[發明專利]圖像處理方法、裝置、存儲介質、設備以及系統

有效

• 申請號: 201910670469.9
• 申請日: 2019-07-24
• 公開（公告）號: CN110390674B
• 公開（公告）日: 2022-08-16
• 發明（設計）人: 王曉寧;孫鐘前;付星輝;尚鴻
• 申請（專利權）人: 騰訊醫療健康（深圳）有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/774;G06K9/62;G16H50/20
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 張所明

1.一種圖像處理方法，其特征在于，應用于醫療影像領域，所述方法包括：

獲取待檢測的消化道內鏡影像；

基于第一模型對所述待檢測的消化道內鏡影像進行分類，所述第一模型是在第二模型的約束下基于第一訓練數據集訓練且在所述第一訓練數據集中的樣本圖像的實際標簽和預測標簽之間的不一致程度滿足預設條件時得到的，所述第一訓練數據集包括純凈數據集和n-1個噪音數據集，所述第二模型是在訓練所述第一模型之前基于第二訓練數據集訓練得到的；

其中，所述純凈數據集包括標注一致的樣本圖像，所述噪音數據集包括標注不一致的樣本圖像，所述標注一致指代對于同一張樣本圖像，不同的標注人員標注的標簽相同；所述標注不一致指代對于同一張樣本圖像，不同的標注人員標注的標簽不同；所述第二訓練數據集包括所述純凈數據集和n-2個噪音數據集，n為不小于2的正整數；其中，第n-1噪音數據集中包括n-1個標注人員標注一致的樣本圖像；第n-2噪音數據集中包括n-2個標注人員標注一致的樣本圖像；以此類推，第一噪音數據集中包括n個標注人員均標注不一致的樣本圖像；所述樣本圖像是由專業標注人員進行人工標注的，所述樣本圖像為針對消化道部位的消化道內鏡影像；

所述樣本圖像的所述實際標簽的獲取過程，包括：

獲取所述專業標注人員對所述樣本圖像的所述標注標簽；

獲取所述第二模型對所述樣本圖像的所述預測標簽；

按照預設的權重比例，基于所述樣本圖像的所述標注標簽和所述第二模型輸出的所述預測標簽，生成所述樣本圖像的實際標簽。

2.根據權利要求1所述的方法，其特征在于，所述第一模型的訓練過程，包括：

在所述第二模型的約束下，基于所述純凈數據集和n-1個噪音數據集進行模型訓練，得到所述第一模型。

3.根據權利要求1或2所述的方法，其特征在于，所述方法還包括：

基于所述純凈數據集進行模型訓練，得到輔助模型；

在所述輔助模型的約束下，基于所述純凈數據集和所述第n-1噪音數據集進行模型訓練，得到第n-1模型；

在所述第n-1模型的約束下，基于所述純凈數據集、所述第n-1噪音數據集和所述第n-2噪音數據集進行模型訓練，得到第n-2模型；

以此類推，重復執行在上一步訓練過程中得到的模型的約束下，基于與當前訓練過程匹配的訓練數據集進行模型訓練的過程，直至得到所述第一模型。

4.根據權利要求2所述的方法，其特征在于，所述在所述第二模型的約束下，基于所述純凈數據集和n-1個噪音數據集進行模型訓練，包括：

將所述純凈數據集和n-1個噪音數據集中的樣本圖像輸入深度神經網絡；

獲取所述深度神經網絡對所述樣本圖像的預測標簽；

基于損失函數，不斷迭代更新所述深度神經網絡的網絡參數，直至所述深度神經網絡收斂，所述損失函數用于衡量所述樣本圖像的所述實際標簽與所述預測標簽的不一致程度；

其中，所述實際標簽基于所述第二模型輸出的相應預測標簽得到。

5.根據權利要求1所述的方法，其特征在于，應用下述公式，生成所述樣本圖像的所述實際標簽：

其中，指代所述樣本圖像的所述實際標簽；λ指代可調節系數，其取值為一個常數；y指代所述樣本圖像的所述標注標簽；s指代上一步訓練過程中得到的模型對所述樣本圖像的所述預測標簽。

6.根據權利要求4所述的方法，其特征在于，所述損失函數的計算公式為：

L(y_i,f(x_i))＝l(λy_i+(1-λ)s_i,f(x_i))

其中，λ指代可調節系數，其取值為一個常數；i的取值為正整數，x_i指代第i個樣本圖像，y_i為所述標注人員對樣本圖像x_i的標注標簽，f(x_i)指代當前訓練的模型對樣本圖像x_i的預測標簽，s_i指代上一步訓練過程中得到的模型對樣本圖像x_i的預測標簽。