[发明专利]息肉分型方法、模型训练方法及相关装置

权利要求书

1.一种模型训练方法，其特征在于，应用于息肉分型模型，所述息肉分型模型包括第一识别网络和第二识别网络，所述方法包括：

确定多个样本内窥镜图像，所述样本内窥镜图像标注有息肉分型标签；

针对每一所述样本内窥镜图像，通过所述第一识别网络确定对所述样本内窥镜图像中息肉的第一样本预测值，并通过所述第二识别网络确定对所述样本内窥镜图像中息肉的第二样本预测值；

根据所述第一样本预测值和所述第二样本预测值间的差异，将所述样本内窥镜图像分类为干净样本或噪声样本，所述干净样本为所述息肉分型标签标注正确的样本内窥镜图像，所述噪声样本为所述息肉分型标签标注错误的样本内窥镜图像；

根据所述干净样本和所述噪声样本训练所述息肉分型模型；

在将所述样本内窥镜图像分类为噪声样本后，所述方法还包括：

根据所述噪声样本对应的所述第一样本预测值和所述第二样本预测值，确定所述息肉分型模型对所述噪声样本的预测分型结果；

根据所述噪声样本的预测分型结果、所述噪声样本标注的息肉分型标签和所述息肉分型模型的超参数，确定所述噪声样本的噪声伪标签；

所述根据所述干净样本和所述噪声样本训练所述息肉分型模型，包括：

根据所述息肉分型模型对所述干净样本的预测分型结果、所述干净样本标注的息肉分型标签、所述息肉分型模型对所述噪声样本的预测分型结果和所述噪声样本的噪声伪标签，训练所述息肉分型模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述息肉分型模型对所述干净样本的预测分型结果、所述干净样本标注的息肉分型标签、所述息肉分型模型对所述噪声样本的预测分型结果和所述噪声样本的噪声伪标签，训练所述息肉分型模型，包括：

根据所述干净样本对应的所述第一样本预测值和息肉分型标签进行第一损失函数的计算，根据所述干净样本对应的所述第二样本预测值和息肉分型标签进行第二损失函数，根据所述第一损失函数的计算结果和所述第二损失函数的计算结果调整所述息肉分型模型的参数；或者

根据所述噪声样本对应的所述第一样本预测值和所述噪声伪标签进行第三损失函数的计算，根据所述噪声样本对应的所述第二样本预测值和所述噪声伪标签进行第四损失函数的计算，根据所述第三损失函数的计算结果和所述第四损失函数的计算结果，调整所述息肉分型模型的参数。

3.根据权利要求1或2所述的方法，其特征在于，所述针对每一所述样本内窥镜图像，通过第一识别网络确定对所述样本内窥镜图像中息肉的第一样本预测值，并通过第二识别网络确定对所述样本内窥镜图像中息肉的第二样本预测值，包括：

通过所述第一识别网络将每一所述样本内窥镜图像转换为第一维度的图像特征，并基于所述第一维度的图像特征确定对所述样本内窥镜图像中息肉的第一样本预测值；

通过所述第二识别网络将每一所述样本内窥镜图像转换为第二维度的图像特征，并基于所述第二维度的图像特征确定对所述样本内窥镜图像中息肉的第二样本预测值。

4.根据权利要求1或2所述的方法，其特征在于，所述根据所述第一样本预测值和所述第二样本预测值间的差异，将所述样本内窥镜图像分类为干净样本或噪声样本，包括：

确定所述第一样本预测值与所述第二样本预测值之间的JS散度距离；

若所述第一样本预测值与所述第二样本预测值之间的JS散度距离与预设阈值之间的数值关系满足预设条件，则将所述样本内窥镜图像分类为干净样本，若所述第一样本预测值与所述第二样本预测值之间的JS散度距离与所述预设阈值之间的数值关系不满足所述预设条件，则将所述样本内窥镜图像分类为噪声样本。

5.根据权利要求4所述的方法，其特征在于，所述预设条件包括所述JS散度距离小于所述预设阈值，或者样本指标大于所述预设阈值，所述样本指标为1减去所述JS散度距离得到的差值。

6.根据权利要求4所述的方法，其特征在于，所述预设阈值是通过如下方式设定的：

确定初始的预设阈值；

在所述息肉分型模型的训练过程中，若所述息肉分型模型的训练次数达到预设训练次数，则增大初始的所述预设阈值。