[发明专利]一种基于对抗式学习的甲状腺结节超声影像数据集增强方法

说明书

本发明涉及一种基于对抗式学习的甲状腺结节超声影像数据集增强方法，用于甲状腺结节的数据集扩充和模型适应能力的扩充，进而通过深度学习技术实现对甲状腺结节的良恶性的准确判断，相对于传统数据增强方法，生成对抗网络在图像生成的效果上有着潜在优势，一定程度上可以解决分类网络中由于数据集较少带来的过拟合问题。

技术领域

本发明属于图像处理与医学的交叉领域，涉及渐进式对抗生成网络和甲状腺结节良恶性的判断，特别涉及一种基于对抗式学习的甲状腺结节超声影像数据集增强方法。

背景技术

如今，甲状腺疾病已经成为仅次于糖尿病内分泌系统的第二大疾病，并且在逐年增长。甲状腺相关疾病已经严重威胁患者的健康，患病率呈逐年增高的趋势。同时，在现代医学中，随着医学成像技术的不断发展与进步，医学影像已经成为了医生在临床诊断与临床治疗过程中不可忽视的参考依据，而基于超声波技术的彩色多普勒超声技术以其无辐射、简单方便、经济等优势在医学成像技术中应用最广，在甲状腺疾病的诊断中也广泛使用。除此以外，目前常用的甲状腺结节的检查方法还有核素扫描、超声造影、超声引导下细针穿刺活细胞检查等。超声引导下穿刺活检仍是目前诊断甲状腺疾病的“金标准”，但其价格相对较高且有创伤。

而甲状腺超声检查是费用廉价、检测方便、无创伤的、病人容易接受的检查方法，其能够根据结节的形成、边界、钙化点、结节内血流信号及周边淋巴结等情况鉴别结节的良恶性，为术前病情评估及手术方式提供重要参考价值。甲状腺结节的常规声像图表现具有多样性，部分恶性结节的常规超声表现并不典型，且部分良性结节的常规超声表现具有恶性声像图征象，这些情况均会带来一定程度的误诊。在临床的超声检查中如果能够有效地提高甲状腺结节良恶性判断的准确率，那么患者将可以减少多余的检查甚至不进行过度的手术治疗，这将有效地减轻病患的经济压力。

近几年，卷积神经网络的引入使得深度学习领域广受关注，同时，深度学习取得的突破性进展为辅助医生进行医学影像分析提供了良好的机会。深度学习可以自动学习并提取图像的特征，根据学习到的特征，逐渐生成自己的判断准则来对给定的医疗影像图片进行分类。然而，深度学习样本数据集有一个重要的前提：需要有大规模的数据集来支持深度学习的模型训练，才能防止过拟合，提高准确性和鲁棒性。此外，人工标注医学影像数据不仅需要消耗一定的时间成本，而且对医学影像的标注带有一定的主观性，人为的标注过程可能由于审查疲劳等因素而存在标注缺漏，从而导致漏诊。因此，以少量优质的影像数据集为基础，实现医疗影像数据集的数据增强就显得格外重要。常规的数据增强方式包括空间几何变换类、噪声类、模糊类等方法，这些方法对模型的优化只能取得部分效果。

生成对抗网络模型(GenerativeAdversarial Nets)由Goodfellow等人于2014年首次提出，是一种生成式模型，基于无标记的数据自主学习，生成逼真的数据。而生成式对抗网络结构与算法的不断完善，在图像合成方向上表现出巨大的优势。生成对抗网络可通过生成新图像、加入噪声、引入子过程等方式扩展数据集并进一步优化模型，从而提高模型在各种环境下的适应能力。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于对抗式学习的甲状腺结节超声影像数据集增强方法，用于甲状腺结节的数据集扩充和模型适应能力的扩充，进而通过深度学习技术实现对甲状腺结节的良恶性的准确判断，相对于传统数据增强方法，生成对抗网络在图像生成的效果上有着潜在优势，一定程度上可以解决分类网络中由于数据集较少带来的过拟合问题。

本发明解决其技术问题是通过以下技术方案实现的：

一种基于对抗式学习的甲状腺结节超声影像数据集增强方法，其特征在于：所述方法的步骤为：

1)学习训练低分辨率图像，生成低分辨率图像；

2)采用平滑过渡的技巧进行转换；

3)增加网络层数，在较高的分辨率下学习训练，生成图像；