CN115375655A - 息肉检测模型的训练方法、检测方法、装置、介质及设备 - Google Patents
息肉检测模型的训练方法、检测方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN115375655A CN115375655A CN202211015295.0A CN202211015295A CN115375655A CN 115375655 A CN115375655 A CN 115375655A CN 202211015295 A CN202211015295 A CN 202211015295A CN 115375655 A CN115375655 A CN 115375655A
- Authority
- CN
- China
- Prior art keywords
- domain
- feature
- target
- source domain
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种息肉检测模型的训练方法、检测方法、装置、介质及设备,包括:基于息肉检测模型对源域数据集中的源域图像和目标域数据集中的目标域图像进行前背景特征提取,获得第一源域特征和第一目标域特征;基于第一源域特征和第一目标域特征,确定源域前景节点和目标域前景节点;确定每一源域前景节点和每一目标域前景节点之间的相关性参数;根据相关性参数分别对第一源域特征和第一目标域特征进行更新,获得第二源域特征和第二目标域特征;根据第二源域特征获得源域图像对应的预测结果;根据源域图像对应的预测结果和息肉标签、以及第二源域特征和第二目标域特征,确定息肉检测模型的目标损失,并根据目标损失对息肉检测模型进行训练。
Description
技术领域
本公开涉及图像处理领域,具体地,涉及一种息肉检测模型的训练方法、检测方法、装置、介质及设备。
背景技术
多数结直肠癌不是突然发生的,它的产生是一个相对缓慢的过程,可能会持续5-10年时间,即从小息肉到大息肉,再到不典型增生。而由于大多数结肠息肉没有症状,则在检查过程中进行准确的息肉检测对于结直肠癌的早期预防、干预和发现起着至关重要的作用。
相关技术中,可以基于医师标注后的图像进行息肉检测模型的训练,不仅依赖于准确且大量的用户标注,同时由于不同医院或设备对应的数据分布差异,难以通过一个综合的模型实现准确的息肉检测。
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:
基于息肉检测模型对源域数据集中的源域图像和目标域数据集中的目标域图像进行前背景特征提取,获得第一源域特征和第一目标域特征,其中,所述源域数据集中的图像标注有息肉标签,所述目标域数据集中的图像未标注标签,所述源域数据集与所述目标域数据集的数据分布不同;
基于所述第一源域特征和所述第一目标域特征,确定所述源域图像中的源域前景节点和所述目标域图像中的目标域前景节点;
根据所述源域前景节点和所述目标域前景节点,确定每一所述源域前景节点和每一所述目标域前景节点之间的相关性参数;
根据所述相关性参数分别对所述第一源域特征和所述第一目标域特征进行更新,获得第二源域特征和第二目标域特征;
根据所述第二源域特征获得所述源域图像对应的预测结果;
根据所述源域图像对应的预测结果和所述息肉标签、以及所述第二源域特征和所述第二目标域特征,确定息肉检测模型的目标损失,并根据所述目标损失对所述息肉检测模型进行训练。
第二方面,本公开提供一种息肉检测方法,所述方法包括:
接收到检测的目标图像;
将所述目标图像输入训练完成的息肉检测模型,获得所述目标图像对应的息肉检测结果,其中,所述息肉检测模型为基于第一方面所述的息肉检测模型的训练方法进行训练所得的。
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:
特征提取模块,用于基于息肉检测模型对源域数据集中的源域图像和目标域数据集中的目标域图像进行前背景特征提取,获得第一源域特征和第一目标域特征,其中,所述源域数据集中的图像标注有息肉标签,所述目标域数据集中的图像未标注标签,所述源域数据集与所述目标域数据集的数据分布不同;
第一确定模块,用于基于所述第一源域特征和所述第一目标域特征,确定所述源域图像中的源域前景节点和所述目标域图像中的目标域前景节点;
第二确定模块,用于根据所述源域前景节点和所述目标域前景节点,确定每一所述源域前景节点和每一所述目标域前景节点之间的相关性参数;
更新模块,用于根据所述相关性参数分别对所述第一源域特征和所述第一目标域特征进行更新,获得第二源域特征和第二目标域特征;
预测模块,用于根据所述第二源域特征获得所述源域图像对应的预测结果;
训练模块,用于根据所述源域图像对应的预测结果和所述息肉标签、以及所述第二源域特征和所述第二目标域特征,确定息肉检测模型的目标损失,并根据所述目标损失对所述息肉检测模型进行训练。
第四方面,本公开提供一种息肉检测装置,所述装置包括:
接收模块,用于接收到检测的目标图像;
处理模块,用于将所述目标图像输入训练完成的息肉检测模型,获得所述目标图像对应的息肉检测结果,其中,所述息肉检测模型为基于第一方面所述的息肉检测模型的训练方法进行训练所得的。
第五方面,本公开提供一种计算机可读介质,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,以实现第一方面所述方法的步骤。
通过上述技术方案,可以基于已标注的源域数据和未标注的目标域数据对息肉检测模型进行训练,一方面可以有效降低人工标注的工作量和技术要求,另一方面,在训练过程中通过确定源域图像中前景特征与目标域图像中前景特征之间的关联,实现对源域图像和目标域图像的前景特征增强,通过构造跨域图拓扑以基于跨域类型之间的相关性,减少域差异,以提高息肉特征的判别性,从而保证跨域息肉检测下的检测准确度,适用于息肉前景强伪装性的应用场景。
