[发明专利]结节超声分类数据处理方法及数据处理系统

说明书

本发明涉及医疗数据识别与处理技术领域，涉及一种结节超声分类数据处理方法及数据处理系统、电子设备和存储介质，包含一个超声图像生成器和两个判别器，引入两个判别器的损失函数及对应的风格损失函数和全损失函数，被用于生成对抗学习，并对图像生成器优化校正得到可完成两种存在差异的图像自适应转化的生成器。解决了现有技术中不同超声设备在软硬件实现上及扫描医师手法上的差异导致对检查结果造成差异影响；对生成器进行有限次校正，即可获得来源于不同超声设备或不同扫描医师的图像适应转换的生成图像。选用全局平均池化层部分代替全连接层减少了参数，提高对操作人员主观差异兼容性，具有稳定、误差小的特点。

技术领域

本发明涉及医疗数据识别与处理技术领域，更具体地说，涉及一种结节超声分类数据处理方法及数据处理系统。

背景技术

甲状腺癌或甲状腺结节的发病率逐渐升高，超声检查是甲状腺结节诊断和评估最常用的方法，它具有经济、方便、推广容易等特点；但其对影像学医师水平要求较高，需要有丰富经验。为了解决以上问题需要构建人工智能模型，构建甲状腺超声结节良恶性辅助诊断系统，已成为当前甲状腺临床医学领域的一个研究热点。一种解决方法，使用深度学习模型；另一种解决方法是采用迁移学习的方法重新训练模型。

本发明的发明人发现的，深度学习模型，由于不同超声设备在软硬件实现上（不同信号处理算法、超声探头、AD采集精度、通道数等）的差异，图像无法满足同分布这一要求；即使源于同一设备的图像，由于扫描医师手法上的差异，图像在分布上也存在差别；由于模型违背了同分布的假设，在处理不同设备，甚至不同医生扫描的图像时，会出现质量下降；迁移学习的方法重新训练模型，来源于不同超声设备的特征差异往往存在于模型的低层中，因此模型的训练不仅需要更新高层卷重，也需要对低层权重进行更新，所需的数据量比较大；同时，训练好的模型只能处理新的数据分布。因而针对不同硬件设备并兼容操作人员主观差异，并简化重新训练模型所需数据量，完成不同类型医疗超声图像数据的处理和自适应转换具有重要意义。

发明内容

为了解决现有技术存在的上述问题，本发明提供了一种结节分类超声数据处理方法，包含以下步骤：

选取第一超声图像和第二超声图像作为原始训练数据， 以为损失函数，优化图像生成器和第一判别器，得第一图像生成器；

以为损失函数，优化所述和第二判别器，得第二图像生成器；

以风格相似性为损失函数，优化所述，得图第三像生成器；

以解剖结构一致性损失为损失函数，优化所述，得第四图像生成器；

综合全损失函数，优化所述得第五图像生成器，输出得所述第三超声图像为第一超声图像到第二超声图像的自适应转换产物；

所述第一判别器为图像风格判别器；所述第二判别器为结构一致性判别器；所述图像生成器G根据第一超声图像和第二超声图像提供图像信息生成第三超声图像；式中；所述为x经过所述图像生成器G生成的图像。

优选的，所述第一判别器包含第一判别单元；所述第一判别单元用于判别来源于所述第一超声图像或所述第三超声图像的图像信号；所述第一判别器用于对所述第三超声图像风格迁移，所述第三超声图像用于同所述第一超声图像对比并生成风格相似性损失。

优选的，所述第二判别器包含第二判别单元；所述第二判别单元用于判别来源于所述第二超声图像或所述第三超声图像的图像信号；所述第二判别器用于对所述第三超声图像结构迁移，所述第三超声图像用于同所述第一超声图像对比并生成解剖结构一致性损失。

优选的，所述满足：

；

式中；所述为x经过所述图像生成器G的生成图像；式中 为所述代入的第5个卷积层的特征图；式中 为x代入的第5个卷积层的特征图；式中为x在范围内变化的数学期望；式中F为Frobenius范数。