图像检测方法及相关模型的训练方法和相关装置、设备制造方法及图纸

本申请公开了一种图像检测方法及相关模型的训练方法和相关装置、设备，其中，图像检测模型的训练方法包括：获取样本医学图像，样本医学图像伪标注出至少一个未标注器官的实际区域；利用原始检测模型对样本医学图像进行检测以得到包括未标注器官的第一预测区域的第一检测结果；利用图像检测模型对样本医学图像进行检测以得到包括未标注器官的第二预测区域的第二检测结果，图像检测模型的网络参数是基于原始检测模型的网络参数确定的；利用第一预测区域分别与实际区域、第二预测区域之间的差异，调整原始检测模型的网络参数。上述方案，能够在多器官检测时，提高检测准确性。

【技术实现步骤摘要】
图像检测方法及相关模型的训练方法和相关装置、设备
本申请涉及人工智能
，特别是涉及一种图像检测方法及相关模型的训练方法和相关装置、设备。
技术介绍
CT(ComputedTomography，计算机断层扫描)和MRI(MagneticResonanceImaging，核磁共振扫描)等医学图像在临床具有重要意义。其中，在CT、MRI等医学图像上进行多器官检测，以确定医学图像上各器官对应的区域，在临床实践中具有广泛的应用，例如，计算机辅助诊断、放疗计划制定等。故此，训练出适用于多器官检测的图像检测模型具有较高的应用价值。目前，模型训练依赖于大量的具有标注的数据集。然而，在医疗影像领域，获得大量的高质量的多器官标注是非常耗时耗力的，而且通常只有经验丰富的放射科医生才有能力对数据进行标注。受限于此，现有的图像检测模型在进行多器官检测时，往往存在准确性低的问题。有鉴于此，如何在多器官检测时，提高检测准确性成为亟待解决的问题。
技术实现思路
本申请提供一种图像检测方法及相关模型的训练方法和相关装置、设备。本申请第一方面提供了一种图像检测模型的训练方法，包括：获取样本医学图像，其中，样本医学图像伪标注出至少一个未标注器官的实际区域；利用原始检测模型对样本医学图像进行检测以得到第一检测结果，其中，第一检测结果包括未标注器官的第一预测区域；以及，利用图像检测模型对样本医学图像进行检测以得到第二检测结果，其中，第二检测结果包括未标注器官的第二预测区域，图像检测模型的网络参数是基于原始检测模型的网络参数确定的；利用第一预测区域分别与实际区域、第二预测区域之间的差异，调整原始检测模型的网络参数。因此，通过获取样本医学图像，且样本医学图像伪标注出至少一个未标注器官的实际区域，故样本医学图像中无需对多器官进行真实标注，从而利用原始检测模型对样本医学图像检测检测以得到包含未标注器官的第一预设区域的第一检测结果，并利用图像检测模型对样本医学图像进行检测以得到包含未标注器官的第二预测区域的第二检测结果，进而利用第一预测区域分别与实际区域、第二预测区域之间的差异，调整原始检测模型的网络参数，且图像检测模型的网络参数是基于原始检测模型的网络参数确定的，故能够使得图像检测模型监督原始检测模型的训练，故能够约束网络参数在多次训练过程中由于伪标注的真实区域所产生的累积误差，提高图像检测模型的准确性，从而使得图像检测模型得以准确地监督原始检测模型进行训练，进而使得原始检测模型在训练过程中能够准确地调整其网络参数，故此，能够在多器官检测时，提升图像检测模型的检测准确性。其中，原始检测模型包括第一原始检测模型和第二原始检测模型，图像检测模型包括与第一原始检测模型对应的第一图像检测模型和与第二原始检测模型对应的第二图像检测模型；利用原始检测模型对样本医学图像进行检测以得到第一检测结果，包括：分别利用第一原始检测模型和第二原始检测模型执行对样本医学图像进行检测以得到第一检测结果的步骤；利用图像检测模型对样本医学图像进行检测以得到第二检测结果，包括：分别利用第一图像检测模型和第二图像检测模型执行对样本医学图像进行检测以得到第二检测结果的步骤；利用第一预测区域分别与实际区域、第二预测区域之间的差异，调整原始检测模型的网络参数，包括：利用第一原始检测模型的第一预测区域分别与实际区域、第二图像检测模型的第二预测区域之间的差异，调整第一原始检测模型的网络参数；以及，利用第二原始检测模型的第一预测区域分别与实际区域、第一图像检测模型的第二预测区域之间的差异，调整第二原始检测模型的网络参数。