[发明专利]一种基于自编码器动量更新的子宫内膜图像分类方法

权利要求书

1.一种基于自编码器动量更新的子宫内膜图像分类方法，该方法包括以下具体步骤：

步骤S1：采集子宫超声图像多角度数据，构成数据集；

步骤S2：对数据集进行标准化处理：将子宫内膜超声图像中子宫内膜区域进行手动剪裁，仅保留子宫部位超声图像；得到子宫内膜超声图像数据集Sa；

步骤S3：将子宫内膜超声图像数据集Sa按比例4∶1进一步划分成训练集S_t和测试集S_p，随机抽取20％训练集S_t中的数据做为有标签训练数据；

步骤S4：设计一种适用于图像自监督训练的损失函数；所述的损失函数为噪声对比损失函数即NCE损失函数、解码器生成的重构损失函数以及KL散度损失函数的组合；

步骤S5：设计并构造预训练网络：预训练网络中包括编码网络E_Q、编码网络E_K、编码队列和解码网络，所述的预训练网络中，反向传播更新编码网络E_Q和解码网络，使用动量更新机制对编码网络E_K进行参数更新，编码队列存储编码网络E_K生成的编码结果；

步骤S6：组合编码网络E_Q与解码网络；将编码网络E_Q的输出结果作为解码网络的输入；利用步骤S4设计的损失函数，并引入步骤S3所述的数据集S_t，对预训练网络进行充分的预训练；

步骤S7：将充分训练之后的编码网络E_Q的网络参数固定，接入由全连接层及ReLu激活函数组成的下游分类器；使用交叉熵损失函数引入带标签训练数据进行下游任务分类器训练；将编码网络E_Q对图像编码的结果输入到最后的分类器中进行结果预测；

步骤S8：对同一病例，用不同切面的子宫内膜超声图像训练出不同的编码网络E_Q，将不同切面的图像经其对应的编码网络进行编码，对输出结果向量进行拼接，训练出综合多切面超声图像特征的训练下游任务分类器，结合同一病例不同切面的超声图像进行结果的预测；

步骤S9：设计模型评价指标，使用测试集S_p对模型的预测效果进行测试。