生成模型的训练方法、息肉识别方法、装置、介质及设备制造方法及图纸

本公开涉及一种生成模型的训练方法、息肉识别方法、装置、介质及设备，所述方法包括：获取训练样本集，其中，训练样本集中的每一训练样本包含训练图像以及训练图像对应的息肉标注类别；根据训练图像和图像生成模型，获得训练图像对应的生成图像和还原图像；根据训练图像和生成图像，确定训练图像和生成图像对应的第一分布距离；根据第一分布距离、训练图像、生成图像、还原图像以及训练图像对应的息肉标注类别，确定图像生成模型的目标损失，其中，所述目标损失包括根据所述第一分布距离确定出的第一分布损失，所述第一分布损失与所述第一分布距离为负相关关系；在满足更新条件的情况下，根据所述目标损失对所述图像生成模型的参数进行更新。数进行更新。数进行更新。

【技术实现步骤摘要】
生成模型的训练方法、息肉识别方法、装置、介质及设备


[0001]本公开涉及图像处理领域，具体地，涉及一种生成模型的训练方法、息肉识别方法、装置、介质及设备。

技术介绍

[0002]内窥镜广泛用于结肠筛查和息肉检测，但是内窥镜的检测精准度很大程度上取决于内镜医师的经验。而由于息肉的特征较难识别，且许多息肉的体积较小，而导致息肉检测的漏检率较大，这大大增加了息肉早期筛查的难度。
[0003]相关技术中，可以通过深度学习的方法进行模型训练，以用于息肉识别和分割的计算机辅助诊断系统。而通过上述方式当样本外数据具有较大的域转移时，这些经过训练的网络中都可能会出现较大的性能差距，难以通过有限的样本数据保证模型的泛化性，使得训练出的模型对样本外数据的检测准确度不足，从而无法实现准确的息肉检测效果。

