[发明专利]息肉识别方法、装置、介质及设备

权利要求书

1.一种息肉识别方法，其特征在于，所述方法包括：

接收待识别的息肉图像；

根据所述息肉图像和息肉识别模型，获得所述息肉识别模型的目标特征层的多个输出节点分别对应的、与所述息肉图像对应的特征图；

对多个所述特征图进行多次采样，获得多组目标特征图集合，其中，每组目标特征图集合中包含对多个所述特征图进行一次采样获得的目标特征图；

针对每一所述目标特征图集合，根据该目标特征图集合中的各个目标特征图，确定所述息肉图像对应的息肉识别概率，其中，所述息肉识别概率包含所述息肉图像中每一像素点对应的目标概率分布；

根据各组所述目标特征图集合下、确定出的所述息肉图像对应的息肉识别概率，确定所述息肉图像的目标识别结果以及所述目标识别结果对应的不确定性度量。

2.根据权利要求1所述的方法，其特征在于，所述对多个所述特征图进行多次采样，获得多组目标特征图集合，包括：

根据所述目标特征层对应的目标激活率，确定进行采样的目标分布；

按照所述目标分布从多个特征图中进行多次采样，获得多组目标特征图集合，其中，每组目标特征图集合中的目标特征图符合所述目标分布。

3.根据权利要求1所述的方法，其特征在于，所述对多个所述特征图进行多次采样，获得多组目标特征图集合，包括：

确定所述目标特征层中的输出节点的特征图，确定所述目标特征层对应的相关矩阵；

根据所述相关矩阵和所述目标特征层对应的目标激活率，进行多次行列式点积过程计算，确定每次行列式点积过程计算获得的、所述相关矩阵在所述的目标激活率下对应的最大体积子矩阵，其中，所述最大体积子矩阵中包含的元素对应的特征图作为一组目标特征图集合。

4.根据权利要求1所述的方法，其特征在于，所述根据该目标特征图集合中的各个目标特征图，确定所述息肉图像对应的息肉识别概率，包括：

将多个目标特征图进行加权求和，获得融合特征图；

根据所述融合特征图和全卷积网络进行上采样，获得与所述息肉图像的尺寸相同的预测特征图；

对所述预测特征图中的每一元素的元素值进行softmax处理，获得所述息肉图像中该元素对应的像素点对应的目标概率分布。

5.根据权利要求1所述的方法，其特征在于，所述根据各组所述目标特征图集合下、确定出的所述息肉图像对应的息肉识别概率，确定所述息肉图像的目标识别结果以及所述目标识别结果对应的不确定性度量，包括：

根据所述息肉图像中的每一像素点，确定该像素点在多个息肉识别概率的目标概率分布中对应于同一分类的概率值，并将多个概率值的平均值确定为该像素点对应于该分类的目标概率；

根据所述息肉图像中的每一像素点对应于各个分类的目标概率，确定所述目标识别结果；

根据所述息肉图像对应的多个息肉识别概率、和所述息肉图像中的每一像素点对应于各个分类的目标概率，确定所述目标识别结果对应的不确定性度量。

6.根据权利要求5所述的方法，其特征在于，所述根据所述息肉图像中的每一像素点对应于各个分类的目标概率，确定所述目标识别结果，包括：

针对所述息肉图像中的每一像素点，将该像素点对应的最大的目标概率的分类确定为该像素点对应的分类，其中，所述目标识别结果中包含所述息肉图像中每一像素点对应的分类。

7.根据权利要求5所述的方法，其特征在于，所述根据所述息肉图像对应的多个息肉识别概率、和所述息肉图像中的每一像素点对应于各个分类的目标概率，确定所述目标识别结果对应的不确定性度量，包括：

针对所述息肉图像中的每一像素点，根据该像素点在每一息肉识别概率的目标概率分布中对应于同一分类的概率、和该像素点对应于该分类的目标概率，确定该像素点与该分类对应的预测方差，并将该像素点在各个分类下的预测方差之和确定为该像素点的预测方差；

将所述息肉图像中每一像素点的预测方差之和确定为所述不确定性度量。