[发明专利]一种分类器模型的形成方法及系统

说明书

本发明公开了一种分类器模型的形成方法及系统，属于医学图像分析技术领域，方法包括：步骤S1，经过生成式对抗网络的处理后生成一第二图像数据集合，步骤S2，将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，将第一图像数据集合进行分类标记后作为训练数据，形成一第二分类器模型；系统包括：第一存储模块、噪声生成模块、生成对抗网络模块、第二存储模块、第一训练模块、第二训练模块，有益效果是：既解决了医学图像数据稀缺的问题，又避免了模型生成中自然场景图像和医学图像数据分布域差异性的问题。

技术领域

本发明涉及医学图像分析技术领域，尤其涉及一种分类器模型的形成方法及系统。

背景技术

医学图像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得的内部组织影像。随着深度学习等人工智能的快速发展，卷积神经网络的深入研究推动了人工智能技术在医学图像分析和计算机辅助诊断治疗领域的快速发展，然而深度学习过程中，对数据的要求比较高，足够质量和数量的数据对学习结果的精确度起着至关重要的作用，可是在医疗行业中，医学图像的获取成本非常昂贵，且医学图像的使用过程中还往往涉及病人的隐私权利以及相关的伦理道德问题，因此人工智能在医学图像领域的应用亟需解决数据稀缺的问题。

另一方面，由于自然场景中的图像分布规律和医学图像中的图像分布规律存在着较大的差别，这给利用自然图像迁移学习进行医学图像分类的方法带来很大困难。例如，自然场景中图像通常特征丰富多样，色彩鲜明、区分度高，而卵巢肿瘤超声图像的色彩明暗度整体呈现灰度状分布，肉眼观测肿瘤特征时容易受到外界因素的干扰，比如肿瘤外围的血流流动痕迹，拍摄病症部位的角度等，因此，需要一种合适的深度学习方法来研究医学图像尤其是卵巢肿瘤超声图像的分类问题。

发明内容

根据现有技术中存在的上述问题，现提供一种分类器模型的形成方法及系统，通过设计生成对抗网络模型来合成相应的医学图像，从而解决医学图像数据稀缺的问题，随后使用合成的医学图像数据来训练模型分类器，并将该模型分类器加载到对原始图像数据分类的第二分类器模型训练中，得到针对医学图像的分类器模型，解决了自然场景图像和医学图像数据分布域差异性的问题。

上述技术方案具体包括：

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，其中，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。

优选地，其中，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。

优选地，其中，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。

优选地，其中，所述卷积神经网络为全卷积网络。

优选地，其中，所述第一分类器模型基于密集连接卷积网络建立。