[发明专利]用于内窥镜的组织腔体定位方法、装置、介质及设备有效
申请号: | 202111039749.3 | 申请日: | 2021-09-06 |
公开(公告)号: | CN113496512B | 公开(公告)日: | 2021-12-17 |
发明(设计)人: | 石小周;赵家英;李永会;杨延展;边成 | 申请(专利权)人: | 北京字节跳动网络技术有限公司 |
主分类号: | G06T7/70 | 分类号: | G06T7/70;G06K9/46;G06K9/62;A61B1/04 |
代理公司: | 北京英创嘉友知识产权代理事务所(普通合伙) 11447 | 代理人: | 曹寒梅 |
地址: | 100041 北京市石景山区*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 用于 内窥镜 组织 定位 方法 装置 介质 设备 | ||
1.一种用于内窥镜的组织腔体定位方法,其特征在于,所述方法包括:
接收待识别的腔体图像,所述腔体图像是由内窥镜在其所处位置获取到的;
根据关键点识别模型和所述腔体图像,获得所述腔体图像对应的组织腔体的中心点,所述中心点用于表示所述内窥镜在其所处位置的下一目标移动位置;
其中,所述关键点识别模型包含学生子网络、教师子网络以及判别子网络,所述学生子网络和所述教师子网络的网络结构相同,所述教师子网络用于确定所述学生子网络中的训练图像对应的预测标注特征,在所述关键点识别模型的训练过程中,所述学生子网络对应的预测损失的权重是基于所述教师子网络的预测标注特征和所述判别子网络确定出的;
其中,所述关键点识别模型通过如下方式进行训练:
获取多组训练样本,其中,所述多组训练样本包括第一训练样本和第二训练样本,所述第一训练样本包含训练图像,所述第二训练样本包含训练图像以及所述训练图像对应的关键点特征,所述关键点特征用于标识所述训练图像对应的组织腔体的中心点;
采用不同的预处理方式对所述训练图像进行预处理,获得与所述训练图像对应的第一处理图像和第二处理图像;
根据所述第一处理图像和所述学生子网络,获得第一预测图像,以及根据所述第二处理图像和所述教师子网络,获得第二预测图像;
根据所述第一预测图像、所述第二预测图像和所述判别子网络,确定所述学生子网络的预测损失和所述预测损失对应的权重;
基于所述预测损失以及所述预测损失的权重,确定所述学生子网络对应的目标损失;
在满足更新条件的情况下,根据所述目标损失对所述学生子网络和教师子网络的参数进行更新;
确定所述判别子网络的损失,并根据所述判别子网络的损失更新所述判别子网络的参数。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一预测图像、所述第二预测图像和所述判别子网络,确定所述学生子网络的预测损失和所述预测损失对应的权重,包括:
计算所述第一预测图像和所述第二预测图像之间的均方误差,获得预测损失;
将所述第二预测图像和所述训练图像进行拼接,获得判别图像;
根据所述判别图像和所述判别子网络,获取所述第二预测图像对应的置信度,并将所述置信度确定为所述预测损失对应的权重。
3.根据权利要求2所述的方法,其特征在于,所述学生子网络和所述教师子网络中的特征处理网络为多层且层数相同;
所述计算所述第一预测图像和所述第二预测图像之间的均方误差,获得预测损失,包括:
根据所述学生子网络和教师子网络中的对应于同一层特征处理网络输出的特征预测图像计算均方误差,其中,所述第一预测图像为所述学生子网络中最后一层特征处理网络输出的特征预测图像,所述第二预测图像为所述教师子网络中最后一层特征处理网络输出的特征预测图像;
将每一层特征处理网络对应的均方误差的平均值确定为所述预测损失。
4.根据权利要求1所述的方法,其特征在于,在所述训练样本为第一训练样本的情况下,所述基于所述预测损失以及所述预测损失的权重,确定所述学生子网络对应的目标损失,包括:
根据所述第一预测图像以及所述第一预测图像对应的预设标签特征,确定所述学生子网络的生成损失;
基于所述生成损失和所述预测损失分别对应的权重,对所述生成损失和所述预测损失进行加权求和,并将所得的结果确定为所述目标损失。
5.根据权利要求1所述的方法,其特征在于,在所述训练样本为第二训练样本的情况下,所述基于所述预测损失以及所述预测损失的权重,确定所述学生子网络对应的目标损失,包括:
根据所述第一预测图像以及所述第一预测图像对应的预设标签特征,确定所述学生子网络的生成损失;
计算所述第一预测图像与所述训练图像对应的关键点特征之间的均方误差,获得输出损失;
基于所述生成损失和所述预测损失分别对应的权重,对所述生成损失和所述预测损失进行加权求和,并将所得的结果与所述输出损失之和确定为所述目标损失。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京字节跳动网络技术有限公司,未经北京字节跳动网络技术有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202111039749.3/1.html,转载请声明来源钻瓜专利网。