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是根据本公开的一种实施方式提供的息肉检测模型的训练方法的流程图;
图2是根据本公开的一种实施方式提供的息肉检测模型的训练装置的框图;
图3示出了适于用来实现本公开实施例的电子设备的结构示意图。
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。
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。
可以理解的是,在使用本公开各实施例公开的技术方案之前,均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如,在响应于接收到用户的主动请求时,向用户发送提示信息,以明确地提示用户,其请求执行的操作将需要获取和使用到用户的个人信息。从而,使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式,响应于接收到用户的主动请求,向用户发送提示信息的方式例如可以是弹窗的方式,弹窗中可以以文字的方式呈现提示信息。此外,弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是,上述通知和获取用户授权过程仅是示意性的,不对本公开的实现方式构成限定,其它满足相关法律法规的方式也可应用于本公开的实现方式中。
同时,可以理解的是,本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
图1所示,为根据本公开的一种实施方式提供的息肉检测模型的训练方法的流程图,如图1所示,所述方法可以包括:
在步骤11中,基于息肉检测模型对源域数据集中的源域图像和目标域数据集中的目标域图像进行前背景特征提取,获得第一源域特征和第一目标域特征,其中,所述源域数据集中的图像标注有息肉标签,所述目标域数据集中的图像未标注标签,所述源域数据集与所述目标域数据集的数据分布不同。
其中,息肉检测模型可以基于检测网络实现,如基于Faster-RCNN网络实现该息肉检测模型,在Faster-RCNN网络中:特征提取子网络可以用于提取特征,如可以通过主干网络(Backbone)进行特征提取,如基于一组conv+relu+pooling层来提取输入的图像的特征图feature maps;区域候选子网络(Region proposal network,RPN),将特征提取子网络提取到的特征输入该区域候选子网络可以得到大量的前景区域,该前景区域和输入特征一起输入到感兴趣特征匹配(ROI Align)子网络中,从而可以获得对应于大量前景的感兴趣区域(region of interest,ROI)特征。
作为示例,如可以将源域图像输入该息肉检测模型,以通过上述方式获得该源域图像对应的ROI特征,即第一源域特征,将目标域图像输入该息肉检测模型,以通过上述方式获得该目标域图像对应的ROI特征,即第一目标域特征。示例地,通过上述步骤可以分别获得源域图像对应的128个前背景特征以及目标域图像对应的128个前背景特征,前背景特征中可以包括图像中的前景特征和背景特征。其中,特征数量可以基于实际应用场景进行设置,本公开对此不作限定。
其中,源域图像可以由具有一定经验的医师对该图像进行标注,以获得相应的息肉标签,在息肉检测领域下,该息肉标签可以包括分类标签和位置标签,以用于表示源域图像中包含的息肉是什么类型,以及在源域图像中的具体位置。
如本公开背景技术中所述,来自于不同的模态、设备或医院上的数据其对应的分布可能不同,则若以源域数据集中的图像训练的息肉检测模型可能难以直接对目标域下的图像进行检测。然后在息肉检测领域下,由于数据量相对较小,标注要求较高等问题,对训练图像进行标注的工作量较大。因此,在本公开中可以同时基于源域数据集和目标域数据集中的图像对模型进行训练,无需对目标域数据集中的数据进行标注的情况下以使得训练完成的息肉检测模型能够适应于目标域下的图像中息肉检测。
如源域数据集可以是来自于Hs1医院的图像数据,其标注的相应的息肉标签,目标域数据集可以是来自于Hs2医院的图像数据。
在步骤12中,基于第一源域特征和第一目标域特征,确定源域图像中的源域前景节点和目标域图像中的目标域前景节点。
其中,在源域图像和目标域图像中,息肉所处的位置通常位于图像中的前景位置,相应地,在该步骤中,源域前景节点用于表示源域图像中预测出的对应于前景的特征点,目标域前景节点则用于表示目标域图像中预测出的对应于前景的特征点,以便对息肉进行准确检测。
在步骤13中,根据源域前景节点和目标域前景节点,确定每一源域前景节点和每一目标域前景节点之间的相关性参数。
在该步骤中,针对每一所述源域前景节点,分别与每一目标域前景节点进行相关性计算,从而对源域特征和目标域之间的特征关联进行表征,以便于缩短源域特征和目标域特征之间的分布差异。
在步骤14中,根据相关性参数分别对第一源域特征和第一目标域特征进行更新,获得第二源域特征和第二目标域特征。
其中,在息肉检测场景下,由于息肉的颜色和质地与周围正常组织非常相似,二者之间的对比度低,使得息肉有较大的伪装特性,导致检测准确率不足。
在步骤中,相关性参数用于表示源域的前景特征和目标域的前景特征之间的关联性,从而可以基于该相关性参数分别对第一源域特征和第一目标域特征进行前景特征增强,以便于突出息肉对应的前景特征与其他区域的对比度,从而可以在一定程度提高源域图像对应的特征图像中的前景特征表达,适用于息肉前景强伪装性的应用场景。
在步骤15中,根据第二源域特征获得源域图像对应的预测结果。其中,该步骤中可以基于Faster-RCNN网络中的分类器和回归器进行预测,获得该预测结果。如可以基于第二源域特征中对应前景特征进行提取,以输入全连接层的分类器获得相应的预测分类,以及输入全连接层的回归器获得相应的预测位置。
