[發(fā)明專利]圖像處理方法、裝置、存儲介質(zhì)、設(shè)備以及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201910670469.9
• 申請日: 2019-07-24
• 公開（公告）號: CN110390674B
• 公開（公告）日: 2022-08-16
• 發(fā)明（設(shè)計）人: 王曉寧;孫鐘前;付星輝;尚鴻
• 申請（專利權(quán)）人: 騰訊醫(yī)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(chǎn)權(quán)代理有限責(zé)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(yīng)用于醫(yī)療影像領(lǐng)域，所述方法包括：

獲取待檢測的消化道內(nèi)鏡影像；

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

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

所述樣本圖像的所述實際標(biāo)簽的獲取過程，包括：

獲取所述專業(yè)標(biāo)注人員對所述樣本圖像的所述標(biāo)注標(biāo)簽；

獲取所述第二模型對所述樣本圖像的所述預(yù)測標(biāo)簽；

按照預(yù)設(shè)的權(quán)重比例，基于所述樣本圖像的所述標(biāo)注標(biāo)簽和所述第二模型輸出的所述預(yù)測標(biāo)簽，生成所述樣本圖像的實際標(biāo)簽。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述第一模型的訓(xùn)練過程，包括：

在所述第二模型的約束下，基于所述純凈數(shù)據(jù)集和n-1個噪音數(shù)據(jù)集進(jìn)行模型訓(xùn)練，得到所述第一模型。

3.根據(jù)權(quán)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(shù)據(jù)集進(jìn)行模型訓(xùn)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(shù)據(jù)集和所述第n-1噪音數(shù)據(jù)集進(jìn)行模型訓(xùn)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(shù)據(jù)集、所述第n-1噪音數(shù)據(jù)集和所述第n-2噪音數(shù)據(jù)集進(jìn)行模型訓(xùn)練，得到第n-2模型；

以此類推，重復(fù)執(zhí)行在上一步訓(xùn)練過程中得到的模型的約束下，基于與當(dāng)前訓(xùn)練過程匹配的訓(xùn)練數(shù)據(jù)集進(jìn)行模型訓(xùn)練的過程，直至得到所述第一模型。

4.根據(jù)權(quán)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(shù)據(jù)集和n-1個噪音數(shù)據(jù)集進(jìn)行模型訓(xùn)練，包括：

將所述純凈數(shù)據(jù)集和n-1個噪音數(shù)據(jù)集中的樣本圖像輸入深度神經(jīng)網(wǎng)絡(luò)；

獲取所述深度神經(jīng)網(wǎng)絡(luò)對所述樣本圖像的預(yù)測標(biāo)簽；

基于損失函數(shù)，不斷迭代更新所述深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)，直至所述深度神經(jīng)網(wǎng)絡(luò)收斂，所述損失函數(shù)用于衡量所述樣本圖像的所述實際標(biāo)簽與所述預(yù)測標(biāo)簽的不一致程度；

其中，所述實際標(biāo)簽基于所述第二模型輸出的相應(yīng)預(yù)測標(biāo)簽得到。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，應(yīng)用下述公式，生成所述樣本圖像的所述實際標(biāo)簽：

其中，指代所述樣本圖像的所述實際標(biāo)簽；λ指代可調(diào)節(jié)系數(shù)，其取值為一個常數(shù)；y指代所述樣本圖像的所述標(biāo)注標(biāo)簽；s指代上一步訓(xùn)練過程中得到的模型對所述樣本圖像的所述預(yù)測標(biāo)簽。

6.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述損失函數(shù)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(diào)節(jié)系數(shù)，其取值為一個常數(shù)；i的取值為正整數(shù)，x_i指代第i個樣本圖像，y_i為所述標(biāo)注人員對樣本圖像x_i的標(biāo)注標(biāo)簽，f(x_i)指代當(dāng)前訓(xùn)練的模型對樣本圖像x_i的預(yù)測標(biāo)簽，s_i指代上一步訓(xùn)練過程中得到的模型對樣本圖像x_i的預(yù)測標(biāo)簽。