[发明专利]息肉分型方法、模型训练方法及相关装置

说明书

本公开涉及一种息肉分型方法、模型训练方法及相关装置，以针对息肉分型数据中的标记噪声提出一种鲁棒性更高的模型。该模型训练方法包括：确定多个样本内窥镜图像，该样本内窥镜图像标注有息肉分型标签；针对每一样本内窥镜图像，通过第一识别网络确定对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样本内窥镜图像中息肉的第二样本预测值；根据第一样本预测值和第二样本预测值间的差异，将样本内窥镜图像分类为干净样本或噪声样本。该干净样本为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；根据干净样本和噪声样本训练息肉分型模型。

技术领域

本公开涉及医疗图像技术领域，具体地，涉及一种息肉分型方法、模型训练方法及相关装置。

背景技术

深度学习通常依赖大量标注准确的数据，假如数据中存在错误标注（即标记噪声）则会大大影响模型预测的准确性。在医学领域，影像数据的标记通常由多个医生进行人工标注或是通过自动化的方式生成。而由于医学图像的复杂性，对于一些病例，医生也无法确保其判断的准确性，因此对于多医生的标注，则不可避免的存在一些判断分歧。此外，大量的阅片容易导致专家的疲劳从而出现错误判断。因此，获取的医学数据集中通常或多或少的存在一些标记噪声，而这些标记噪声在数据集有限的情况下对模型的训练通常有着极大的影响。

然而，在息肉分型的领域，通常使用单一的卷积神经网络模型，在模型的训练过程中通常没有考虑到息肉训练数据中可能存在的标记噪声，因此息肉分型模型的预测准确性受标记噪声的影响较大。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种模型训练方法，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。

第二方面，本公开提供一种息肉分型方法，所述方法包括：

获取内窥镜图像，所述内窥镜图像包括待分型的息肉；

通过息肉分型模型中的第一识别网络确定所述内窥镜图像中息肉的第一分型预测值，并通过所述息肉分型模型中的第二识别网络确定所述内窥镜图像中息肉的第二分型预测值，所述息肉分型模型是通过第一方面所述的模型训练方法训练得到的；

将所述第一分型预测值和所述第二分型预测值进行平均计算，得到目标分型预测值，并基于所述目标分型预测值确定所述内窥镜图像中息肉的目标分型结果。

第三方面，本公开提供一种模型训练装置，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，所述装置包括：

第一训练模块，用于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；

第二训练模块，用于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；