN114863124A (zh) | 模型训练方法、息肉检测方法、相应装置、介质及设备 | |
CN116704593A (zh) | 预测模型训练方法、装置、电子设备和计算机可读介质 | |
CN110135517B (zh) | 用于获取车辆相似度的方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
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 typing method, model training method and related device License type: Common License Record date: 20211117 |
|
EE01 | Entry into force of recordation of patent licensing contract |