在步骤16中,根据源域图像对应的预测结果和息肉标签、以及第二源域特征和第二目标域特征,确定息肉检测模型的目标损失,并根据目标损失对所述息肉检测模型进行训练。
其中,基于根据源域图像对应的预测结果和息肉标签可以确定该息肉检测模型的检测准确度,基于第二源域特征和第二目标域特征,可以通过约束两者分布接近而实现息肉的跨域检测,则目标损失中可以包含息肉检测模型的准确度,以及源域特征和目标域特征分布的距离程度。
示例地,可以在目标损失小于损失阈值时停止训练,也可以在训练次数达到次数阈值时停止训练,反之则基于该目标损失通过梯度下降的方式对息肉检测模型中的参数进行更新,以再次通过上文所述的步骤进行重复训练,直至模型训练完成。
由此,通过上述技术方案,可以基于已标注的源域数据和未标注的目标域数据对息肉检测模型进行训练,一方面可以有效降低人工标注的工作量和技术要求,另一方面,在训练过程中通过确定源域图像中前景特征与目标域图像中前景特征之间的关联,实现对源域图像和目标域图像的前景特征增强,通过构造跨域图拓扑以基于跨域类型之间的相关性,减少域差异,以提高息肉特征的判别性,从而保证跨域息肉检测下的检测准确度,适用于息肉前景强伪装性的应用场景。
作为另一示例,步骤11中,基于息肉检测模型对源域数据集中的源域图像和目标域数据集中的目标域图像进行前背景特征提取,获得第一源域特征和第一目标域特征的步骤可以包括:
针对目标图像,基于所述息肉检测模型中的主干网络对所述目标图像进行特征提取,获得图像特征,其中,所述目标图像包括所述源域图像和所述目标域图像;
对所述图像特征进行感兴趣区域特征提取,获得感兴趣区域特征;
将所述图像特征和所述感兴趣区域特征进行特征融合,获得第一域特征,其中,所述第一域特征包括与所述源域图像对应的所述第一源域特征、以及与所述目标域图像对应的所述第一目标域特征。
以下以源域图像为例进行说明。如可以通过上文类似的方式将源域图像输入主干网络进行特征提取,并进一步将提取到的图像特征输入区域候选子网络和感兴趣特征匹配子网络以进行感兴趣区域特征提取,获得感兴趣区域特征。在该实施例中,感兴趣区域特征具有丰富的高层语义信息,而其缺少了上下文信息(如位置信息),则该实施例中,可以将底层上下文信息与高层语义信息相融合,即将所述图像特征和所述感兴趣区域特征进行特征融合,以增强实例级别特征的上下文信息表示。
其中,主干网络对源域图像进行特征提取后,可以获得不同感受野下的底层输出特征c1、c2和c3,之后,先将c1、c2和c3尺寸映射到同一大小,再进行特征拼接操作获得底层融合特征,即对源域图像进行特征提取获得的特征,即源域图像对应的图像特征。则可以通过如下公式对所述图像特征和所述感兴趣区域特征进行特征融合,获得第一域特征:
其中,f'ins用于表示所述第一域特征,即对于源域图像而言,所述第一域特征为第一源域特征;对于目标域图像而言,所述第一域特征为第一目标域特征。
fc用于表示所述目标图像对应的图像特征;
fins用于表示所述目标图像对应的感兴趣区域特征;
由此,通过上述技术方案,在对源域图像和目标域图像进行图像特征提取时,获得的域特征中既可以包括高层语义信息,又能够包括底层上下文信息,从而提高进行图像特征提取获得的域特征的准确性和特征多样性,提高息肉检测模型的训练效率和准确度。
在一种可能的实施例中,在步骤12中基于第一源域特征和第一目标域特征,确定源域图像中的源域前景节点和目标域图像中的目标域前景节点的示例性实现方式如下,该步骤可以包括:
根据所述息肉标签确定所述第一源域特征对应的候选前景节点集合。
其中,该息肉标签中包含位置标签,则可以根据该位置标签获得相应位置处的特征,示例地,第一源域特征为fs,则可以将第一源域特征中与位置标签对应的特征作为候选前景节点集合fs obj,即fs obj∈fs。
针对所述候选前景节点集合中的每一所述候选前景节点,确定所述第一目标域特征中与所述候选前景节点对应的目标域匹配前景节点,并确定所述目标域匹配前景节点在所述第一源域特征中的源域匹配前景节点。
其中,针对第i个候选前景节点fs obj,i,可以分别计算该候选前景节点fs obj,i与第一目标域特征ft中的每一特征ft j之间的余弦相似度,并将对应余弦相似度最大的特征确定为所述候选前景节点fs obj,i对应的目标域匹配前景节点,目标域匹配前景节点的下标表示如下:
j'=arg max cos(fs obj,i,ft j)
进一步地,针对该目标域匹配前景节点,即第一目标域特征中的第j'个特征点,可以进一步计算其第一源域特征中的每一特征之间的余弦相似度,并将对应余弦相似度最大的特征确定为所述目标域匹配前景节点在所述第一源域特征中的源域匹配前景节点,示例地,确定出的第一目标域特征中的第j'个特征点ft j'、在第一源域特征中的源域匹配前景节点为第一源域特征中的第i'个特征点。
之后,若所述源域匹配前景节点属于所述候选前景节点集合,将所述候选前景节点确定为所述源域前景节点,并将所述目标域匹配前景节点确定为所述目标域前景节点。
则若第一源域特征中的第i'个特征点属于fs obj,此时可以认为该第一源域特征中的候选前景节点fs obj,i为源域前景节点,同时可以确定第一目标域特征中的特征ft j'为目标域前景节点。
由此,通过上述技术方案,可以通过源域特征和目标域特征的特征相似度,为源域特征中的源域前景节点和目标域特征中的目标域前景节点进行筛选,一方面可以提高源域前景节点的准确性,另一方面又可以在未对目标域图像进行标注的情况下,准确确定出目标域前景节点,提高该方法的应用范围。
在一种可能的实施例中,在步骤13中根据源域前景节点和目标域前景节点,确定每一源域前景节点和每一目标域前景节点之间的相关性参数的示例性实现方式如下,该步骤可以包括:
σ用于表示调节超参数。
其中,源域前景节点用于表示源域图像中的前景特征,目标域前景节点用于表示目标域图像中的前景特征,通过上述公式可以确定源域和目标域中的前景特征之间的相关性,既可以便于后续基于该相关性参数进行前景特征增强,又可以为缩短源域和目标域中的前景特征的特征分布差异提供可靠的数据支持,保证跨域场景下对目标域中的息肉特征的准确识别。
