[发明专利]图像处理方法、装置、存储介质、设备以及系统

权利要求书

1.一种图像处理方法，其特征在于，应用于医疗影像领域，所述方法包括：

获取待检测的消化道内镜影像；

基于第一模型对所述待检测的消化道内镜影像进行分类，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且在所述第一训练数据集中的样本图像的实际标签和预测标签之间的不一致程度满足预设条件时得到的，所述第一训练数据集包括纯净数据集和n-1个噪音数据集，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，所述标注一致指代对于同一张样本图像，不同的标注人员标注的标签相同；所述标注不一致指代对于同一张样本图像，不同的标注人员标注的标签不同；所述第二训练数据集包括所述纯净数据集和n-2个噪音数据集，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；所述样本图像是由专业标注人员进行人工标注的，所述样本图像为针对消化道部位的消化道内镜影像；

所述样本图像的所述实际标签的获取过程，包括：

获取所述专业标注人员对所述样本图像的所述标注标签；

获取所述第二模型对所述样本图像的所述预测标签；

按照预设的权重比例，基于所述样本图像的所述标注标签和所述第二模型输出的所述预测标签，生成所述样本图像的实际标签。

2.根据权利要求1所述的方法，其特征在于，所述第一模型的训练过程，包括：

在所述第二模型的约束下，基于所述纯净数据集和n-1个噪音数据集进行模型训练，得到所述第一模型。

3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：

基于所述纯净数据集进行模型训练，得到辅助模型；

在所述辅助模型的约束下，基于所述纯净数据集和所述第n-1噪音数据集进行模型训练，得到第n-1模型；

在所述第n-1模型的约束下，基于所述纯净数据集、所述第n-1噪音数据集和所述第n-2噪音数据集进行模型训练，得到第n-2模型；

以此类推，重复执行在上一步训练过程中得到的模型的约束下，基于与当前训练过程匹配的训练数据集进行模型训练的过程，直至得到所述第一模型。

4.根据权利要求2所述的方法，其特征在于，所述在所述第二模型的约束下，基于所述纯净数据集和n-1个噪音数据集进行模型训练，包括：

将所述纯净数据集和n-1个噪音数据集中的样本图像输入深度神经网络；

获取所述深度神经网络对所述样本图像的预测标签；

基于损失函数，不断迭代更新所述深度神经网络的网络参数，直至所述深度神经网络收敛，所述损失函数用于衡量所述样本图像的所述实际标签与所述预测标签的不一致程度；

其中，所述实际标签基于所述第二模型输出的相应预测标签得到。

5.根据权利要求1所述的方法，其特征在于，应用下述公式，生成所述样本图像的所述实际标签：

其中，指代所述样本图像的所述实际标签；λ指代可调节系数，其取值为一个常数；y指代所述样本图像的所述标注标签；s指代上一步训练过程中得到的模型对所述样本图像的所述预测标签。

6.根据权利要求4所述的方法，其特征在于，所述损失函数的计算公式为：

L(y_i,f(x_i))＝l(λy_i+(1-λ)s_i,f(x_i))

其中，λ指代可调节系数，其取值为一个常数；i的取值为正整数，x_i指代第i个样本图像，y_i为所述标注人员对样本图像x_i的标注标签，f(x_i)指代当前训练的模型对样本图像x_i的预测标签，s_i指代上一步训练过程中得到的模型对样本图像x_i的预测标签。