图像处理、模型训练方法、装置、设备和存储介质制造方法及图纸

本申请涉及一种图像处理、模型训练方法、装置、设备和存储介质。所述图像处理方法包括：获取候选医学影像样本集和目标模型；查询与目标模型匹配的评估模型；通过目标模型，提取候选医学影像样本集中候选医学影像样本相应的目标特征；将目标特征输入评估模型，映射得到相应候选医学影像样本的评估量化结果；候选医学影像样本的评估量化结果与候选医学影像样本所包含的信息量成正比；从候选医学影像样本集中筛选出待标注的医学影像样本；待标注的医学影像样本的评估量化结果不低于筛选后剩余候选医学影像样本的评估量化结果；待标注的医学影像样本被标注后用于训练目标模型。采用本方法能够降低模型训练成本。

Image processing, model training methods, devices, devices and storage media

【技术实现步骤摘要】
图像处理、模型训练方法、装置、设备和存储介质
本申请涉及计算机
，特别是涉及一种图像处理、模型训练方法、装置、设备和存储介质。
技术介绍
随着人工智能的兴起和发展，机器学习模型的训练、以及采用训练的机器学习模型进行数据处理越来越广泛。比如，在智能医疗领域，对医学影像进行处理的分类模型或者分割模型的训练，以及使用分类模型进行医学影像分类或者使用分割模型对医学影像进行语义分割等。目前，在通过图像样本训练机器学习模型时，需要人工对图像样本进行标注，再采用标注后的图像样本训练模型。但随着训练过程中的数据量不断增加，样本的数量不断增加，完成图像样本标注的成本也越来越高，尤其是医学影像样本，需要高水平的专业人员进行标注。因此，传统训练方法的成本较高。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够降低模型训练成本的图像处理、模型训练方法、装置、设备和存储介质。一种图像处理方法，其特征在于，所述方法包括：获取候选医学影像样本集和目标模型；查询与所述目标模型匹配的评估模型；通过所述目本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，所述方法包括：/n获取候选医学影像样本集和目标模型；/n查询与所述目标模型匹配的评估模型；/n通过所述目标模型，提取所述候选医学影像样本集中候选医学影像样本相应的目标特征；/n将所述目标特征输入所述评估模型，映射得到相应候选医学影像样本的评估量化结果；所述候选医学影像样本的评估量化结果与所述候选医学影像样本所包含的信息量成正比；/n从所述候选医学影像样本集中筛选出待标注的医学影像样本；所述待标注的医学影像样本的评估量化结果不低于筛选后剩余候选医学影像样本的评估量化结果；所述待标注的医学影像样本被标注后用于训练所述目标模型。/n

【技术特征摘要】
1.一种图像处理方法，其特征在于，所述方法包括：
获取候选医学影像样本集和目标模型；
查询与所述目标模型匹配的评估模型；
通过所述目标模型，提取所述候选医学影像样本集中候选医学影像样本相应的目标特征；
将所述目标特征输入所述评估模型，映射得到相应候选医学影像样本的评估量化结果；所述候选医学影像样本的评估量化结果与所述候选医学影像样本所包含的信息量成正比；
从所述候选医学影像样本集中筛选出待标注的医学影像样本；所述待标注的医学影像样本的评估量化结果不低于筛选后剩余候选医学影像样本的评估量化结果；所述待标注的医学影像样本被标注后用于训练所述目标模型。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取目标任务和待标注的医学影像样本的数量；
所述通过所述目标模型，提取所述候选医学影像样本集中候选医学影像样本相应的目标特征，包括：
根据所述目标任务定位所述目标模型中的目标隐层；
将所述候选医学影像样本集中的候选医学影像样本输入所述目标模型，通过所述目标隐层，提取各所述候选医学影像样本相应的、且用于所述目标任务的目标特征；
所述从所述候选医学影像样本集中筛选出待标注的医学影像样本，包括：
从所述候选医学影像样本集中，筛选所述数量的、且评估量化结果最大的候选医学影像样本，获得用于训练所述目标模型的待标注的医学影像样本。


