[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

本申請公開了一種圖像處理方法、裝置、存儲介質、設備以及系統，屬于人工智能技術領域，具體涉及計算機視覺技術和機器學習技術。方法包括：獲取待檢測圖像；基于第一模型對待檢測圖像進行分類，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得到的，第一訓練數據集包括純凈數據集和噪音數據集，第二模型是在訓練第一模型之前基于第二訓練數據集訓練得到的；純凈數據集包括標注一致的樣本圖像，噪音數據集包括標注不一致的樣本圖像，第二訓練數據集為第一訓練數據集的子集且包括純凈數據集。本申請實現了在增加訓練數據集的數據量的同時，又能夠基于知識蒸餾技術降低因標注標簽出錯而對模型預測精準度的影響，確保了模型的預測準確率。

技術領域

本申請涉及人工智能技術領域，特別涉及一種圖像處理方法、裝置、存儲介質、設備以及系統。

背景技術

計算機視覺技術和機器學習技術作為人工智能的核心，其應用范圍目前已經遍及各個領域，比如醫療領域便是其中一種。在醫療領域中，利用計算機視覺技術和機器學習技術對醫療影像進行處理，可實現對病人是否罹患某種疾病進行識別。比如，通過機器學習模型輔助醫生進行消化道疾病檢測。

相關技術在通過圖像處理進行疾病檢測時，通常的做法是：獲取一個訓練數據集，該訓練數據集中包括標注的樣本圖像；根據該訓練數據集對某個深度神經網絡進行訓練，得到一個機器學習模型；之后，將待檢測圖像輸入該機器學習模型中，即可得到該機器學習模型輸出的預測結果。

針對上述圖像處理方式，訓練過程中通常是基于這樣一個假設，即標注人員對樣本圖像的標注標簽全部是正確的。然而，在某些情形下醫療影像所表現出的病變特征，即使是一些經過專業訓練的醫生，也可能較難分辨其病變性質，即標注標簽有一定的出錯概率，對于該種情況，基于上述訓練方式訓練出來的機器學習模型的精度非常有限，會嚴重影響后續圖像檢測過程中的檢測精準度。

發明內容

本申請實施例提供了一種圖像處理方法、裝置、存儲介質、設備以及系統，解決了相關技術存在的模型精度較差，進而導致在圖像檢測過程中檢測精準度較差的問題。所述技術方案如下：

一方面，提供了一種圖像處理方法，所述方法包括：

獲取待檢測圖像；

基于第一模型對所述待檢測圖像進行分類，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得到的，所述第一訓練數據集包括純凈數據集和噪音數據集，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，所述第二訓練數據集為所述第一訓練數據集的子集且包括所述純凈數據集。

另一方面，提供了一種圖像處理裝置，所述裝置包括：

獲取模塊，用于獲取待檢測圖像；

處理模塊，用于基于第一模型對所述待檢測圖像進行分類，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得到的，所述第一訓練數據集包括純凈數據集和噪音數據集，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，所述第二訓練數據集為所述第一訓練數據集的子集且包括所述純凈數據集。

在一種可能的實現方式中，所述噪音數據集的總個數為n-1個，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。

在一種可能的實現方式中，所述訓練模塊，還用于獲取所述標注人員對所述樣本圖像的標注標簽；