【技术实现步骤摘要】
【国外来华专利技术】
至少一个实施例涉及用于执行和促进人工智能的处理资源。例如，至少一个实施例涉及用于根据本文所述的各种新型技术来训练神经网络的处理器或计算系统。
技术介绍
1、计算机技术的进步已经改善了在对象识别和分析中的能力。出于这种分析的目的，机器学习已经被用作用于检测图像数据中的对象的工具。不幸的是，对这些对象的准确检测可能需要大型的标记的数据集，其对于尤其是诸如医学成像之类的应用而言难以生成。例如，熟练的放射科医师可能花费甚至数小时或更长时间来识别并分割图像中的器官和肿瘤，特别是对于具有复杂形状的大肿瘤或可能难以识别的非常小的肿瘤。
技术实现思路
【技术保护点】
1.一种处理器，包括：
2.如权利要求1所述的处理器，其中所述用户生成的轮廓是具有位于所述对象的所述边界附近的点的多边形。
3.如权利要求1所述的处理器，其中所述一个或更多个电路进一步用于：
4.如权利要求3所述的处理器，其中关于所述大小的所述信息是对所述对象占据的所述图像所估计的百分比。
5.如权利要求1所述的处理器，其中所述边界是使用训练的一个或更多个神经网络识别的，所述一个或更多个神经网络是在第一阶段中使用半监督和自监督表示学习、在第二阶段中利用概率弱监督所训练的。
6.如权利要求1所述的处理器，其中所述对象是肿瘤以及所述图像是组织病理学图像。
7.一种系统，包括：
8.如权利要求7所述的系统，其中关于所述大小的所述信息是对所述对象占据的所述图像所估计的百分比。
9.如权利要求7所述的系统，其中所述一个或更多个处理器进一步用于：至少部分地基于所述图像内的所述对象的仅一部分的用户生成的轮廓来识别所述对象的边界。
10.如权利要求9所述的系统，其中所述用户生成的轮廓是具有
11.如权利要求7所述的系统，其中所述边界是使用训练的一个或更多个神经网络识别的，所述一个或更多个神经网络是在第一阶段中使用半监督和自监督表示学习、在第二阶段中利用概率弱监督所训练的。
12.如权利要求7所述的系统，其中所述对象是肿瘤以及所述图像是组织病理学图像。
13.一种方法，包括：
14.如权利要求13所述的方法，其中所述用户生成的轮廓是具有位于所述对象的所述边界附近的点的多边形。
15.如权利要求13所述的方法，进一步包括：
16.如权利要求15所述的方法，其中关于所述大小的所述信息是对所述对象占据的所述图像所估计的百分比。
17.如权利要求13所述的方法，其中所述边界是使用训练的一个或更多个神经网络识别的，所述一个或更多个神经网络是在第一阶段中使用半监督和自监督表示学习、在第二阶段中利用概率弱监督所训练的。
18.如权利要求13所述的方法，其中所述对象是肿瘤以及所述图像是组织病理学图像。
19.一种机器可读介质，具有存储在其上的指令集，所述指令集如果由一个或更多个处理器执行，则使所述一个或更多个处理器至少：
20.如权利要求19所述的机器可读介质，其中关于所述大小的所述信息是对所述对象占据的所述图像所估计的百分比。
21.如权利要求19所述的机器可读介质，其中所述一个或更多个处理器进一步用于：至少部分地基于所述图像内的所述对象的仅一部分的用户生成的轮廓来识别所述对象的边界。
22.如权利要求21所述的机器可读介质，其中所述用户生成的轮廓是具有位于所述对象的所述边界附近的点的多边形。
23.如权利要求19所述的机器可读介质，其中所述边界是使用训练的一个或更多个神经网络识别的，所述一个或更多个神经网络是在第一阶段中使用半监督和自监督表示学习、在第二阶段中利用概率弱监督所训练的。
24.如权利要求19所述的机器可读介质，其中所述对象是肿瘤以及所述图像是组织病理学图像。
25.一种图像注释系统，包括：
26.如权利要求25所述的图像注释系统，其中所述用户生成的轮廓是具有位于所述对象的所述边界附近的点的多边形。
27.如权利要求25所述的图像注释系统，其中所述一个或更多个处理器进一步用于：进一步基于由用户提供的关于所述图像内的所述对象的大小的信息来识别所述对象的所述边界。
28.如权利要求27所述的图像注释系统，其中关于所述大小的所述信息是对所述对象占据的所述图像所估计的百分比。
29.如权利要求25所述的图像注释系统，其中所述边界是使用训练的一个或更多个神经网络识别的，所述一个或更多个神经网络是在第一阶段中使用半监督和自监督表示学习、在第二阶段中利用概率弱监督所训练的。
30.如权利要求25所述的图像注释系统，其中所述对象是肿瘤以及所述图像是组织病理学图像。
...【技术特征摘要】
【国外来华专利技术】
1.一种处理器，包括：
2.如权利要求1所述的处理器，其中所述用户生成的轮廓是具有位于所述对象的所述边界附近的点的多边形。
3.如权利要求1所述的处理器，其中所述一个或更多个电路进一步用于：
4.如权利要求3所述的处理器，其中关于所述大小的所述信息是对所述对象占据的所述图像所估计的百分比。
5.如权利要求1所述的处理器，其中所述边界是使用训练的一个或更多个神经网络识别的，所述一个或更多个神经网络是在第一阶段中使用半监督和自监督表示学习、在第二阶段中利用概率弱监督所训练的。
6.如权利要求1所述的处理器，其中所述对象是肿瘤以及所述图像是组织病理学图像。
7.一种系统，包括：
8.如权利要求7所述的系统，其中关于所述大小的所述信息是对所述对象占据的所述图像所估计的百分比。
9.如权利要求7所述的系统，其中所述一个或更多个处理器进一步用于：至少部分地基于所述图像内的所述对象的仅一部分的用户生成的轮廓来识别所述对象的边界。
10.如权利要求9所述的系统，其中所述用户生成的轮廓是具有位于所述对象的所述边界附近的点的多边形。
11.如权利要求7所述的系统，其中所述边界是使用训练的一个或更多个神经网络识别的，所述一个或更多个神经网络是在第一阶段中使用半监督和自监督表示学习、在第二阶段中利用概率弱监督所训练的。
12.如权利要求7所述的系统，其中所述对象是肿瘤以及所述图像是组织病理学图像。
13.一种方法，包括：
14.如权利要求13所述的方法，其中所述用户生成的轮廓是具有位于所述对象的所述边界附近的点的多边形。
15.如权利要求13所述的方法，进一步包括：
16.如权利要求15所述的方法，其中关于所述大小的所述信息是对所述对象占据的所述图像所估计的百分比。
17.如权利要求13所述的方法，其中所述边界是使用训练的一个或更多个神经网络识别的，所述一个或更多个神经网络是在第一阶段中使用半...
【专利技术属性】
技术研发人员：徐子乐，A·迈伦恩科，杨栋，H·R·罗斯，赵灿，王潚崧，徐大光，
申请(专利权)人：辉达公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。