(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211146642.3 (22)申请日 2022.09.21 (71)申请人 真健康(北京)医疗科技有限公司 地址 100192 北京市海淀区永 泰庄北路1号 天地邻枫2号楼3层3 08室 (72)发明人 张昊任　史纪鹏　沈亚奇　陈向前　 (74)专利代理 机构 北京力致专利代理事务所 (特殊普通 合伙) 11900 专利代理师 陈博旸 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/25(2022.01) G06V 10/26(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 胸腹图像识别模型的训练方法及设备 (57)摘要 本发明提供一种胸腹图像识别模型的训练 方法及设备， 所述方法包括： 获取训练数据， 包括 有标签的胸腹图像和无标签的胸腹图像； 利用神 经网络模型对胸腹图像进行识别， 神经网络模型 包括教师网络和学生网络； 基于不确定性数据和 教师网络输出的第一识别结果， 确定感兴趣目标 的边界体素， 在第一识别结果中提取至少部分边 界体素的特征数据， 进而计算边界对比损失 ， 根据教师网络和学生网络输出的第一识别结果 以及不确定性数据计算一致性损失 ， 根据第二 识别结果和标签的差异计算有监督损失 ； 根据 边界对比损失 、 一致性损失 和有监督损失 计算整体损失， 并基于整体损失更新神经网络模 型的参数。 权利要求书2页 说明书8页 附图2页 CN 115222742 A 2022.10.21 CN 115222742 A 1.一种胸腹图像识别模型的训练方法， 其特 征在于， 包括： 获取训练数据， 包括有标签的胸腹图像和无标签的胸腹图像， 所述标签是针对所述胸 腹图像中的感兴趣目标的标注信息， 所述感兴趣目标为组织器官或者病灶； 利用神经网络模型对所述胸腹图像进行识别， 所述神经网络模型包括教师网络和学生 网络， 所述教师网络和所述学生网络分别对所述无标签的胸腹图像进行识别， 分别输出用 于表征所述感兴趣目标的第一识别结果； 所述学生网络还对所述有标签的胸腹图像进 行识 别， 输出用于表征所述感兴趣目标的第二识别结果； 所述教师网络还对多个加入扰动数据 的所述胸腹图像进行识别， 输出用于表征所述感兴趣目标 的第三识别结果， 并根据多个所 述第三识别结果计算 不确定性数据； 基于所述不确定性数据和所述教师网络输出的第 一识别结果， 确定所述感兴趣目标的 边界体素， 在所述第一识别结果中提取至少 部分所述边界体素 的特征数据， 进而计算边界 对比损失 ， 根据所述教师网络和所述学生网络输出的第一识别结果以及所述不确定性数 据计算一致性损失 ， 根据所述第二识别结果和所述标签的差异计算有监 督损失 ； 根据边界对比损失 、 一致性损失 和有监督损失 计算整体损失， 并基于所述整体 损失更新所述神经网络模型的参数。 2.根据权利要求1所述的方法， 其特征在于， 所述教师网络和所述学生网络分别包括一 个编码器和两个解码器， 所述两个解码器并行输出所述第一识别结果、 所述第二识别结果 和所述第三识别结果； 在计算所述对比损失 和所述一致性损失 时， 所述教师网络和所 述学生网络的两个解码器 被配置为交叉对应。 3.根据权利要求1所述的方法， 其特征在于， 所述教师网络的所述参数利用所述学生网 络的所述 参数计算得到： 其中， 是所述教师网络在第t个训练时刻的所述参数， 是所述教师网络在第 个训练时刻的所述参数， 是所述学生网络在 t个训练时刻的所述参数， 是控制移动 平均的程度系数。 4.根据权利要求1所述的方法， 其特征在于， 所述第一识别结果、 所述第二识别结果和 所述第三识别结果分别包括针对所述感兴趣目标的分割结果、 每个体素到感兴趣目标边缘 的距离以及高层特 征数据。 5.根据权利要求4所述的方法， 其特征在于， 所述不确定性数据包括分割结果不确定性 数据 和距离不确定性数据 。 6.根据权利要求4所述的方法， 其特征在于， 确定所述感兴趣目标的边界体素， 在所述 第一识别结果中提取至少部分所述 边界体素的特 征数据， 具体包括： 利用所述分割结果不确定性 数据 和预设不确定性阈值对所述教师网络输出的第一权　利　要　求　书 1/2 页 2 CN 115222742 A 2识别结果中的分割结果所指示的感兴趣目标的边界体素进 行筛选， 得到高置信度的边界体 素集合； 对所述高置信度的边界体素集 合中进一 步选取部分边界体素； 分别所述学生网络和所述教师网络输出的高层特征数据中提取所述部分边界体素的 高层特征数据。 7.根据权利要求6所述的方法， 其特 征在于， 计算 边界对比损失 ， 具体包括： 从所述学生网络 输出的高层特 征数据中提取部分背景体素的高层特 征数据； 利用所述部分边界体素的高层特征数据和所述部分背景体素的高层特征数据计算所 述边界对比损失 。 8.根据权利要求5所述的方法， 其特征在于， 根据 所述教师网络和所述学生网络输出的 第一识别结果以及所述 不确定性数据计算 一致性损失 ， 具体包括： 根据所述教师网络和所述学生网络 输出的分割结果计算分割损失 ； 根据所述教师网络和所述学生网络输出的每个体素到感兴趣目标边缘的距离计算距 离损失 ； 利用分割结果不确定性数据 、 距离不确定性数据 、 分割损失 和距离损失 计算一致性损失 。 9.根据权利要求 1所述的方法， 其特征在于， 整体损失计算方式为 ， 其中 为所述整体损失， 为预设系数。 10.一种胸腹图像识别模型的训练设备， 其特征在于， 包括： 至少一个处理器； 以及与 所 述至少一个处理器通信连接的存储器； 其中， 所述存储器存储有可被所述至少一个处理器 执行的指令， 所述指令被所述至少一个处理器执行， 以使所述至少一个处理器执行如权利 要求1‑9中任意一项所述的胸腹图像识别模型的训练方法。权　利　要　求　书 2/2 页 3 CN 115222742 A 3