因此，将原始检测模型设置为包括第一原始检测模型和第二原始检测模型，且图像检测模型设置为包括与第一原始检测模型对应的第一图像检测模型和与第二原始检测模型对应的第二图像检测模型，并分别利用第一原始检测模型和第二原始检测模型执行对样本医学图像进行检测以得到第一检测结果的步骤，并分别利用第一图像检测模型和第二检测模型执行对样本医学图像进行检测以得到第二检测结果的步骤，从而利用第一原始检测模型的第一预测区域分别与实际区域、第二图像检测模型的第二预测区域之间的差异，调整第一原始检测模型的网络参数，并利用第二原始检测模型的第一预测区域分别与实际区域、第一图像检测模型的第二预测区域之间的差异，调整第二原始检测模型的网络参数，故能够利用与第一原始检测模型对应的第一图像检测模型监督第二原始检测模型的训练，利用与第二原始检测模型对应的第二图像检测模型监督第一原始检测模型的训练，故能够进一步约束网络参数在多次训练过程中由于伪标注的真实区域所产生的累积误差，提高图像检测模型的准确性。其中，利用第一预测区域分别与实际区域、第二预测区域之间的差异，调整原始检测模型的网络参数包括：利用第一预测区域和实际区域之间的差异，确定原始检测模型的第一损失值；以及，利用第一预测区域和第二预测区域之间的差异，确定原始检测模型的第二损失值；利用第一损失值和第二损失值，调整原始检测模型的网络参数。因此，通过第一预测区域和实际区域之间的差异，确定原始检测模型的第一损失值，并通过第一预测区域和第二预测区域之间的差异，确定原始检测模型的第二损失值，并利用第一损失值和第二损失值，调整原始检测模型的网络参数，从而能够从原始检测模型预测出的第一预测区域分别和伪标注的实际区域、对应的图像检测模型预测出的第二预测区域之间差异这两个维度来度量原始检测模型的损失，有利于提高损失计算的准确性，从而能够有利于提高原始检测模型网络参数的准确性，进而能够有利于提升图像检测模型的准确性。其中，利用第一预测区域和实际区域之间的差异，确定原始检测模型的第一损失值包括：利用焦点损失函数对第一预测区域和实际区域进行处理，得到焦点第一损失值；和/或，利用集合相似度损失函数对第一预测区域和实际区域进行处理，得到集合相似度第一损失值；和/或，利用第一预测区域和第二预测区域之间的差异，确定原始检测模型的第二损失值包括：利用一致性损失函数对第一预测区域和第二预测区域进行处理，得到第二损失值；和/或，利用第一损失值和第二损失值，调整原始检测模型的网络参数包括：对第一损失值和第二损失值进行加权处理，得到加权损失值；利用加权损失值，调整原始检测模型的网络参数。因此，通过利用焦点损失函数对第一预测区域和实际区域进行处理，得到焦点第一损失值，能够使得模型提升对于难样本的关注度，从而能够有利于提高图像检测模型的准确性；通过利用集合相似度损失函数对第一预测区域和实际区域进行处理，得到集合相似度第一损失值，能够使得模型拟合伪标注的实际区域，从而能够有利于提高图像检测模型的准确性；通过利用一致性损失函数对第一预测区域和第二预测区域进行处理，得到第二损失值，从而能够提高原始模型和图像检测模型预测的一致性，进而能够有利于提高图像检测模型的准确性；通过对第一损失值和第二损失值进行加权处理，得到加权损失值，并利用加权损失值，调整原始检测模型的网络参数，能够平衡各损失值在训练过程中的重要程度，从而能够提高网络参数的准确性，进而能够有利于提高图像检测模型的准本文档来自技高网...

【技术保护点】
1.一种图像检测模型的训练方法，其特征在于，包括：/n获取样本医学图像，其中，所述样本医学图像伪标注出至少一个未标注器官的实际区域；/n利用原始检测模型对所述样本医学图像进行检测以得到第一检测结果，其中，所述第一检测结果包括所述未标注器官的第一预测区域；以及，/n利用图像检测模型对所述样本医学图像进行检测以得到第二检测结果，其中，所述第二检测结果包括所述未标注器官的第二预测区域；所述图像检测模型的网络参数是基于所述原始检测模型的网络参数确定的；/n利用所述第一预测区域分别与所述实际区域、所述第二预测区域之间的差异，调整所述原始检测模型的网络参数。/n