在一种可能的实施例中,在步骤14中,根据相关性参数分别对第一源域特征和第一目标域特征进行更新,获得第二源域特征和第二目标域特征,包括:
基于所述相关性参数,对所述第一源域特征进行多层卷积特征提取,获得所述第二源域特征;
基于所述相关性参数,对所述第一目标域特征进行多层卷积特征提取,获得所述第二目标域特征,其中,所述第一源域特征和所述第一目标域特征对应的卷积特征提取的层数相同。
其中卷积特征提取的层数可以根据实际应用场景进行设置,本公开对此不做限定。示例地,可以通过以下公式基于所述相关性参数,对所述第一源域特征进行多层卷积特征提取,获得所述第二源域特征:
其中,Ast用于源域图像s的源域前景节点和目标域图像t中的目标域前景节点之间的相关性参数的矩阵;
I用于表示单位矩阵;
D'用于表示Ast的度矩阵,其中,D'ii=∑jA'ij;
H(l)用于表示第l层对应的卷积特征,其中第0层对应的卷积特征为所述第一源域特征;
Hl+1用于表示第l+1层对应的卷积特征;
W(l)用于表示第l层对应的权重参数;
η()用于表示非线性激活函数,如RELU函数。
同样地,可以采用类似的方式基于所述相关性参数,对所述第一目标域特征进行多层卷积特征提取,获得所述第二目标域特征,在此不再赘述。
在该技术方案中,通过确定Ast的度矩阵可以确定第i个源域前景节点与目标域前景节点之间综合相关度,从而实现源域特征与目标域特征的整体关联,确定出源域特征和目标域特征的整体相关性,保证对第一源域特征和第一目标域特征进行更新的一致性,同时便于约束获得的第二源域特征和第二目标域特征的一致性。
在一种可能的实施例中,所述息肉标签包括位置标签和分类标签;
相应地,所述根据所述源域图像对应的预测结果和所述息肉标签、以及所述第二源域特征和所述第二目标域特征,确定息肉检测模型的目标损失的示例性实现方式如下,该步骤可以包括:
根据所述预测结果中的预测位置信息和所述位置标签,确定回归损失;
根据所述预测结果中的预测分类信息和所述分类标签,确定分类损失;
其中,上述确定回归损失和分类损失的方式可以根据本领域中Faster-RCNN网络中相应的损失计算方式确定,如分类损失可以基于交叉熵损失进行计算,回归损失可以基于smooth L1损失进行计算,在此不再赘述。
根据所述第二源域特征和所述第二目标域特征,确定特征损失。
示例地,可以通过以下公式根据所述第二源域特征和所述第二目标域特征,确定特征损失Lcst:
其中,Ns用于表示所述源域前景节点的数量;
Nt用于表示所述目标域前景节点的数量;
xi s用于表示所述第二源域特征中第i个源域前景节点对应的特征;
xj t用于表示所述第二目标域特征中第j个目标域前景节点对应的特征。
由此,可以通过该特征损失拉进源域特征和目标域特征之间的特征分布,从而基于该损失调整的息肉检测模型的跨域检测结果的准确度。
之后,可以根据所述回归损失、所述分类损失和所述特征损失,确定所述目标损失。
示例地,可以分别基于回归损失、分类损失和特征损失对应的权重对其进行加权求和,以获得该目标损失。由此,通过上述技术方案,可以在目标损失中即包含用于约束息肉检测结果准确度的损失,也可以包含用于约束源域特征和目标域特征之间的特征分布的损失,使得在息肉检测模型的训练过程中提高模型检测准确度的同时,能够使得该模型适用于目标域下的息肉图像的检测,提高息肉检测模型对跨域状态下息肉检测的准确性,拓宽息肉检测模型的使用范围。
作为另一示例,所述方法还可以包括:
根据源域图像和目标域图像基于主干网络进行特征提取后所得的特征图,计算对抗损失,其中,该对抗损失可以基于本领域中生成对抗网路中常用的对抗损失实现,本公开对此不作限定。
进一步地,确定息肉检测模型的目标损失可以包括:
根据所述回归损失、所述分类损失、所述特征损失和所述对抗损失,确定所述目标损失,从而可以进一步增强目标损失中的损失约束,保证基于目标损失进行息肉检测模型的参数调整的准确性和有效性,在一定程度上提高息肉检测模型的训练效率。
本公开还提供一种息肉检测方法,所述方法包括:
接收到检测的目标图像,其中该目标图像可以是从实时检测的内窥镜中进行采集所得的图像。
将所述目标图像输入训练完成的息肉检测模型,获得所述目标图像对应的息肉检测结果,其中,所述息肉检测模型为基于上文任一所述的息肉检测模型的训练方法进行训练所得的。
通过上述技术方案,可以基于训练完成的息肉检测模型对目标图像进行息肉检测,保证息肉检测的准确度和效率。并且该息肉检测模型为基于源域图像和目标域图像作为训练样本进行训练的,在该过程中可以基于源域图像和目标域图像中的息肉前景特征之间的相关性参数,增强前景的特征表达,使得训练完成的息肉检测模型能够降低息肉前景特征的强伪装性所导致的检测误差,进一步拓宽息肉检测方法的使用范围和息肉检测结果的准确性。
本公开还提供一种息肉检测模型的训练装置,如图2所示,所述装置10包括:
特征提取模块101,用于基于息肉检测模型对源域数据集中的源域图像和目标域数据集中的目标域图像进行前背景特征提取,获得第一源域特征和第一目标域特征,其中,所述源域数据集中的图像标注有息肉标签,所述目标域数据集中的图像未标注标签,所述源域数据集与所述目标域数据集的数据分布不同;
第一确定模块102,用于基于所述第一源域特征和所述第一目标域特征,确定所述源域图像中的源域前景节点和所述目标域图像中的目标域前景节点;
第二确定模块103,用于根据所述源域前景节点和所述目标域前景节点,确定每一所述源域前景节点和每一所述目标域前景节点之间的相关性参数;
更新模块104,用于根据所述相关性参数分别对所述第一源域特征和所述第一目标域特征进行更新,获得第二源域特征和第二目标域特征;
预测模块105,用于根据所述第二源域特征获得所述源域图像对应的预测结果;
训练模块106,用于根据所述源域图像对应的预测结果和所述息肉标签、以及所述第二源域特征和所述第二目标域特征,确定息肉检测模型的目标损失,并根据所述目标损失对所述息肉检测模型进行训练。
