本申请涉及一种图像数据处理方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取图像训练集，并基于编码器提取图像训练集中的图像结构特征和图像纹理特征；对图像结构特征和图像纹理特征进行重构，得到重构图像特征，并通过共享解码器对重构图像特征进行解码处理，得到重构损失值集；通过分类器对图像结构特征进行分类处理，得到分类损失值集，并基于重构损失值集和分类损失集更新编码器和共享解码器的参数；在更新后的编码器满足训练停止条件的情况下，将编码器中的共享编码器确定为特征提取模型；特征提取模型用于提取图像中的图像结构特征。采用本方法能够提高特征提取模型的准确性。
1、在日常的医院诊断过程中，需要通过特征提取模型对病变部位的图像进行特征提取，得到图像特征。然后，根据图像识别模型对医学图像特征进行识别处理，确定病变类型。但是在特征提取模型应用之前，需要预先对特征提取模型进行训练。
3、然而，由于采集设备的处理方式与构建图像样本中的处理方式存在差别，使得图像训练集中包含的图像样本存在较大的视觉偏差和分布偏差，进而导致特征提取模型在提取不同图像的图像特征时的准确性较低。
>6、在更新后的编码器满足训练停止条件的情况下，将所述编码器中的共享编码器确定为特征提取模型；所述特征提取模型用于提取图像中的图像结构特征。7、在其中一个实施例中，所述编码器包含共享编码器和领域特异性编码器，所述基于编码器提取所述图像训练集中的图像结构特征和图像纹理特征，包括：
8、基于所述共享编码器对所述图像训练集中的第一图像训练集进行编码处理，得到所述图像结构特征中的源图像结构特征；
9、基于所述共享编码器对所述图像训练集中的第二图像训练集进行编码处理，得到所述图像结构特征中的目标图像结构特征；
10、根据所述领域特异性编码器对所述图像训练集进行编码处理，得到所述图像纹理特征。
11、在其中一个实施例中，所述领域特异性编码器包含源领域特异性编码器和目标领域特异性编码器，所述图像纹理特征包含源图像纹理特征和目标图像纹理特征；所述根据所述领域特异性编码器对所述图像训练集进行编码处理，得到所述图像纹理特征，包括：
12、根据所述源领域特异性编码器对所述第一图像训练集进行编码处理，得到所述源图像纹理特征；
13、根据所述目标领域特异性编码器对所述第二图像训练集进行编码处理，得到所述目标图像纹理特征。
14、在其中一个实施例中，所述重构图像特征包含源图像特征、目标图像特征和混合图像特征，所述图像结构特包含源图像结构特征和目标图像结构特征，所述图像纹理特征包含源图像纹理特征和目标图像纹理特征；所述对所述图像结构特征和所述图像纹理特征进行重构，得到重构图像特征，包括：
15、拼接所述源图像结构特征和所述源图像纹理特征，得到所述源图像特征；
16、拼接所述目标图像结构特征和所述目标图像纹理特征，得到所述目标图像特征；
17、拼接所述源图像结构特征和所述目标图像纹理特征，得到所述混合图像特征中的第一混合图像特征；
18、拼接所述目标图像结构特征和所述源图像纹理特征，得到所述混合图像特征中的第二混合图像特征。
19、在其中一个实施例中，所述重构损失值包含源重构损失值、目标重构损失值、第一混合结构损失值、第一混合纹理损失值、第二混合结构损失值和第二混合纹理损失值；所述通过共享解码器对所述重构图像特征进行解码处理，得到重构损失值集，包括：
20、通过共享解码器对所述源图像特征进行解码处理，得到源图像，并确定源图像对应的源重构损失值；
21、通过所述共享解码器对所述目标图像特征进行解码处理，得到目标图像，并确定目标图像对应的目标重构损失值；
22、通过所述共享解码器对所述第一混合图像特征进行解码处理，得到第一混合图像，并确定所述第一混合图像对应的第一混合结构损失值和第一混合纹理损失值；
23、通过所述共享解码器对所述第二混合图像特征进行解码处理，得到第二混合图像，并确定所述第二混合图像对应的第二混合结构损失值和第二混合纹理损失值。
24、在其中一个实施例中，所述分类损失值集包含标签转移损失值、源分割损失值和目标分割损失值；所述分类器包含第一分类器和第二分类器；所述通过分类器对所述图像结构特征进行分类处理，得到分类损失值集，包括：
25、根据所述第一分类器对所述图像结构特征进行分类处理，得到标签转移损失值；所述第一分类器的梯度为反转梯度；
26、根据所述第二分类器对所述图像结构特征进行分类处理，并基于希尔伯特施密特独立标准优化方法优化分类后的所述图像结构特征，得到优化后的所述图像结构特征；
27、对优化后的所述图像结构特征进行加权处理，并根据加权处理后的所述图像结构特征确定源分割损失值和目标分割损失值。