【技术特征摘要】
1.一种图像检测模型的训练方法，其特征在于，包括：
获取样本医学图像，其中，所述样本医学图像伪标注出至少一个未标注器官的实际区域；
利用原始检测模型对所述样本医学图像进行检测以得到第一检测结果，其中，所述第一检测结果包括所述未标注器官的第一预测区域；以及，
利用图像检测模型对所述样本医学图像进行检测以得到第二检测结果，其中，所述第二检测结果包括所述未标注器官的第二预测区域；所述图像检测模型的网络参数是基于所述原始检测模型的网络参数确定的；
利用所述第一预测区域分别与所述实际区域、所述第二预测区域之间的差异，调整所述原始检测模型的网络参数。


2.根据权利要求1所述的训练方法，其特征在于，所述原始检测模型包括第一原始检测模型和第二原始检测模型，所述图像检测模型包括与所述第一原始检测模型对应的第一图像检测模型和与所述第二原始检测模型对应的第二图像检测模型；
所述利用原始检测模型对所述样本医学图像进行检测以得到第一检测结果，包括：
分别利用所述第一原始检测模型和所述第二原始检测模型执行所述对所述样本医学图像进行检测以得到第一检测结果的步骤；
所述利用图像检测模型对所述样本医学图像进行检测以得到第二检测结果，包括：
分别利用所述第一图像检测模型和第二图像检测模型执行所述对所述样本医学图像进行检测以得到第二检测结果的步骤；
所述利用所述第一预测区域分别与所述实际区域、所述第二预测区域之间的差异，调整所述原始检测模型的网络参数，包括：
利用所述第一原始检测模型的第一预测区域分别与所述实际区域、所述第二图像检测模型的第二预测区域之间的差异，调整所述第一原始检测模型的网络参数；以及，
利用所述第二原始检测模型的第一预测区域分别与所述实际区域、所述第一图像检测模型的第二预测区域之间的差异，调整所述第二原始检测模型的网络参数。


3.根据权利要求1或2所述的训练方法，其特征在于，所述利用所述第一预测区域分别与所述实际区域、所述第二预测区域之间的差异，调整所述原始检测模型的网络参数包括：
利用所述第一预测区域和所述实际区域之间的差异，确定所述原始检测模型的第一损失值；以及，
利用所述第一预测区域和所述第二预测区域之间的差异，确定所述原始检测模型的第二损失值；
利用所述第一损失值和所述第二损失值，调整所述原始检测模型的网络参数。


4.根据权利要求3所述的训练方法，其特征在于，所述利用所述第一预测区域和所述实际区域之间的差异，确定所述原始检测模型的第一损失值包括：
利用焦点损失函数对所述第一预测区域和所述实际区域进行处理，得到焦点第一损失值；和/或，
利用集合相似度损失函数对所述第一预测区域和所述实际区域进行处理，得到所述集合相似度第一损失值；
和/或，所述利用所述第一预测区域和所述第二预测区域之间的差异，确定所述原始检测模型的第二损失值包括：
利用一致性损失函数对所述第一预测区域和所述第二预测区域进行处理，得到所述第二损失值；
和/或，所述利用所述第一损失值和所述第二损失值，调整所述原始检测模型的网络参数包括：
对所述第一损失值和所述第二损失值进行加权处理，得到加权损失值；
利用所述加权损失值，调整所述原始检测模型的网络参数。


5.根据权利要求3或4所述的训练方法，其特征在于，所述样本医学图像中还包含已标注器官的实际区域，所述第一检测结果还包括所述已标注器官的第一预测区域，所述第二检测结果还包括所述已标注器官的第二预测区域；
所述利用所述第一预测区域和所述实际区域之间的差异，确定所述原始检测模型的第一损失值，包括：
利用所述未标注器官和所述已标注器官的第一预测区域和所述实际区域之间的差异，确定所述原始检测模型的第一损失值；
所述利用所述第一预测区域和所述第二预测区域之间的差异，确定所述原始检测模型的第二损失值，包括：
利用所述未标注器官的第一预测区域和对应所述第二预测区域之间的差异，确定所述原始检测模型的第二损失值。


6.根据权利要求1至5任一项所述的训练方法，其特征在于，所述利用所述第一预测区域分...

【专利技术属性】
技术研发人员：黄锐，胡志强，张少霆，李鸿升，
申请(专利权)人：上海商汤智能科技有限公司，
类型：发明
国别省市：上海;31