[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

说明书

本发明公开了一种基于自编码器动量更新的子宫内膜图像分类方法，属于医疗图像分析技术领域。方法步骤包括：子宫内膜多视角的超声图像采集；设计一种针对子宫内膜超声图像数据的损失函数；设计预训练网络，使用训练数据重复迭代优化提升编码网络和解码网络的性能，使得编码网络将能够对于同一周期子宫内膜超声图像进行相似的特征编码，增大编码网络对不同周期子宫内膜超声图像之间的编码差异。本发明关注了子宫内膜超声图像相同周期不同视角之间的特征，提高了不同周期子宫内膜图像的可分辨性；同时降低了网络在训练过程中的不稳定性；以及使用了自监督的预训练策略；使用多视角特征融合策略；最终实现了准确稳定的训练和分类效果。

技术领域

本发明涉及医疗图像分析技术领域，尤其涉及一种基于自编码器动量更新的子宫内膜图 像分类方法。

背景技术

预测育龄妇女月经周期中子宫内膜的周期性(处于增值期或是分泌期)有多种应用，如 卵母细胞受精和胚胎着床时间窗口预测等。然而对于那些月经周期不规律或子宫内膜异常的 女性个体来说，预测其周期这并不是一项简单的任务。目前，子宫内膜分期的临床预测要么 依赖于传统的基于患者月经周期数据的时间估计，这会带来因个体差异的不准确问题；要么 依赖于子宫内膜活检，但是手术对人体具有一定的侵害性。准确可靠的自动分期方法对于临 床和研究都非常有价值。现有技术主要有两类，但存在一些缺点：一是基于统计机器学习的 传统分期方法，往往需要手工设计特征提取器，依赖特征工程，分期的准确率较低；二是基 于有监督的卷积神经网络的方法，虽然能得到较好的效果，但作为有监督的方法，人工标注 数据需要大量的人力资源和时间，而且模型的泛化能力很容易受训练数据缺乏问题的影响。

自编码器网络是一种基于深度学习的方法。网络由编码网络和解码网络两部分组成，二 者的具体实施形式都可以是具有不同结构特点的卷积神经网络。编码网络的功能是通过学习 图像的特征来生成服从真实数据分布的编码值，解码网络的功能是重构编码网络的结果还原 真实数据。但是怎样设计一个预训练方案可以很好的兼顾超声图像同位点不同视角图像数据 的特点，提升编码网络的性能使其具有更好的区分性能是需要解决的问题。

发明内容

本发明的目的是提供一种基于自编码器动量更新的子宫内膜图像分类方法，该方法通过 设计一个利用自编码器使用动量更新的神经网络，并利用自监督训练，设计了一种联合重构 损失、分布散度损失、噪声对比损失的损失函数；综上提出了一种的基于自编码器动量更新 的神经网络模型，实现了优于现有使用少量标签数据的方法的效果。

实现本发明目的的具体技术方案是：

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；

具体地：