28、在其中一个实施例中，所述在更新后的编码器满足训练停止条件的情况下，将所述编码器中的共享编码器确定为特征提取模型之前，所述方法还包括：
29、获取图像验证集，并基于图像验证集判断所述编码器是否达到过拟合对应的平衡点；
30、在所述编码器达到过拟合对应的平衡点的情况下，确定所述编码器达到预设的训练停止条件；
31、在所述编码器未达到过拟合对应的平衡点的情况下，确定所述编码器未达到所述训练停止条件，并执行所述获取图像训练集，并基于编码器提取所述图像训练集中的图像结构特征和图像纹理特征的步骤。
32、第二方面，本申请还提供了一种图像数据处理装置，包括：
33、获取模块，用于获取图像训练集，并基于编码器提取所述图像训练集中的图像结构特征和图像纹理特征；
34、重构模块，用于对所述图像结构特征和所述图像纹理特征进行重构，得到重构图像特征，并通过共享解码器对所述重构图像特征进行解码处理，得到重构损失值集；
35、分类模块，用于通过分类器对所述图像结构特征进行分类处理，得到分类损失值集，并基于所述重构损失值集和分类损失集更新所述编码器和所述共享解码器的参数；
36、确定模块，用于在更新后的编码器满足训练停止条件的情况下，将所述编码器中的共享编码器确定为特征提取模型；所述特征提取模型用于提取图像中的图像结构特征。
37、第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
38、获取图像训练集，并基于编码器提取本文档来自技高网...
【技术保护点】
1.一种图像数据处理方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述编码器包含共享编码器和领域特异性编码器，所述基于编码器提取所述图像训练集中的图像结构特征和图像纹理特征，包括：
3.根据权利要求2所述的方法，其特征在于，所述领域特异性编码器包含源领域特异性编码器和目标领域特异性编码器，所述图像纹理特征包含源图像纹理特征和目标图像纹理特征；所述根据所述领域特异性编码器对所述图像训练集进行编码处理，得到所述图像纹理特征，包括：
4.根据权利要求1所述的方法，其特征在于，所述重构图像特征包含源图像特征、目标图像特征和混合图像特征，所述图像结构特包含源图像结构特征和目标图像结构特征，所述图像纹理特征包含源图像纹理特征和目标图像纹理特征；所述对所述图像结构特征和所述图像纹理特征进行重构，得到重构图像特征，包括：
5.根据权利要求4所述的方法，其特征在于，所述重构损失值包含源重构损失值、目标重构损失值、第一混合结构损失值、第一混合纹理损失值、第二混合结构损失值和第二混合纹理损失值；所述通过共享解码器对所述重构图像特征进行解码处理，得到重构损失值集，包括：
6.根据权利要求1所述的方法，其特征在于，所述分类损失值集包含标签转移损失值、源分割损失值和目标分割损失值；所述分类器包含第一分类器和第二分类器；所述通过分类器对所述图像结构特征进行分类处理，得到分类损失值集，包括：
7.根据权利要求1所述的方法，其特征在于，所述在更新后的编码器满足训练停止条件的情况下，将所述编码器中的共享编码器确定为特征提取模型之前，所述方法还包括：
8.一种图像数据处理装置，其特征在于，所述装置包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...
【技术特征摘要】
1.一种图像数据处理方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述编码器包含共享编码器和领域特异性编码器，所述基于编码器提取所述图像训练集中的图像结构特征和图像纹理特征，包括：
3.根据权利要求2所述的方法，其特征在于，所述领域特异性编码器包含源领域特异性编码器和目标领域特异性编码器，所述图像纹理特征包含源图像纹理特征和目标图像纹理特征；所述根据所述领域特异性编码器对所述图像训练集进行编码处理，得到所述图像纹理特征，包括：
4.根据权利要求1所述的方法，其特征在于，所述重构图像特征包含源图像特征、目标图像特征和混合图像特征，所述图像结构特包含源图像结构特征和目标图像结构特征，所述图像纹理特征包含源图像纹理特征和目标图像纹理特征；所述对所述图像结构特征和所述图像纹理特征进行重构，得到重构图像特征，包括：
5.根据权利要求4所述的方法，其特征在于，所述重构损失值包含源重构损失值、目标重构损失值、第一混合结构损失值、第一混...
【专利技术属性】
技术研发人员：黄雨，张嘉羽，吴中海，岳伟华，李航，楼轶维，
申请(专利权)人：北京大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。