3.根据权利要求1所述的方法，其特征在于，所述将所述目标特征输入所述评估模型，映射得到相应候选医学影像样本的评估量化结果，包括：
将所述目标特征输入所述评估模型，通过所述评估模型中多于一层网络结构的依次处理，得到所述目标特征相应候选医学影像样本的评估量化结果；
其中，所述网络结构包括全连接层和随机失活层；所述候选医学影像样本的评估量化结果与所述候选医学影像样本的不确定度正相关、且与所述候选医学影像样本的表征度正相关。


4.一种图像处理方法，其特征在于，所述方法包括：
获取候选图像样本集和目标模型；
查询与所述目标模型匹配的评估模型；
通过所述目标模型，提取所述候选图像样本集中候选图像样本相应的目标特征；
将所述目标特征输入所述评估模型，映射得到相应候选图像样本的评估量化结果；所述候选图像样本的评估量化结果与所述候选图像样本所包含的信息量成正比；
从所述候选图像样本集中筛选用于训练所述目标模型的目标图像样本；所述目标图像样本的评估量化结果不低于筛选后剩余候选图像样本的评估量化结果。


5.一种模型训练方法，其特征在于，所述方法包括：
获取医学影像样本集、目标模型、评估模型、重建模型和判别模型；所述医学影像样本集包括第一医学影像样本和第二医学影像样本；
通过所述目标模型，提取所述医学影像样本集中医学影像样本的初始目标特征；
通过所述评估模型，根据所述第一医学影像样本的初始目标特征，生成所述第一医学影像样本的评估量化结果；所述第一医学影像样本的评估量化结果与所述第一医学影像样本所包含的信息量成正比；
通过所述重建模型，根据所述第一医学影像样本的初始目标特征和所述第一医学影像样本的评估量化结果，得到所述第一医学影像样本的重建目标特征；
将所述第一医学影像样本的重建目标特征和所述第二医学影像样本的初始目标特征输入判别模型，对所述评估模型、所述重建模型和所述判别模型进行迭代地对抗训练，直至满足训练停止条件时结束训练；其中，训练得到的评估模型用于筛选训练所述目标模型的目标医学影像样本。


6.根据权利要求5所述的方法，其特征在于，所述判别模型包括第一判别模型和第二判别模型；
所述将所述第一医学影像样本的重建目标特征和所述第二医学影像样本的初始目标特征输入判别模型，对所述评估模型、重建模型和判别模型进行迭代地对抗训练，直至满足训练停止条件时结束训练，包括：
将所述第一医学影像样本的重建目标特征和所述第二医学影像样本的初始目标特征输入第一判别模型，并将所述第一医学影像样本的重建目标特征和所述第一医学影像样本的初始目标特征输入第二判别模型，对所述评估模型、重建模型、第一判别模型和第二判别模型进行迭代地双重对抗训练，直至满足训练停止条件时结束训练。


7.根据权利要求6所述的方法，其特征在于，所述通过所述重建模型，根据所述第一医学影像样本的初始目标特征和评估量化结果，得到所述第一医学影像样本的重建目标特征，包括：
获取预设数值与所述第一医学影像样本的评估量化结果之间的差异值；
将所述第一医学影像样本的初始目标特征和所述差异值的乘积输入所述重建模型，映射得到所述第一医学影像样本的第一重建目标特征；
将所述第一医学影像样本的初始目标特征和所述第一医学影像样本的评估量化结果的乘积输入所述重建模型，映射得到所述第一医学影像样本的第二重建目标特征；
所述将所述第一医学影像样本的重建目标特征和所述第二医学影像样本的初始目标特征输入第一判别模型，并将所述第一医学影像样本的重建目标特征和初始目标特征输入第二判别模型，对所述评估模型、重建模型、第一判别模型和第二判别模型进行迭代地双重对抗训练，直至满足训练停止条件时结束训练，包括：
将所述第一医学影像样本的第一重建目标特征和所述第二医学影像样本的初始目标特征输入第一判别模型，并将所述第一医学影像样本的第二重建目标特征和所述第一医学影像样本的初始目标特征输入第二判...

【专利技术属性】
技术研发人员：王朔，李悦翔，马锴，郑冶枫，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44