可选地,所述第一确定模块包括:
第一确定子模块,用于根据所述息肉标签确定所述第一源域特征对应的候选前景节点集合;
第二确定子模块,用于针对所述候选前景节点集合中的每一所述候选前景节点,确定所述第一目标域特征中与所述候选前景节点对应的目标域匹配前景节点,并确定所述目标域匹配前景节点在所述第一源域特征中的源域匹配前景节点;
第三确定子模块,用于若所述源域匹配前景节点属于所述候选前景节点集合,将所述候选前景节点确定为所述源域前景节点,并将所述目标域匹配前景节点确定为所述目标域前景节点。
可选地,所述第二确定模块用于:
可选地,根据更新模块包括:
第一提取子模块,用于基于所述相关性参数,对所述第一源域特征进行多层卷积特征提取,获得所述第二源域特征;
第二提取子模块,用于基于所述相关性参数,对所述第一目标域特征进行多层卷积特征提取,获得所述第二目标域特征,其中,所述第一源域特征和所述第一目标域特征对应的卷积特征提取的层数相同。
可选地,所述第一提取子模块通过以下公式基于所述相关性参数,对所述第一源域特征进行多层卷积特征提取,获得所述第二源域特征:
其中,Ast用于源域图像s的源域前景节点和目标域图像t中的目标域前景节点之间的相关性参数的矩阵;I用于表示单位矩阵;D'用于表示Ast的度矩阵,其中,D'ii=∑jA'ij;H(l)用于表示第l层对应的卷积特征,其中第0层对应的卷积特征为所述第一源域特征;Hl+1用于表示第l+1层对应的卷积特征;W(l)用于表示第l层对应的权重参数;η()用于表示非线性激活函数。
可选地,所述特征提取模块,包括:
第三提取子模块,用于针对目标图像,基于所述息肉检测模型中的主干网络对所述目标图像进行特征提取,获得图像特征,其中,所述目标图像包括所述源域图像和所述目标域图像;第四提取子模块,用于对所述图像特征进行感兴趣区域特征提取,获得感兴趣区域特征;融合子模块,用于将所述图像特征和所述感兴趣区域特征进行特征融合,获得第一域特征,其中,所述第一域特征包括与所述源域图像对应的所述第一源域特征、以及与所述目标域图像对应的所述第一目标域特征。
可选地,可选地,所述息肉标签包括位置标签和分类标签;所述训练模块包括:回归损失确定子模块,用于根据所述预测结果中的预测位置信息和所述位置标签,确定回归损失;分类损失确定子模块,用于根据所述预测结果中的预测分类信息和所述分类标签,确定分类损失;特征损失确定子模块,用于根据所述第二源域特征和所述第二目标域特征,确定特征损失;第九确定子模块,用于根据所述回归损失、所述分类损失和所述特征损失,确定所述目标损失。
可选地,所述特征损失确定子模块通过以下公式根据所述第二源域特征和所述第二目标域特征,确定特征损失:
其中,Lcst用于表示所述特征损失;Ns用于表示所述源域前景节点的数量;Nt用于表示所述目标域前景节点的数量;xi s用于表示所述第二源域特征中第i个源域前景节点对应的特征;xj t用于表示所述第二目标域特征中第j个目标域前景节点对应的特征。
本公开还提供一种息肉检测装置,所述装置包括:
接收模块,用于接收到检测的目标图像;
处理模块,用于将所述目标图像输入训练完成的息肉检测模型,获得所述目标图像对应的息肉检测结果,其中,所述息肉检测模型为基于上文任一所述的息肉检测模型的训练方法进行训练所得的。
下面参考图3,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、台式计算机等等的固定终端。图3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3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3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,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,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:基于息肉检测模型对源域数据集中的源域图像和目标域数据集中的目标域图像进行前背景特征提取,获得第一源域特征和第一目标域特征,其中,所述源域数据集中的图像标注有息肉标签,所述目标域数据集中的图像未标注标签,所述源域数据集与所述目标域数据集的数据分布不同;基于所述第一源域特征和所述第一目标域特征,确定所述源域图像中的源域前景节点和所述目标域图像中的目标域前景节点;根据所述源域前景节点和所述目标域前景节点,确定每一所述源域前景节点和每一所述目标域前景节点之间的相关性参数;根据所述相关性参数分别对所述第一源域特征和所述第一目标域特征进行更新,获得第二源域特征和第二目标域特征;根据所述第二源域特征获得所述源域图像对应的预测结果;根据所述源域图像对应的预测结果和所述息肉标签、以及所述第二源域特征和所述第二目标域特征,确定息肉检测模型的目标损失,并根据所述目标损失对所述息肉检测模型进行训练。
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:接收到检测的目标图像;将所述目标图像输入训练完成的息肉检测模型,获得所述目标图像对应的息肉检测结果,其中,所述息肉检测模型为基于上文所述的息肉检测模型的训练方法进行训练所得的。
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,例如,特征提取模块还可以被描述为“基于息肉检测模型对源域数据集中的源域图像和目标域数据集中的目标域图像进行前背景特征提取,获得第一源域特征和第一目标域特征的模块”。
