[发明专利]消化道内镜图像处理方法、装置、存储介质、设备及系统

说明书

本申请公开了一种消化道内镜图像处理方法、装置、存储介质、设备及系统，属于人工智能技术领域，涉及计算机视觉技术和机器学习技术。包括：获取待检测消化道内镜图像；基于第一模型对待检测消化道内镜图像进行分类，第一模型是在第二模型的约束下基于第一训练数据集训练得到的，第一训练数据集包括纯净数据集和噪音数据集，第二模型是在训练第一模型之前基于第二训练数据集训练得到的；纯净数据集包括标注一致的样本图像，噪音数据集包括标注不一致的样本图像，第二训练数据集为第一训练数据集的子集且包括纯净数据集，样本图像为消化道内镜图像。本申请实现在增加训练数据量的同时，又能够降低因标注标签出错对模型预测精准度的影响。

技术领域

本申请涉及人工智能技术领域，特别涉及一种消化道内镜图像处理方法、装置、存储介质、设备及系统。

背景技术

计算机视觉技术和机器学习技术作为人工智能的核心，其应用范围目前已经遍及各个领域，比如医疗领域便是其中一种。在医疗领域中，利用计算机视觉技术和机器学习技术对医疗影像进行处理，可实现对病人是否罹患某种疾病进行识别。比如，通过机器学习模型辅助医生进行消化道疾病检测。

相关技术在通过消化道内镜图像处理进行消化道疾病检测时，通常的做法是：获取一个训练数据集，该训练数据集中包括已标注的消化道内镜图像(也称为样本图像)；根据该训练数据集对某个深度神经网络进行训练，得到一个机器学习模型；之后，将待检测消化道内镜图像输入该机器学习模型中，即可得到该机器学习模型输出的预测结果。

针对上述消化道内镜图像处理方式，训练过程中通常是基于这样一个假设，即标注人员对样本图像的标注标签全部是正确的。然而，在某些情形下消化道内镜图像所表现出的病变特征，即使是一些经过专业训练的医生，也可能较难分辨其病变性质，即标注标签有一定的出错概率，对于该种情况，基于上述训练方式训练出来的机器学习模型的精度非常有限，会严重影响后续图像检测过程中的检测精准度。

发明内容

本申请实施例提供了一种消化道内镜图像处理方法、装置、存储介质、设备及系统，解决了相关技术存在的模型精度较差，进而导致在图像检测过程中检测精准度较差的问题。所述技术方案如下：

一方面，提供了一种消化道内镜图像处理方法，所述方法包括：

获取待检测消化道内镜图像；

基于第一模型对所述待检测消化道内镜图像进行分类，所述第一模型是在第二模型的约束下基于第一训练数据集训练得到的，所述第一训练数据集包括纯净数据集和噪音数据集，所述第二模型是在训练所述第一模型之前基于第二训练数据集训练得到的；

其中，所述纯净数据集包括标注一致的样本图像，所述噪音数据集包括标注不一致的样本图像，所述第二训练数据集为所述第一训练数据集的子集且包括所述纯净数据集，所述样本图像为消化道内镜图像。

另一方面，提供了一种消化道内镜图像处理装置，所述装置包括：

获取模块，用于获取待检测消化道内镜图像；

处理模块，用于基于第一模型对所述待检测消化道内镜图像进行分类，所述第一模型是在第二模型的约束下基于第一训练数据集训练得到的，所述第一训练数据集包括纯净数据集和噪音数据集，所述第二模型是在训练所述第一模型之前基于第二训练数据集训练得到的；

其中，所述纯净数据集包括标注一致的样本图像，所述噪音数据集包括标注不一致的样本图像，所述第二训练数据集为所述第一训练数据集的子集且包括所述纯净数据集，所述样本图像为消化道内镜图像。

在一种可能的实现方式中，所述噪音数据集的总个数为n-1个，n为不小于2的正整数；

其中，第n-1噪音数据集中包括n-1个标注人员标注一致的样本图像；第n-2噪音数据集中包括n-2个标注人员标注一致的样本图像；以此类推，第一噪音数据集中包括n个标注人员均标注不一致的样本图像。