[发明专利]一种胶囊内窥镜图像病变识别装置及训练方法

权利要求书

1.一种胶囊内窥镜图像病变识别装置，其特征在于，包括计算机程序存储介质和处理装置，所述处理装置执行计算机程序时实现训练过程和测试过程；

所述训练过程包括如下步骤：

S1、将胶囊内窥镜图片输入到模型的教师网络1至N；

S2、对于每张胶囊内窥镜图片，由每个教师网络生成各自的特征图h*w*c,其中h,w,c分别为所述特征图的高度、宽度和通道数，通过对所述特征图的不同通道求平均，得到所述图片的显著性图；由模型进行分类任务或分割任务；

S3、对模型的预测结果和真实标签计算交叉熵损失；

S4、最小化交叉熵损失，不断更新模型参数，直到交叉熵损失不再下降，模型收敛；

S5、将所有教师网络生成的特征图、显著性图和预测结果合并，作为集成教师网络的指导信息；

S6、将胶囊内窥镜图片输入学生网络，通过知识蒸馏算法将集成教师网络的特征图、显著性图和预测结果传递给所述学生网络；

S7、根据交叉熵函数和各级知识蒸馏损失函数，得到所述学生网络的损失函数，通过优化所述损失函数训练学生网络，直至收敛；

所述测试过程包括如下步骤：

T1、将胶囊内窥镜图片输入已训练好的学生网络，得到图片的各类别预测概率，概率最大的类别为该测试图片的所属预测类别。

2.如权利要求1所述的胶囊内窥镜图像病变识别装置，其特征在于，步骤S1中，所述教师网络选自DenseNet121、ResNet50、NASNet中的任一种。

3.如权利要求1或2所述的胶囊内窥镜图像病变识别装置，其特征在于，步骤S2中，根据所述显著性图中的不同区域的显著性，确定疾病相关的区域与背景区域；对于分类任务，模型的最后一层特征图经过全局平均池化和全连接层映射后得到图像的类别预测概率(p₁,p₂,…,p_C),其中p_i为图片被判断为类别i的概率，C为类别总数，所有类别的预测概率相加为1，预测概率最大的类别为图片最终被判断的类别，作为预测结果；对于分割任务，模型对每个像素点生成预测结果。

4.如权利要求1或2所述的胶囊内窥镜图像病变识别装置，其特征在于，步骤S4中，基于梯度下降算法最小化所述交叉熵损失。

5.如权利要求1或2所述的胶囊内窥镜图像病变识别装置，其特征在于，步骤S7中、通过交叉熵函数和各级知识蒸馏损失函数的加和得到所述学生网络的损失函数。

6.如权利要求1或2所述的胶囊内窥镜图像病变识别装置，其特征在于，所述测试过程还包括如下步骤：

T2、对每个测试图像生成显著性图。

7.一种基于多教师蒸馏的胶囊内窥镜图像病变识别网络的训练方法，其特征在于，包括如下步骤：

S1、将胶囊内窥镜图片输入到模型的教师网络1至N；

S2、对于每张胶囊内窥镜图片，由每个教师网络生成各自的特征图h*w*c,其中h,w,c分别为所述特征图的高度、宽度和通道数，通过对所述特征图的不同通道求平均，得到所述图片的显著性图；由模型进行分类任务或分割任务；

S3、对模型的预测结果和真实标签计算交叉熵损失；

S4、最小化交叉熵损失，不断更新模型参数，直到交叉熵损失不再下降，模型收敛；

S5、将所有教师网络生成的特征图、显著性图和预测结果合并，作为集成教师网络的指导信息；

S6、将胶囊内窥镜图片输入学生网络，通过知识蒸馏算法将集成教师网络的特征图、显著性图和预测结果传递给所述学生网络；

S7、根据交叉熵函数和各级知识蒸馏损失函数，得到所述学生网络的损失函数，通过优化所述损失函数训练学生网络，直至收敛。