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,其中,所述方法包括:基于息肉检测模型对源域数据集中的源域图像和目标域数据集中的目标域图像进行前背景特征提取,获得第一源域特征和第一目标域特征,其中,所述源域数据集中的图像标注有息肉标签,所述目标域数据集中的图像未标注标签,所述源域数据集与所述目标域数据集的数据分布不同;基于所述第一源域特征和所述第一目标域特征,确定所述源域图像中的源域前景节点和所述目标域图像中的目标域前景节点;根据所述源域前景节点和所述目标域前景节点,确定每一所述源域前景节点和每一所述目标域前景节点之间的相关性参数;根据所述相关性参数分别对所述第一源域特征和所述第一目标域特征进行更新,获得第二源域特征和第二目标域特征;根据所述第二源域特征获得所述源域图像对应的预测结果;根据所述源域图像对应的预测结果和所述息肉标签、以及所述第二源域特征和所述第二目标域特征,确定息肉检测模型的目标损失,并根据所述目标损失对所述息肉检测模型进行训练。
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,其中,所述基于所述第一源域特征和所述第一目标域特征,确定所述源域图像中的源域前景节点和所述目标域图像中的目标域前景节点,包括:根据所述息肉标签确定所述第一源域特征对应的候选前景节点集合;针对所述候选前景节点集合中的每一所述候选前景节点,确定所述第一目标域特征中与所述候选前景节点对应的目标域匹配前景节点,并确定所述目标域匹配前景节点在所述第一源域特征中的源域匹配前景节点;若所述源域匹配前景节点属于所述候选前景节点集合,将所述候选前景节点确定为所述源域前景节点,并将所述目标域匹配前景节点确定为所述目标域前景节点。
根据本公开的一个或多个实施例,示例3提供了示例1的方法,其中,所述根据所述源域前景节点和所述目标域前景节点,确定每一所述源域前景节点和每一所述目标域前景节点之间的相关性参数,包括:通过以下公式确定第i个源域前景节点和第j个目标域前景节点之间的相关性参数
σ用于表示调节超参数。
根据本公开的一个或多个实施例,示例4提供了示例1的方法,其中,根据所述相关性参数分别对所述第一源域特征和所述第一目标域特征进行更新,获得第二源域特征和第二目标域特征,包括:基于所述相关性参数,对所述第一源域特征进行多层卷积特征提取,获得所述第二源域特征;基于所述相关性参数,对所述第一目标域特征进行多层卷积特征提取,获得所述第二目标域特征,其中,所述第一源域特征和所述第一目标域特征对应的卷积特征提取的层数相同。
根据本公开的一个或多个实施例,示例5提供了示例4的方法,其中,通过以下公式基于所述相关性参数,对所述第一源域特征进行多层卷积特征提取,获得所述第二源域特征:
其中,Ast用于源域图像s的源域前景节点和目标域图像t中的目标域前景节点之间的相关性参数的矩阵;I用于表示单位矩阵;D'用于表示Ast的度矩阵,其中,D'ii=∑jA'ij;H(l)用于表示第l层对应的卷积特征,其中第0层对应的卷积特征为所述第一源域特征;Hl+1用于表示第l+1层对应的卷积特征;W(l)用于表示第l层对应的权重参数;η()用于表示非线性激活函数。
根据本公开的一个或多个实施例,示例6提供了示例1的方法,其中,所述基于息肉检测模型对源域数据集中的源域图像和目标域数据集中的目标域图像进行前背景特征提取,获得第一源域特征和第一目标域特征,包括:针对目标图像,基于所述息肉检测模型中的主干网络对所述目标图像进行特征提取,获得图像特征,其中,所述目标图像包括所述源域图像和所述目标域图像;对所述图像特征进行感兴趣区域特征提取,获得感兴趣区域特征;将所述图像特征和所述感兴趣区域特征进行特征融合,获得第一域特征,其中,所述第一域特征包括与所述源域图像对应的所述第一源域特征、以及与所述目标域图像对应的所述第一目标域特征。
根据本公开的一个或多个实施例,示例7提供了示例1的方法,其中,所述息肉标签包括位置标签和分类标签;所述根据所述源域图像对应的预测结果和所述息肉标签、以及所述第二源域特征和所述第二目标域特征,确定息肉检测模型的目标损失,包括:根据所述预测结果中的预测位置信息和所述位置标签,确定回归损失;根据所述预测结果中的预测分类信息和所述分类标签,确定分类损失;根据所述第二源域特征和所述第二目标域特征,确定特征损失;根据所述回归损失、所述分类损失和所述特征损失,确定所述目标损失。
根据本公开的一个或多个实施例,示例8提供了示例7的方法,其中,通过以下公式根据所述第二源域特征和所述第二目标域特征,确定特征损失:
其中,Lcst用于表示所述特征损失;Ns用于表示所述源域前景节点的数量;Nt用于表示所述目标域前景节点的数量;xi s用于表示所述第二源域特征中第i个源域前景节点对应的特征;xj t用于表示所述第二目标域特征中第j个目标域前景节点对应的特征。
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方法,所述方法包括:接收到检测的目标图像;将所述目标图像输入训练完成的息肉检测模型,获得所述目标图像对应的息肉检测结果,其中,所述息肉检测模型为基于示例1-8中任一项所述的息肉检测模型的训练方法进行训练所得的。
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模型的训练装置,所述装置包括:特征提取模块,用于基于息肉检测模型对源域数据集中的源域图像和目标域数据集中的目标域图像进行前背景特征提取,获得第一源域特征和第一目标域特征,其中,所述源域数据集中的图像标注有息肉标签,所述目标域数据集中的图像未标注标签,所述源域数据集与所述目标域数据集的数据分布不同;第一确定模块,用于基于所述第一源域特征和所述第一目标域特征,确定所述源域图像中的源域前景节点和所述目标域图像中的目标域前景节点;第二确定模块,用于根据所述源域前景节点和所述目标域前景节点,确定每一所述源域前景节点和每一所述目标域前景节点之间的相关性参数;更新模块,用于根据所述相关性参数分别对所述第一源域特征和所述第一目标域特征进行更新,获得第二源域特征和第二目标域特征;预测模块,用于根据所述第二源域特征获得所述源域图像对应的预测结果;训练模块,用于根据所述源域图像对应的预测结果和所述息肉标签、以及所述第二源域特征和所述第二目标域特征,确定息肉检测模型的目标损失,并根据所述目标损失对所述息肉检测模型进行训练。
