[发明专利]一种多尺度自注意力无监督域自适应算法

说明书

本发明涉及一种多尺度自注意力无监督域自适应算法，步骤为：S1、甲状腺超声图像的选取与标注；S2、构造多尺度网络结构对甲状腺超声图像特征进行提取；S3、使用自注意力模块对超声图像进行自注意力图的生成；S4、基于生成对抗思想，使用混合域判别器来对隐藏特征进行探索，并对特征进行域混合操作。本发明通过实验验证了AI辅助诊断系统对不同数据分布的数据的适应性存在问题；同时，提出了多尺度自注意力域自适应算法来克服超声影像中不同域超声影像所造成的域偏移问题，取得了良好的效果。在相同条件下，可以使模型在不同数据分布的超声影像上进行测试时平均准确率可以达到90％，极大的克服了AI辅助诊断系统在不同超声影像域当中的适应性问题。

技术领域

本发明属于医疗辅助领域，涉及到使用不同超声影像数据集训练的神经网络模型的迁移学习领域，特别涉及一种多尺度自注意力无监督域自适应算法。

背景技术

甲状腺结节是在世界范围内广泛存在的临床问题。据相关研究调查表明全世界三分之二的人群存在甲状腺结节。甲状腺结节表现为硬性无痛肿块，生长速度较快，后期可以迅速生长从而导致发声、呼吸困难，甚至导致继发性功效亢进或癌变，严重威胁人民的生命安全。目前医院的甲状腺检测手段大多以超声甲状腺结节检查为主。但超声甲状腺结节的检出率在20-76％以内，同时甲状腺医疗图像大多分辨率较低、图像模糊，病灶与正常组织间差异过小，甲状腺结节的检测精准度与定位问题一直困扰着医学从业者。

随着人工智能的逐渐成熟，深度学习在临床医学当中也逐渐开始广泛应用。AI辅助诊断系统可以快速帮助专业医生在超声影像中快速判断病灶区域的良恶性，极大的增加了医生的诊断效率与准确率。然而，大多数AI辅助诊断系统都是基于深度学习模型构造的。

目前的研究表明，深度学习模型是由数据驱动的。如果深度学习模型的目标场景数据与训练模型数据的数据分布不一致，那么就会导致深度学习模型无法达到理想当中的准确率，从而影响到AI辅助诊断系统对患者病灶诊断的适应性。提高AI辅助诊断系统对不同数据分布的超声影像的诊断准确率与适应性，对深度学习在临床医学的应用有着重要的意义。

发明内容

本发明的目的在于克服现有技术的不足，提供一种多尺度自注意力无监督域自适应算法，大幅度提升AI辅助诊断系统在不同数据分布上的诊断准确率；且对甲状腺超声影像的语义信息迁移效果比主流无监督域自适应算法更优。

本发明解决其技术问题是通过以下技术方案实现的：

一种多尺度自注意力无监督域自适应算法，其特征在于：所述方法的步骤为：

S1、甲状腺超声图像的选取与标注；

S2、构造多尺度网络结构对甲状腺超声图像特征进行提取；

S3、使用自注意力模块对超声图像进行自注意力图的生成；

S4、基于生成对抗思想，使用混合域判别器来对隐藏特征进行探索，并对特征进行域混合操作。

而且，在专业医院进行甲状腺超声影像的采集，采集医院中不同型号和设置生成的的甲状腺超声图像历史数据，选择较为清晰的图像，并且确保良恶性两者保持相同的比例，并由专业医师对结节部位进行良好的标注。

而且，利用多尺度特征提取网络对图像的特征进行抽象提取，充分提取到不同层级的可迁移语义信息。

而且，进行自注意力图的生成，基于提取到的特征图，将特征图与最终结果之间增加一个自注意力模块，通过K、V、Q三个模块的共同交互，完成对自注意力图的生成，从而增强对甲状腺超声影像中几何特征的提取。

而且，配合GAN思想构造域判别器模型对标记进行去除，通过构造极大极小游戏来实现对可迁移语义信息的转移。

本发明的优点和有益效果为：