[發(fā)明專利]基于人工智能的醫(yī)療影像的噪聲數(shù)據(jù)識(shí)別方法和相關(guān)裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202010170514.7
• 申請(qǐng)日: 2020-03-12
• 公開（公告）號(hào): CN111414946B
• 公開（公告）日: 2022-09-23
• 發(fā)明（設(shè)計(jì)）人: 陳豪;尚鴻;孫鐘前
• 申請(qǐng)（專利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類號(hào): G06V10/774
• 分類號(hào): G06V10/774;G06V10/82;G06N3/04;G16H30/40
• 代理公司: 深圳市深佳知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44285
• 代理人: 王兆林

1.一種醫(yī)療影像的噪聲數(shù)據(jù)識(shí)別方法，其特征在于，所述方法包括：

根據(jù)第一識(shí)別模型確定待識(shí)別標(biāo)簽數(shù)據(jù)的識(shí)別結(jié)果；所述第一識(shí)別模型是通過(guò)對(duì)初始網(wǎng)絡(luò)模型進(jìn)行N輪訓(xùn)練得到的，N小于完成對(duì)所述初始網(wǎng)絡(luò)模型完整訓(xùn)練所需的總輪數(shù)M，所述第一識(shí)別模型的模型參數(shù)尚未收斂；所述待識(shí)別標(biāo)簽數(shù)據(jù)為具有標(biāo)簽的醫(yī)療影像，所述N是對(duì)所述初始網(wǎng)絡(luò)模型進(jìn)行初期訓(xùn)練所采用的輪數(shù)，在所述初期訓(xùn)練過(guò)程中使用大學(xué)習(xí)率對(duì)所述初始網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，使所述第一識(shí)別模型學(xué)習(xí)到訓(xùn)練樣本集中類似數(shù)據(jù)的共通特性，減少對(duì)于所述訓(xùn)練樣本集中噪聲特征的關(guān)注程度；

根據(jù)所述識(shí)別結(jié)果所體現(xiàn)的置信度，確定所述待識(shí)別標(biāo)簽數(shù)據(jù)是否為噪聲數(shù)據(jù)；所述噪聲數(shù)據(jù)為標(biāo)簽標(biāo)注錯(cuò)誤的醫(yī)療影像。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述識(shí)別結(jié)果所體現(xiàn)的置信度，確定所述識(shí)別結(jié)果對(duì)應(yīng)的待識(shí)別標(biāo)簽數(shù)據(jù)是否為噪聲數(shù)據(jù)，包括：

若所述識(shí)別結(jié)果所體現(xiàn)的置信度低于第一條件閾值，確定所述識(shí)別結(jié)果對(duì)應(yīng)的待識(shí)別標(biāo)簽數(shù)據(jù)為噪聲數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述識(shí)別結(jié)果所體現(xiàn)的置信度，確定所述識(shí)別結(jié)果對(duì)應(yīng)的待識(shí)別標(biāo)簽數(shù)據(jù)是否為噪聲數(shù)據(jù)，包括：

若所述識(shí)別結(jié)果所體現(xiàn)的置信度高于第二條件閾值，確定所述待識(shí)別標(biāo)簽數(shù)據(jù)的標(biāo)簽與所述識(shí)別結(jié)果是否一致；

若不一致，確定所述識(shí)別結(jié)果對(duì)應(yīng)的待識(shí)別標(biāo)簽數(shù)據(jù)為噪聲數(shù)據(jù)。

4.根據(jù)權(quán)利要求1-3任意一項(xiàng)所述的方法，其特征在于，在所述根據(jù)所述識(shí)別結(jié)果所體現(xiàn)的置信度，確定所述識(shí)別結(jié)果對(duì)應(yīng)的待識(shí)別標(biāo)簽數(shù)據(jù)是否為噪聲數(shù)據(jù)之前，所述方法還包括：

通過(guò)標(biāo)識(shí)所述識(shí)別結(jié)果的概率分布，確定所述識(shí)別結(jié)果所體現(xiàn)的置信度。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述通過(guò)標(biāo)識(shí)所述識(shí)別結(jié)果的概率分布，確定所述識(shí)別結(jié)果對(duì)應(yīng)的置信度，包括：

確定標(biāo)識(shí)所述識(shí)別結(jié)果的概率分布所對(duì)應(yīng)的信息熵；

根據(jù)所述信息熵確定所述識(shí)別結(jié)果所體現(xiàn)的置信度。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述待識(shí)別標(biāo)簽數(shù)據(jù)為訓(xùn)練所述初始網(wǎng)絡(luò)模型所使用訓(xùn)練樣本集中的標(biāo)簽數(shù)據(jù)。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，在根據(jù)所述識(shí)別結(jié)果確定出噪聲數(shù)據(jù)之后，所述方法還包括：

獲取重新標(biāo)注數(shù)據(jù)，所述重新標(biāo)注數(shù)據(jù)是對(duì)所述噪聲數(shù)據(jù)重新標(biāo)注標(biāo)簽得到的；

根據(jù)所述重新標(biāo)注數(shù)據(jù)和所述訓(xùn)練樣本集中的剩余數(shù)據(jù)生成調(diào)整樣本集，所述剩余數(shù)據(jù)為所述訓(xùn)練樣本集中除了噪聲數(shù)據(jù)之外的標(biāo)簽數(shù)據(jù)；

將所述調(diào)整樣本集作為所述訓(xùn)練樣本集重新對(duì)所述初始網(wǎng)絡(luò)模型進(jìn)行N輪訓(xùn)練，得到第二識(shí)別模型，基于所述第二識(shí)別模型進(jìn)行醫(yī)療影像的噪聲數(shù)據(jù)識(shí)別。

8.一種醫(yī)療影像的噪聲數(shù)據(jù)識(shí)別裝置，其特征在于，所述裝置包括第一確定單元和第二確定單元：

所述第一確定單元，用于根據(jù)第一識(shí)別模型確定待識(shí)別標(biāo)簽數(shù)據(jù)的識(shí)別結(jié)果；所述第一識(shí)別模型是通過(guò)對(duì)初始網(wǎng)絡(luò)模型進(jìn)行N輪訓(xùn)練得到的，N小于完成對(duì)所述初始網(wǎng)絡(luò)模型完整訓(xùn)練所需的總輪數(shù)M，所述第一識(shí)別模型的模型參數(shù)尚未收斂；所述待識(shí)別標(biāo)簽數(shù)據(jù)為具有標(biāo)簽的醫(yī)療影像；所述N是對(duì)所述初始網(wǎng)絡(luò)模型進(jìn)行初期訓(xùn)練所采用的輪數(shù)，在所述初期訓(xùn)練過(guò)程中使用大學(xué)習(xí)率對(duì)所述初始網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，使所述第一識(shí)別模型學(xué)習(xí)到訓(xùn)練樣本集中類似數(shù)據(jù)的共通特性，減少對(duì)于所述訓(xùn)練樣本集中噪聲特征的關(guān)注程度；

所述第二確定單元，用于根據(jù)所述識(shí)別結(jié)果所體現(xiàn)的置信度，確定所述待識(shí)別標(biāo)簽數(shù)據(jù)是否為噪聲數(shù)據(jù)；所述噪聲數(shù)據(jù)為標(biāo)簽標(biāo)注錯(cuò)誤的醫(yī)療影像。

9.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述第二確定單元，用于：

若所述識(shí)別結(jié)果所體現(xiàn)的置信度低于第一條件閾值，確定所述識(shí)別結(jié)果對(duì)應(yīng)的待識(shí)別標(biāo)簽數(shù)據(jù)為噪聲數(shù)據(jù)。