根据本公开的一个或多个实施例,示例11提供了一种息肉检测装置,所述装置包括:接收模块,用于接收到检测的目标图像;处理模块,用于将所述目标图像输入训练完成的息肉检测模型,获得所述目标图像对应的息肉检测结果,其中,所述息肉检测模型为基于示例1-8中任一项所述的息肉检测模型的训练方法进行训练所得的。
根据本公开的一个或多个实施例,示例12提供了一种计算机可读介质,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1-9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13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1-9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 (13)
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:
基于息肉检测模型对源域数据集中的源域图像和目标域数据集中的目标域图像进行前背景特征提取,获得第一源域特征和第一目标域特征,其中,所述源域数据集中的图像标注有息肉标签,所述目标域数据集中的图像未标注标签,所述源域数据集与所述目标域数据集的数据分布不同;
基于所述第一源域特征和所述第一目标域特征,确定所述源域图像中的源域前景节点和所述目标域图像中的目标域前景节点;
根据所述源域前景节点和所述目标域前景节点,确定每一所述源域前景节点和每一所述目标域前景节点之间的相关性参数;
根据所述相关性参数分别对所述第一源域特征和所述第一目标域特征进行更新,获得第二源域特征和第二目标域特征;
根据所述第二源域特征获得所述源域图像对应的预测结果;
根据所述源域图像对应的预测结果和所述息肉标签、以及所述第二源域特征和所述第二目标域特征,确定息肉检测模型的目标损失,并根据所述目标损失对所述息肉检测模型进行训练。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一源域特征和所述第一目标域特征,确定所述源域图像中的源域前景节点和所述目标域图像中的目标域前景节点,包括:
根据所述息肉标签确定所述第一源域特征对应的候选前景节点集合;
针对所述候选前景节点集合中的每一所述候选前景节点,确定所述第一目标域特征中与所述候选前景节点对应的目标域匹配前景节点,并确定所述目标域匹配前景节点在所述第一源域特征中的源域匹配前景节点;
若所述源域匹配前景节点属于所述候选前景节点集合,将所述候选前景节点确定为所述源域前景节点,并将所述目标域匹配前景节点确定为所述目标域前景节点。
4.根据权利要求1所述的方法,其特征在于,根据所述相关性参数分别对所述第一源域特征和所述第一目标域特征进行更新,获得第二源域特征和第二目标域特征,包括:
基于所述相关性参数,对所述第一源域特征进行多层卷积特征提取,获得所述第二源域特征;
基于所述相关性参数,对所述第一目标域特征进行多层卷积特征提取,获得所述第二目标域特征,其中,所述第一源域特征和所述第一目标域特征对应的卷积特征提取的层数相同。
6.根据权利要求1所述的方法,其特征在于,所述基于息肉检测模型对源域数据集中的源域图像和目标域数据集中的目标域图像进行前背景特征提取,获得第一源域特征和第一目标域特征,包括:
针对目标图像,基于所述息肉检测模型中的主干网络对所述目标图像进行特征提取,获得图像特征,其中,所述目标图像包括所述源域图像和所述目标域图像;
对所述图像特征进行感兴趣区域特征提取,获得感兴趣区域特征;
将所述图像特征和所述感兴趣区域特征进行特征融合,获得第一域特征,其中,所述第一域特征包括与所述源域图像对应的所述第一源域特征、以及与所述目标域图像对应的所述第一目标域特征。
7.根据权利要求1所述的方法,其特征在于,所述息肉标签包括位置标签和分类标签;
所述根据所述源域图像对应的预测结果和所述息肉标签、以及所述第二源域特征和所述第二目标域特征,确定息肉检测模型的目标损失,包括:
根据所述预测结果中的预测位置信息和所述位置标签,确定回归损失;
根据所述预测结果中的预测分类信息和所述分类标签,确定分类损失;
根据所述第二源域特征和所述第二目标域特征,确定特征损失;
根据所述回归损失、所述分类损失和所述特征损失,确定所述目标损失。
9.一种息肉检测方法,其特征在于,所述方法包括:
接收到检测的目标图像;
将所述目标图像输入训练完成的息肉检测模型,获得所述目标图像对应的息肉检测结果,其中,所述息肉检测模型为基于权利要求1-8中任一项所述的息肉检测模型的训练方法进行训练所得的。
10.一种息肉检测模型的训练装置,其特征在于,所述装置包括:
特征提取模块,用于基于息肉检测模型对源域数据集中的源域图像和目标域数据集中的目标域图像进行前背景特征提取,获得第一源域特征和第一目标域特征,其中,所述源域数据集中的图像标注有息肉标签,所述目标域数据集中的图像未标注标签,所述源域数据集与所述目标域数据集的数据分布不同;
第一确定模块,用于基于所述第一源域特征和所述第一目标域特征,确定所述源域图像中的源域前景节点和所述目标域图像中的目标域前景节点;
第二确定模块,用于根据所述源域前景节点和所述目标域前景节点,确定每一所述源域前景节点和每一所述目标域前景节点之间的相关性参数;
更新模块,用于根据所述相关性参数分别对所述第一源域特征和所述第一目标域特征进行更新,获得第二源域特征和第二目标域特征;
预测模块,用于根据所述第二源域特征获得所述源域图像对应的预测结果;
训练模块,用于根据所述源域图像对应的预测结果和所述息肉标签、以及所述第二源域特征和所述第二目标域特征,确定息肉检测模型的目标损失,并根据所述目标损失对所述息肉检测模型进行训练。
