[发明专利]图像特征的监督学习方法、装置、设备及存储介质

说明书

本申请公开了一种图像特征的监督学习方法、装置、设备及存储介质，涉及人工智能领域。方法包括：对原始医学图像进行数据增强，得到第一增强图像和第二增强图像，第一增强图像和第二增强图像互为正样本；通过特征提取模型对第一增强图像和第二增强图像进行特征提取，得到第一增强图像的第一图像特征以及第二增强图像的第二图像特征；基于第一图像特征、第二图像特征以及负样本图像特征，确定特征提取模型的模型损失，负样本图像特征为其他原始医学图像对应增强图像的图像特征；基于模型损失训练特征提取模型。本申请实施例中，采用自监督学习方式使特征提取模型学习到医学图像的图像特征，无需人工进行图像标注，提高了模型训练效率。

技术领域

本申请实施例涉及人工智能领域，特别涉及一种图像特征的监督学习方法、装置、设备及存储介质。

背景技术

计算机视觉(Computer Vision，CV)技术作为人工智能领域的一个重要分支，被广泛应用于医学图像识别(识别医学图像中组织器官的类别)、医学图像检索(从数据库中检索详细医学图像)、医学图像分割(对医学图像中的组织结构进行分割)等医学图像处理场景。

图像特征提取作为图像处理过程中的重要环节，直接影响到最终的图像处理结果。相关技术中，通过训练特征提取模型对医学图像进行特征提取，进而基于提取到的图像特征执行后续图像处理流程。在一种模型训练方式中，当采用监督学习方式进行模型训练时，通常利用样本医学图像的标注信息作为监督进行模型训练。

然而，由于模型训练过程中需要使用到大量样本，而对样本医学图像进行人工标注需要花费大量时间，导致模型训练效率较低。

发明内容

本申请实施例提供了一种图像特征的监督学习方法、装置、设备及存储介质，在无需人工标注的情况下能够实现图像特征的自监督学习，从而提高模型训练效率。所述技术方案如下：

一方面，本申请实施例提供了一种图像特征的监督学习方法，所述方法包括：

对原始医学图像进行数据增强，得到第一增强图像和第二增强图像，所述第一增强图像和所述第二增强图像互为正样本；

通过特征提取模型对所述第一增强图像和所述第二增强图像进行特征提取，得到所述第一增强图像的第一图像特征，以及所述第二增强图像的第二图像特征；

基于所述第一图像特征、所述第二图像特征以及负样本图像特征，确定所述特征提取模型的模型损失，所述负样本图像特征为其他原始医学图像对应增强图像的图像特征；

基于所述模型损失训练所述特征提取模型。

另一方面，本申请实施例提供了一种图像特征的监督学习装置，所述装置包括：

数据增强模块，用于对原始医学图像进行数据增强，得到第一增强图像和第二增强图像，所述第一增强图像和所述第二增强图像互为正样本；

特征提取模块，用于通过特征提取模型对所述第一增强图像和所述第二增强图像进行特征提取，得到所述第一增强图像的第一图像特征，以及所述第二增强图像的第二图像特征；

损失确定模块，用于基于所述第一图像特征、所述第二图像特征以及负样本图像特征，确定所述特征提取模型的模型损失，所述负样本图像特征为其他原始医学图像对应增强图像的图像特征；

第一训练模块，用于基于所述模型损失训练所述特征提取模型。

另一方面，本申请实施例提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如上述方面所述的图像特征的监督学习方法。

另一方面，本申请实施例提供了一种计算机可读存储介质，所述可读存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如上述方面所述的图像特征的监督学习方法。