技术实现思路

[0004]提供该
技术实现思路
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
技术实现思路
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。
[0005]第一方面，本公开提供一种息肉图像生成模型的训练方法，所述方法包括：获取训练样本集，其中，所述训练样本集中的每一训练样本包含训练图像以及所述训练图像对应的息肉标注类别；根据所述训练图像和图像生成模型，获得所述训练图像对应的生成图像和还原图像，其中，所述图像生成模型包括第一生成器和第二生成器，所述第一生成器用于根据所述训练图像生成所述生成图像，所述第二生成器用于根据所述生成图像生成所述还原图像；根据所述训练图像和所述生成图像，确定所述训练图像和所述生成图像对应的第一分布距离，其中，所述第一分布距离用于表示所述训练图像的分布和所述生成图像的分布之间的差异；根据所述第一分布距离、所述训练图像、所述生成图像、所述还原图像以及所述训练图像对应的息肉标注类别，确定所述图像生成模型的目标损失，其中，所述目标损失包括根据所述第一分布距离确定出的第一分布损失，所述第一分布损失与所述第一分布距离为负相关关系；在满足更新条件的情况下，根据所述目标损失对所述图像生成模型的参数进行更新。
[0006]第二方面，本公开提供一种息肉识别方法，所述方法包括：接收待识别的息肉图像；将所述息肉图像输入息肉识别模型，获得所述息肉图像的识别结果，其中，所述息肉识别模型对应的训练样本集包含原始样本、以及根据所述原始样本和图像生成模型中的
第一生成器生成的生成样本，所述图像生成模型是基于第一方面所述的息肉图像生成模型的训练方法进行训练所得的，所述原始样本包括原始图像和所述原始图像对应的息肉标注类别，所述生成样本包括基于原始图像生成的生成图像以及该原始图像对应的息肉标注类别。
[0007]第三方面，本公开提供一种息肉图像生成模型的训练装置，所述装置包括：获取模块，用于获取训练样本集，其中，所述训练样本集中的每一训练样本包含训练图像以及所述训练图像对应的息肉标注类别；生成模块，用于根据所述训练图像和图像生成模型，获得所述训练图像对应的生成图像和还原图像，其中，所述图像生成模型包括第一生成器和第二生成器，所述第一生成器用于根据所述训练图像生成所述生成图像，所述第二生成器用于根据所述生成图像生成所述还原图像；第一确定模块，用于根据所述训练图像和所述生成图像，确定所述训练图像和所述生成图像对应的第一分布距离，其中，所述第一分布距离用于表示所述训练图像的分布和所述生成图像的分布之间的差异；第二确定模块，用于根据所述第一分布距离、所述训练图像、所述生成图像、所述还原图像以及所述训练图像对应的息肉标注类别，确定所述图像生成模型的目标损失，其中，所述目标损失包括根据所述第一分布距离确定出的第一分布损失，所述第一分布损失与所述第一分布距离为负相关关系；更新模块，用于在满足更新条件的情况下，根据所述目标损失对所述图像生成模型的参数进行更新。
[0008]第四方面，提供一种息肉识别装置，所述装置包括：接收模块，用于接收待识别的息肉图像；识别模块，用于将所述息肉图像输入息肉识别模型，获得所述息肉图像的识别结果，其中，所述息肉识别模型对应的训练样本集包含原始样本、以及根据所述原始样本和图像生成模型中的第一生成器生成的生成样本，所述图像生成模型是基于第一方面所述的息肉图像生成模型的训练方法进行训练所得的，所述原始样本包括原始图像和所述原始图像对应的息肉标注类别，所述生成样本包括基于原始图像生成的生成图像以及该原始图像对应的息肉标注类别。
[0009]第五方面，提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一或第二方面所述方法的步骤。
[0010]第六方面，提供一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一或第二方面所述方法的步骤。
[0011]通过上述技术方案，可以基于训练图像和图像生成模型进行新图像的生成，获得生成图像和还原图像，在确定图像生成模型的目标损失时，通过还原图像以及息肉标注类别的约束，可以基于对抗生成网络的风格迁移方法对训练图像进行模仿生成，保证基于该图像生成模型生成的生成图像与原始图像之间的语义一致性，使得图像生成模型生成的生成图像与训练图像之间属于同一息肉分类，进而无需对生成图像进行数据标注，可以自动
生成用于进行息肉识别模型训练的有效标注样本。并且在确定目标损失时还根据训练图像和生成图像，确定该两者之间的第一分布距离，则可以以在结合训练样本、生成图像和还原图像的基础上，进一步结合该第一分布距离以确定图像生成模型的目标损失。由此，通过第一分布损失可以使得基于图像生成模型获得的生成图像中不得到额外的息肉类别的基础上，得出更多的具备多样性的数据，从而可以保证基于该生成图像以及训练图像进行训练的模型，如息肉识别模型等的泛化性。通过该图像生成模型对息肉图像进行生成，从而可以基于有限的样本数据获得更多用于训练息肉识别模型的训练数据，可以减少进行息肉识别模型训练耗费的人力和时间，也能够进一步提高息肉识别模型的检测准确性和鲁棒性，保证息肉检测的准确性，有效降低息肉检测的漏检率。
[0012]本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0013]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：图1是根据本公开的一种实施方式提供的一种息肉图像生成模型的训练方法的流程图；图2是根据本公开的一种实施方式提供的图像生成模型的示意图；图3是根据本公开的一种实施方式提供的一种息肉图像生成模型的训练装置的框图；图4示出了适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
[0014]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种息肉图像生成模型的训练方法，其特征在于，所述方法包括：获取训练样本集，其中，所述训练样本集中的每一训练样本包含训练图像以及所述训练图像对应的息肉标注类别；根据所述训练图像和图像生成模型，获得所述训练图像对应的生成图像和还原图像，其中，所述图像生成模型包括第一生成器和第二生成器，所述第一生成器用于根据所述训练图像生成所述生成图像，所述第二生成器用于根据所述生成图像生成所述还原图像；根据所述训练图像和所述生成图像，确定所述训练图像和所述生成图像对应的第一分布距离，其中，所述第一分布距离用于表示所述训练图像的分布和所述生成图像的分布之间的差异；根据所述第一分布距离、所述训练图像、所述生成图像、所述还原图像以及所述训练图像对应的息肉标注类别，确定所述图像生成模型的目标损失，其中，所述目标损失包括根据所述第一分布距离确定出的第一分布损失，所述第一分布损失与所述第一分布距离为负相关关系；在满足更新条件的情况下，根据所述目标损失对所述图像生成模型的参数进行更新。2.根据权利要求1所述的方法，其特征在于，所述根据所述第一分布距离、所述训练图像、所述生成图像、所述还原图像以及所述训练图像对应的息肉标注类别，确定所述图像生成模型的目标损失，包括：根据所述训练图像和与所述训练图像对应的还原图像，确定所述图像生成模型的生成损失；基于所述训练图像对应的息肉标注类别、和基于该训练图像生成的生成图像所对应的息肉预测类别，确定所述图像生成模型的预测损失；将所述第一分布距离的负值确定为所述第一分布损失；根据所述生成损失、所述预测损失和所述第一分布损失确定所述目标损失。3.根据权利要求2所述的方法，其特征在于，所述训练样本集中包含对应于多种息肉标注类别的训练样本；所述根据所述第一分布距离、所述训练图像、所述生成图像、所述还原图像以及所述训练图像对应的息肉标注类别，确定所述图像生成模型的目标损失，还包括：根据各种息肉标注类别下的生成图像，针对任意两种息肉标注类别下的生成图像，确定该两种息肉标注类别下的生成图像对应的第二分布距离，其中，所述第二分布距离用于表示属于不同息肉标注类别下的生成图像的分布之间的差异；所述根据所述生成损失、所述预测损失和所述分布损失确定所述目标损失，包括：根据所述第二分布距离确定所述图像生成模型的第二分布差异；将所述生成损失、所述预测损失、所述第一分布损失和所述第二分布损失的加权和确定为所述目标损失。4.根据权利要求1所述的方法，其特征在于，所述根据所述训练图像和所述生成图像，确定所述训练图像和所述生成图像对应的第一分布距离，包括：针对同一息肉标注类别下的训练图像和生成图像，确定所述训练图像之间的传输距离、所述生成图像之间的传输距离、以及所述训练图像和所述生成图像之间的传输距离；根据所述训练图像和所述生成图像之间的传输距离、所述训练图像之间的传输距离，
以及所述生成图像之间的传输距离确定所述第一分布距离。5.根据权利要求4所述的方法，其特征在于，所述传输距离通过如下公式确定：5.根据权利要求4所述的方法，其特征在于，所述传输距离通过如下公式确定：其中，用于表示图像和图像之间的传输距离；用于表示从所述图像中提取出的特征图像；用于表示从所述图像中提取出的特征图像；用于表示所述图像对应的分布；用于表示所述图像对应的分布；用于表示分布和分布形成的全部的联合分布；用于表示所述图像和图像之间的传输成本。...

【专利技术属性】
技术研发人员：边成，石小周，杨延展，
申请(专利权)人：北京字节跳动网络技术有限公司，
类型：发明
国别省市：