11.一种息肉检测装置,其特征在于,所述装置包括:
接收模块,用于接收到检测的目标图像;
处理模块,用于将所述目标图像输入训练完成的息肉检测模型,获得所述目标图像对应的息肉检测结果,其中,所述息肉检测模型为基于权利要求1-8中任一项所述的息肉检测模型的训练方法进行训练所得的。
12.一种计算机可读介质,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1-9中任一项所述方法的步骤。
13.一种电子设备,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1-9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211015295.0A CN115375655A (zh) | 2022-08-23 | 2022-08-23 | 息肉检测模型的训练方法、检测方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211015295.0A CN115375655A (zh) | 2022-08-23 | 2022-08-23 | 息肉检测模型的训练方法、检测方法、装置、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115375655A true CN115375655A (zh) | 2022-11-22 |
Family
ID=84068121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211015295.0A Pending CN115375655A (zh) | 2022-08-23 | 2022-08-23 | 息肉检测模型的训练方法、检测方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115375655A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051486A (zh) * | 2022-12-29 | 2023-05-02 | 抖音视界有限公司 | 内窥镜图像识别模型的训练方法、图像识别方法及装置 |
-
2022
- 2022-08-23 CN CN202211015295.0A patent/CN115375655A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051486A (zh) * | 2022-12-29 | 2023-05-02 | 抖音视界有限公司 | 内窥镜图像识别模型的训练方法、图像识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108427939B (zh) | 模型生成方法和装置 | |
US11367313B2 (en) | Method and apparatus for recognizing body movement | |
US11392792B2 (en) | Method and apparatus for generating vehicle damage information | |
CN110826567B (zh) | 光学字符识别方法、装置、设备及存储介质 | |
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 | |
CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
CN112766284B (zh) | 图像识别方法和装置、存储介质和电子设备 | |
CN115578570A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN116310582A (zh) | 分类模型训练方法、图像分类方法、装置、介质及设备 | |
CN115375655A (zh) | 息肉检测模型的训练方法、检测方法、装置、介质及设备 | |
CN114153959A (zh) | 键值匹配方法、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 | |
CN111915689B (zh) | 用于生成目标函数的方法、装置、电子设备和计算机可读介质 | |
CN115375656A (zh) | 息肉分割模型的训练方法、分割方法、装置、介质及设备 | |
CN114937178B (zh) | 基于多模态的图像分类方法、装置、可读介质和电子设备 | |
CN115100536B (zh) | 建筑物识别方法、装置、电子设备和计算机可读介质 | |
CN110852242A (zh) | 基于多尺度网络的水印识别方法、装置、设备及存储介质 | |
CN114863124A (zh) | 模型训练方法、息肉检测方法、相应装置、介质及设备 | |
CN115830001A (zh) | 肠道图像处理方法、装置、存储介质及电子设备 | |
CN116704593A (zh) | 预测模型训练方法、装置、电子设备和计算机可读介质 | |
CN111737575B (zh) | 内容分发方法、装置、可读介质及电子设备 | |
CN114612904A (zh) | 车位情况信息推送方法、装置、电子设备和存储介质 | |
CN111797263A (zh) | 图像标签生成方法、装置、设备和计算机可读介质 | |
CN113222050A (zh) | 图像分类方法、装置、可读介质及电子设备 |
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 |