图像检测方法及相关模型的训练方法、相关装置和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、相关装置和设备，其中，检测模型的训练方法包括：获取第一医学图像、多个子医学图像和至少一组子医学图像的类别信息；利用检测模型对第一医学图像进行检测，得到像素点的预测标记；其中，检测模型包括第一编码网络和解码网络，预测标记表示预测像素点所属的子对象；基于第一编码网络对多个子医学图像分别进行编码，得到各个子医学图像的特征表示；基于样本标记和预测标记之间的差异，得到第一损失值，并基于特征表示之间的相似度和类别信息，得到第二损失值；基于第一损失值和第二损失值，调整检测模型的网络参数。上述方案，能够提高图像检测的效率和精度。提高图像检测的效率和精度。提高图像检测的效率和精度。

【技术实现步骤摘要】
图像检测方法及相关模型的训练方法、相关装置和设备


[0001]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、相关装置和设备。

技术介绍

[0002]在诸如手术规划等临床应用中，CT(Computed Tomography，计算机断层扫描)图像、MRI(Magnetic Resonance Imaging，核磁共振扫描)图像等医学图像具有极其重要的意义。通常来说，可以通过人工勾画、机器检测等方式识别出医学图像中诸如器官、组织或病灶等目标对象。然而，人工勾画效率低下，现有的机器检测又严重依赖于标注数据，而在医学领域中，标注数据又往往依赖于资深医师的人工标注，其稀缺性又制约了现有机器检测的精度。有鉴于此，如何提高图像检测的效率和精度成为亟待解决的问题。

技术实现思路

[0003]本申请提供一种图像检测方法及相关模型的训练方法、相关装置和设备。
[0004]本申请第一方面提供了一种检测模型的训练方法，包括：获取第一医学图像、多个子医学图像和至少一组子医学图像的类别信息；其中，第一医学图像含有由若干子本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种检测模型的训练方法，其特征在于，包括：获取第一医学图像、多个子医学图像和至少一组所述子医学图像的类别信息；其中，所述第一医学图像含有由若干子对象组成的目标对象，所述第一医学图像中的像素点标注有样本标记，所述样本标记表示所述像素点实际所属的子对象，且每组所述子医学图像包括至少两个子医学图像，所述类别信息包括所述至少两个子医学图像分别所属的子对象是否相同；利用检测模型对所述第一医学图像进行检测，得到所述像素点的预测标记；其中，所述检测模型包括第一编码网络和解码网络，所述预测标记表示预测所述像素点所属的子对象；基于所述第一编码网络对所述多个子医学图像分别进行编码，得到各个所述子医学图像的特征表示；基于所述样本标记和所述预测标记之间的差异，得到第一损失值，并基于所述特征表示之间的相似度和所述类别信息，得到第二损失值；基于所述第一损失值和所述第二损失值，调整所述检测模型的网络参数。2.根据权利要求1所述的方法，其特征在于，所述检测模型是经多轮训练得到的；所述基于所述第一编码网络对所述多个子医学图像分别进行编码，得到各个所述子医学图像的特征表示，包括：基于所述第一编码网络在上一轮训练调整之后的网络参数，得到当前轮训练过程中第二编码网络的网络参数；其中，所述第二编码网络和所述第一编码网络具有相同的网络结构；利用所述第一编码网络对所述多个子医学图像分别编码，得到各个所述子医学图像的第一特征表示，并利用所述第二编码网络对所述多个子医学图像分别编码，得到各个所述子医学图像的第二特征表示；所述基于所述特征表示之间的相似度和所述类别信息，得到第二损失值，包括：将所述多个子医学图像分别作为当前医学图像，并基于所述当前医学图像的第一特征表示和第二特征表示，确定第一相似度，以及基于所述当前医学图像的第一特征表示和参考医学图像的第二特征表示，确定第二相似度；基于所述第一相似度和所述第二相似度，得到子损失值；其中，所述参考医学图像是利用所述类别信息从所述多个子医学图像选择得到的，且所述参考医学与所述当前医学图像对应于不同所述子对象；基于所述多个子医学图像的子损失值，得到所述第二损失值。3.根据权利要求2所述的方法，其特征在于，在所述利用所述第一编码网络对所述多个子医学图像分别编码，得到各个所述子医学图像的第一特征表示，并利用所述第二编码网络对所述多个子医学图像分别编码，得到各个所述子医学图像的第二特征表示之前，所述方法还包括：对所述多个子医学图像分别执行数据增强处理，得到各个所述子医学图像的第一增强图像和第二增强图像；所述利用所述第一编码网络对所述多个子医学图像分别编码，得到各个所述子医学图像的第一特征表示，包括：
利用所述第一编码网络对所述多个子医学图像的第一增强图像分别编码，得到各个所述子医学图像的第一特征表示；所述利用所述第二编码网络对所述多个子医学图像分别编码，得到各个所述子医学图像的第二特征表示，包括：利用所述第二编码网络对所述多个子医学图像的第二增强图像分别编码，得到各个所述子医学图像的第二特征表示。4.根据权利要求2所述的方法，其特征在于，所述基于所述第一编码网络在上一轮训练调整之后的网络参数，得到当前轮训练过程中第二编码网络的网络参数，包括：将所述第二编码网络在所述上一轮训练过程中的网络参数和所述第一编码网络在所述上一轮训练调整之后的网络参数进行加权处理，得到所述第二编码网络在所述当前轮训练过程中的网络参数。5.根据权利要求2所述的方法，其特征在于，所述子损失值与所述第一相似度为负相关关系，且所述子损失值与所述第二相似度为正相关关系；和/或，所述第二...

【专利技术属性】
技术研发人员：夏清，项进喜，王文集，李卓威，
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：