[发明专利]一种分类器模型的形成方法及系统

权利要求书

1.一种分类器模型的形成方法，所述分类器模型用于对卵巢肿瘤超声图像进行识别和分类，其特征在于，预先准备包括真实的卵巢肿瘤超声图像的第一图像数据集合，还包括：

步骤S1，将所述第一图像数据集合与随机采样噪声数据作为输入数据输入至一生成式对抗网络，经过所述生成式对抗网络的处理后生成一第二图像数据集合，所述第二图像数据集合中包括合成卵巢肿瘤超声图像的图像数据；

步骤S2，将所述第二图像数据集合中的图像数据进行分类标记后作为训练数据进行训练，形成一第一分类器模型；

步骤S3，将所述第一图像数据集合进行分类标记后作为训练数据，输入所述第一分类器模型进行模型训练，形成一第二分类器模型，将所述第二分类器模型作为所述卵巢肿瘤超声图像的分类器模型使用。

2.根据权利要求1所述的图像分类方法，其特征在于，所述随机采样噪声数据为基于正态分布的随机采样噪声数据。

3.根据权利要求1所述的图像分类方法，其特征在于，所述步骤S1具体包括：

步骤S10，根据所述第一图像数据集合和所述随机采样噪声数据生成第一合成图像数据集合；

步骤S11，对所述第一合成图像数据集合再次进行特征学习，生成所述第二合成图像数据集合。

步骤S12，采用卷积神经网络结构对所述第二合成图像数据集合进行数据真实度判别，以生成所述第二图像数据集合。

4.根据权利要求3所述的图像分类方法，其特征在于，所述卷积神经网络为全卷积网络。

5.根据权利要求1所述的图像分类方法，其特征在于，所述第一分类器模型基于密集连接卷积网络建立。

6.一种分类器模型的形成系统，所述分类器模型用于对卵巢肿瘤超声图像进行识别和分类，其特征在于，包括：

第一存储模块，用于存储包括真实的卵巢肿瘤超声图像的第一图像数据集合；

噪声生成模块，用于生成随机采样噪声数据；

生成对抗网络模块，连接所述第一存储模块和所述噪声生成模块，用于构建一生成式对抗网络，所述生成式对抗网络将所述第一图像数据集合与所述随机采样噪声数据作为输入数据，经过处理后生成一第二图像数据集合，所述第二图像数据集合中包括合成卵巢肿瘤超声图像的图像数据；

第二存储模块，连接所述生成对抗网络模块，用于存储所述第二图像数据集合；

第一训练模块，连接所述第二存储模块，用于将所述第二图像数据集合中的图像数据进行分类标记后作为训练数据进行训练，形成一第一分类器模型；

第二训练模块，连接所述第一训练模块和所述第一存储模块，用于将所述第一图像数据集合进行分类标记后作为训练数据，输入所述第一分类器模型进行模型训练，形成一第二分类器模型。

7.根据权利要求6所述的分类器模型的形成系统，其特征在于，所述生成对抗网络模块进一步包括：

第一网络单元，用于根据所述第一图像数据集合和所述随机采样噪声数据生成第一合成图像数据集合；

第二网络单元，连接所述第一网络单元，用于对所述第一合成图像数据集合再次进行特征学习，生成所述第二合成图像数据集合；

判别单元，连接所述第二网络单元，用于采用卷积神经网络结构进行数据真实度判别，以生成所述第二图像数据集合。

8.根据权利要求7所述的分类器模型的形成系统，其特征在于，所述卷积神经网络为全卷积网络。

9.根据权利要求6所述的分类器模型的形成系统，其特征在于，所述第一分类器模型基于密集连接卷积网络建立。

10.根据权利要求6所述的分类器模型的形成系统，其特征在于，所述随机采样噪声数据为基于正态分布的随机采样噪声数据。