申请/专利权人：四川大学华西医院

申请日：2022-03-09

公开（公告）日：2023-05-26

公开（公告）号：CN114612717B

主分类号：G06V10/764

分类号：G06V10/764;G06N3/0464;G06N3/08;G06V10/774;G06V10/30

优先权：

专利状态码：有效-授权

法律状态：2023.05.26#授权;2022.06.28#实质审查的生效;2022.06.10#公开

摘要：本发明公开了AI模型训练标签生成方法、训练方法、使用方法及设备，基于带噪声的训练标签和样本生成更好的的训练标签，从而提高AI模型预测性能。AI模型训练标签生成方法，所述AI模型用于接收输入图像并预测所述输入图像中的目标区域然后发出用特定像素值来显示所预测出的目标区域的输出图像，其包括：获得第一原始样本NS1；获得第二原始样本NS2；根据所述第一原始样本NS1建立第一原始样本第一新标签图像T1，根据第二原始样本NS2建立第二原始样本第一新标签图像T2；根据所述第一原始样本NS1建立第一原始样本第二新标签图像T3；根据所述第二原始样本NS2建立第二原始样本第二新标签图像T4。

主权项：1.一种AI模型训练标签生成方法，其特征在于：所述AI模型用于接收输入图像并预测所述输入图像中的目标区域然后发出用特定像素值来显示所预测出的目标区域的输出图像，其包括：获得第一原始样本NS1，所述第一原始样本NS1包含第一原始样本图像IS1和与所述第一原始样本图像IS1对应的第一原始标签图像NLS1，所述第一原始标签图像NLS1上显示有第一多边形，所述第一多边形可映射到所述第一原始样本图像IS1中而将所述第一原始样本图像IS1划分为位于所述第一多边形内且含有噪声的第一原始样本图像目标区域和位于所述第一多边形外且含有噪声的第一原始样本图像目标外区域；获得第二原始样本NS2，所述第二原始样本NS2包含第二原始样本图像IS2和与所述第二原始样本图像IS2对应的第二原始标签图像NLS2，所述第二原始标签图像NLS2上显示有第二多边形，所述第二多边形可映射到所述第二原始样本图像IS2中而将所述第二原始样本图像IS2划分为位于所述第二多边形内且含有噪声的第二原始样本图像目标区域和位于所述第二多边形外且含有噪声的第二原始样本图像目标外区域；根据所述第一原始样本NS1建立第一原始样本第一新标签图像T1，所述第一原始样本第一新标签图像T1是通过将所述第一原始样本图像目标区域的像素值设为第一定值并将所述第一原始样本图像目标外区域的像素值设为第二定值而获得的；并且，根据第二原始样本NS2建立第二原始样本第一新标签图像T2，所述第二原始样本第一新标签图像T2是通过将所述第二原始样本图像目标区域的像素值设为第一定值并将所述第二原始样本图像目标外区域的像素值设为第二定值而获得的；所述第一定值与所述第二定值不同；根据所述第一原始样本NS1建立第一原始样本第二新标签图像T3，所述第一原始样本第二新标签图像T3是通过将所述第一原始样本图像IS1输入经训练的第二FCN卷积神经网络后将所述第二FCN卷积神经网络输出的中间图像中像素值大于0.5的像素点的像素值调整为所述第一定值并将该中间图像中像素值小于0.5的像素点的像素值调整为所述第二定值后获得的，所述第二FCN卷积神经网络用于以所述第二原始样本图像IS2为输入且输出与所述第二原始样本图像IS2尺度一致的中间图像，所述中间图像中各像素点的像素值在0-1之间，可表示趋近于所述第一定值的概率；根据所述第二原始样本NS2建立第二原始样本第二新标签图像T4，所述第二原始样本第二新标签图像T4是通过将所述第一原始样本图像IS2输入经训练的第一FCN卷积神经网络然后将所述第一FCN卷积神经网络输出的中间图像中像素值大于0.5的像素点的像素值调整为所述第一定值并将该中间图像中像素值小于0.5的像素点的像素值调整为所述第二定值后获得的，所述第一FCN卷积神经网络用于以所述第一原始样本图像IS1为输入且输出与所述第一原始样本图像IS1尺度一致的中间图像，所述中间图像中各像素点的像素值在0-1之间，可表示趋近于所述第一定值的概率；所述第二FCN卷积神经网络是以所述第二原始样本图像IS2为输入且以所述第二原始样本第一新标签图像T2为目标输出训练得到的，训练时，将所述第二FCN卷积神经网络的实际输出与所述目标输出构建交叉熵损失函数，采用随机梯度下降方法最小化交叉熵损失函数值，进而优化所述第二FCN卷积神经网络的参数，得到经训练的第二FCN卷积神经网络；并且或者，所述第一FCN卷积神经网络是以所述第一原始样本图像IS1为输入且以所述第一原始样本第一新标签图像T1为目标输出训练得到的，训练时，将所述第一FCN卷积神经网络的实际输出与所述目标输出构建交叉熵损失函数，采用随机梯度下降方法最小化交叉熵损失函数值，进而优化所述第一FCN卷积神经网络的参数，得到经训练的第一FCN卷积神经网络。

全文数据：

权利要求：

百度查询： 四川大学华西医院 AI模型训练标签生成方法、训练方法、使用方法及设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD