[發明專利]基于人工智能的病灶影像樣本確定方法和相關裝置

有效

• 申請號: 202010191123.3
• 申請日: 2020-03-18
• 公開（公告）號: CN111429414B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 陳鵬;孫鐘前
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/0464;G06N3/08
• 代理公司: 深圳市深佳知識產權代理事務所(普通合伙) 44285
• 代理人: 王兆林

1.一種病灶影像樣本確定方法，其特征在于，所述方法包括：

在對網絡模型進行第i輪訓練前，確定樣本集合中訓練樣本的損失參數和訓練次數；所述網絡模型用于識別病灶影像，所述訓練樣本是根據病灶影像確定的，所述損失參數是根據前i-1輪訓練確定的，所述損失參數用于標識該訓練樣本在網絡模型前i-1輪訓練的歷史平均損失，所述訓練樣本的訓練次數標識了該訓練樣本在網絡模型前i-1輪訓練中參與訓練的次數；

根據所述損失參數和所述訓練次數確定所述訓練樣本對應第i輪訓練的采樣權重；

根據所述采樣權重確定所述訓練樣本對應第i輪訓練的權重占比，所述權重占比用于標識所述訓練樣本的采樣權重占所述樣本集合中訓練樣本總體的比例；

根據所述權重占比和平均占比確定所述訓練樣本對應第i輪訓練的采樣概率，所述平均占比用于標識所述訓練樣本占所述樣本集合中訓練樣本總體的比例；

根據所述采樣概率，從所述樣本集合中確定目標樣本，所述目標樣本用于對所述網絡模型進行第i輪訓練。

2.根據權利要求1所述的方法，其特征在于，在確定所述采樣權重時，所述損失參數對所述采樣權重造成的影響因素隨所述損失參數的增大而增大；

在確定所述采樣權重時，所述訓練次數對所述采樣權重造成的影響因素隨所述訓練次數的增大而減小。

3.根據權利要求1或2所述的方法，其特征在于，所述樣本集合中的訓練樣本為用于訓練所述網絡模型的正樣本或負樣本。

4.根據權利要求1或2所述的方法，其特征在于，所述樣本集合中的訓練樣本為通過對待處理圖像生成候選框的方式確定的。

5.一種病灶影像樣本確定裝置，其特征在于，所述裝置包括第一確定單元、第二確定單元和第三確定單元：

所述第一確定單元，用于在對網絡模型進行第i輪訓練前，確定樣本集合中訓練樣本的損失參數和訓練次數；所述網絡模型用于識別病灶影像，所述訓練樣本是根據病灶影像確定的，所述損失參數是根據前i-1輪訓練確定的，所述損失參數用于標識該訓練樣本在網絡模型前i-1輪訓練的歷史平均損失，所述訓練樣本的訓練次數標識了該訓練樣本在網絡模型前i-1輪訓練中參與訓練的次數；

所述第二確定單元，用于根據所述損失參數和所述訓練次數確定所述訓練樣本對應第i輪訓練的采樣權重；

所述第三確定單元，用于根據所述采樣權重確定所述訓練樣本對應第i輪訓練的權重占比，所述權重占比用于標識所述訓練樣本的采樣權重占所述樣本集合中訓練樣本總體的比例；根據所述權重占比和平均占比確定所述訓練樣本對應第i輪訓練的采樣概率，所述平均占比用于標識所述訓練樣本占所述樣本集合中訓練樣本總體的比例；根據所述采樣概率，從所述樣本集合中確定目標樣本，所述目標樣本用于對所述網絡模型進行第i輪訓練。

6.根據權利要求5所述的裝置，其特征在于，在確定所述采樣權重時，所述損失參數對所述采樣權重造成的影響因素隨所述損失參數的增大而增大；

在確定所述采樣權重時，所述訓練次數對所述采樣權重造成的影響因素隨所述訓練次數的增大而減小。

7.根據權利要求5或6所述的裝置，其特征在于，所述樣本集合中的訓練樣本為用于訓練所述網絡模型的正樣本或負樣本。

8.根據權利要求5或6所述的裝置，其特征在于，所述樣本集合中的訓練樣本為通過對待處理圖像生成候選框的方式確定的。

9.一種用于病灶影像樣本確定設備，其特征在于，所述設備包括處理器以及存儲器：

所述存儲器用于存儲程序代碼，并將所述程序代碼傳輸給所述處理器；

所述處理器用于根據所述程序代碼中的指令執行權利要求1-4任意一項所述的方法。

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質用于存儲計算機程序，所述計算機程序用于執行權利要求1-4任意一項所述的方法。