(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 202210583592.9 (22)申请日 2022.05.25 (71)申请人 小荷医疗器 械 （海南） 有限公司 地址 571924 海南省澄迈县老城镇高新 技 术产业示范区海南生态软件园沃克公 园8814一层1-2 (72)发明人 刘威　刘腾营　边成　张志诚　 李永会　 (74)专利代理 机构 北京英创嘉友知识产权代理 事务所(普通 合伙) 11447 专利代理师 温易娜 (51)Int.Cl. G06V 10/40(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06V 10/25(2022.01) G06V 10/764(2022.01) G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 模型训练方法、 息肉检测方法、 相应装置、 介 质及设备 (57)摘要 本公开涉及一种模型训练方法、 息肉检测方 法、 相应装置、 介质及设备， 训练方法包括： 获取 息肉检测模型； 将训练图像输入息肉检测模型， 通过特征提取网络， 获得不同尺度的多个特征 图； 通过息肉检测分支， 根据多个特征图检测训 练图像中息肉目标的位置， 计算检测损失； 通过 对比学习分支， 从多个特征图中提取正样本特征 和负样本特征， 并根据正样本特征与正样本目标 特征间的距离， 以及负样本特征与负样本目标特 征间的距离， 计算对比损失； 根据检测损失和对 比损失获得联合损失， 根据联合损失更新息肉检 测分支和对比学习分支。 这样得到的模型能够对 形状类似息肉的疑似目标具有很好的判别能力， 且对于不同应用场景， 均能够准确得到图像中息 肉目标的位置 。 权利要求书3页 说明书14页 附图5页 CN 114863124 A 2022.08.05 CN 114863124 A 1.一种模型训练方法， 其特 征在于， 包括： 获取息肉检测模型， 所述息肉检测模型包括特征提取网络、 息肉检测分支和对比学习 分支； 将训练图像输入所述息肉检测模型， 通过所述特征提取网络， 从所述训练图像中提取 特征， 获得不同尺度的多个特 征图； 通过所述息肉检测分支， 根据所述多个特征图检测所述训练图像中息肉目标的位置， 根据检测结果计算检测损失； 通过所述对比学习分支， 从所述多个特征图中提取对应于息肉目标的正样本特征和对 应于非息肉目标的负样本特征， 并根据所述正样本特征与正样本目标特征间的距离， 以及 所述负样本特征与负样本目标 特征间的距离， 计算对比损失； 根据所述检测损失和所述对比损失获得联合损失， 根据 所述联合损失更新所述息肉检 测分支和所述对比学习分支。 2.根据权利要求1所述的方法， 其特征在于， 所述息肉检测模型还包括图像分类分支， 在通过所述特征提取网络， 从所述训练图像中提取特征， 获得不同尺度的多个特征图之后， 所述方法还 包括： 通过所述图像分类分支， 根据 所述多个特征图中的顶层特征图对所述训练图像中是否 含有息肉 目标进行分类， 根据分类结果计算分类损失； 所述根据 所述检测损失和所述对比损失获得联合损失， 根据所述联合损失更新所述息 肉检测分支和所述对比学习分支， 包括： 根据所述检测损 失、 所述对比损 失和所述分类损 失获得联合损 失， 根据所述联合损 失 更新所述息肉检测分支、 所述对比学习分支和所述图像分类分支。 3.根据权利要求1或2所述的方法， 其特征在于， 所述从所述多个特征图中提取对应于 息肉目标的正样本特 征和对应于非息肉 目标的负 样本特征， 包括： 根据所述训练图像的息肉目标标注， 确定每个所述特征图中每个像素位置的标签； 其 中， 所述特征图中对应于息肉目标的像素位置的标签为正样本， 对应于非息肉目标 的像素 位置的标签为负 样本； 根据每个所述特征图中每个像素位置的标签， 从所述多个特征图中采样正样本对应的 多个正样本特 征和负样本对应的多个负 样本特征。 4.根据权利要求3所述的方法， 其特征在于， 所述根据每个所述特征图中每个像素位置 的标签， 从所述多个特征图中采样正样本对应的多个正样本特征和负样本对应的多个负样 本特征， 包括： 根据每个所述特征图中每个像素位置的标签， 从所述多个特征图中采样正样本对应的 所有正样本特征， 以及随机采样负样本对应的k*Np个负样本特征； 其中， Np为采样的正样本 特征的数量， k 为预设系数。 5.根据权利要求3所述的方法， 其特征在于， 所述根据所述正样本特征与正样本目标特 征间的距离， 以及所述负 样本特征与负样本目标 特征间的距离， 计算对比损失， 包括： 对每个正样本特征、 每个负样本特征、 正样本目标特征和负样本目标特征进行L2归一 化； 根据归一化后的每个正样本特征与正样本目标特征间的距离， 和归一化后的每个负样权　利　要　求　书 1/3 页 2 CN 114863124 A 2本特征与负样本目标 特征间的距离， 计算类内损失； 根据归一化后的每个正样本特征与负样本目标特征间的距离， 和归一化后的每个负样 本特征与正样本目标 特征间的距离， 计算类间损失； 根据所述类内损失和所述类间损失， 计算所述对比损失。 6.根据权利要求5所述的方法， 其特征在于， 所述类内损 失、 所述类间损 失和所述对比 损失通过如下公式计算： Lcon＝Lpos+Lneg； 其中， Lpos为所述类内损失， Lneg为所述类间损失， Lcon为所述对比损失， cos()表示计算 余弦相似度， max()表示取最大值， Np为采样的正样本特征 的数量， Nn为采样的负样本特征 的数量， p1为正样本目标特征， p0为负样本目标特征， 为归一化后的第i个正样本特征， 为归一化后的第i个负 样本特征。 7.根据权利要求1所述的方法， 其特征在于， 所述根据所述联合损失更新所述息肉检测 分支和所述对比学习分支， 包括： 根据所述联合损失更新所述息肉检测分支， 和所述对比学习分支中的所述正样本目标 特征和所述负 样本目标 特征。 8.一种息肉检测方法， 其特 征在于， 包括： 获取待检测图像； 将所述待检测图像输入目标息肉检测模型， 获得所述待检测图像中息肉目标的位置； 其中， 所述 目标息肉检测模型是基于权利要求1 ‑7任一项所述的方法对息肉检测模型进行 训练后得到的， 所述目标息肉检测模型包括特 征提取网络和息肉检测分支。 9.一种模型训练装置， 其特 征在于， 包括： 模型获取模块， 用于获取息肉检测模型， 所述息肉检测模型包括特征提取网络、 息肉检 测分支和对比学习分支； 特征提取模块， 用于将训练图像输入所述息肉检测模型， 通过所述特征提取网络， 从所 述训练图像中提取 特征， 获得不同尺度的多个特 征图； 息肉检测模块， 用于通过所述息肉检测分支， 根据所述多个特征图检测所述训练图像 中息肉目标的位置， 根据检测结果计算检测损失； 对比学习模块， 用于通过所述对比学习分支， 从所述多个特征图中提取对应于息肉目 标的正样本特征和对应于非息肉目标的负样本特征， 并根据所述正样本特征与正样本目标 特征间的距离， 以及所述负 样本特征与负样本目标 特征间的距离， 计算对比损失； 联合学习模块， 用于根据所述检测损 失和所述对比损 失获得联合损 失， 根据所述联合 损失更新所述息肉检测分支和所述对比学习分支。 10.一种息肉检测装置， 其特 征在于， 包括：权　利　要　求　书 2/3 页 3 CN 114863124 A 3