[发明专利]基于少样本学习的甲状腺结节计算机辅助诊断方法及系统

权利要求书

1.基于少样本学习的甲状腺结节计算机辅助诊断方法，其特征在于：所述甲状腺结节计算机辅助诊断方法通过少样本甲状腺分类模型对待诊断样本进行分类；

所述少样本甲状腺分类模型的训练方法包括以下步骤：

S1：以基础训练集作为源域，以甲状腺样本训练集作为目标域，分别在源域和目标域构建元训练网络与目标网络；

S2：在源域对元训练网络进行元训练得到元训练网络的网络参数；

S3：将元训练网络的网络参数迁移到目标网络；

S4：在目标域中对目标网络进行微调得到少样本甲状腺分类模型。

2.根据权利要求1所述的基于少样本学习的甲状腺结节计算机辅助诊断方法，其特征在于：

所述基础训练集为自然图像数据集，所述甲状腺样本训练集为甲状腺超声图像数据集；

所述步骤S2的元训练基于余弦分类器通过N-way K-shot的范式构造任务提取任务特征并基于元余弦损失进行调整；

所述步骤S4以少样本学习N-way K-shot的范式利用元余弦损失对目标网络进行微调；

所述步骤S4中针对甲状腺超声图像数据集采用2-way K-shot。

3.根据权利要求2所述的基于少样本学习的甲状腺结节计算机辅助诊断方法，其特征在于：

所述自然图像数据集为miniImageNet。

4.根据权利要求2所述的基于少样本学习的甲状腺结节计算机辅助诊断方法，其特征在于：

所述元训练网络为残差神经网络；所述残差神经网络的参数更新公式为：

式中，表示残差神经网络的参数，任务T为由基础训练集构造的所有训练任务集，x_i为任务T_j的第i个查询集样本，L_MCL(·)为所述元余弦损失。

5.根据权利要求2所述的基于少样本学习的甲状腺结节计算机辅助诊断方法，其特征在于：

所述步骤S4中对目标网络进行微调的过程中的参数更新过程为：

式中，θ为目标网络的参数，任务V为使用甲状腺超声图像数据集中的训练集构造的所有训练任务集，Q为任务V_i中的查询集样本，L_MCL(·)为所述元余弦损失。

6.根据权利要求2所述的基于少样本学习的甲状腺结节计算机辅助诊断方法，其特征在于：

所述步骤S2的元训练中，对于所述任务，经过全局数据增强和局部数据增强并利用注意力机制融合得到所述任务特征。

7.根据权利要求6所述的基于少样本学习的甲状腺结节计算机辅助诊断方法，其特征在于：

所述局部数据增强的局部数据特征数量为4。

8.根据权利要求2所述的基于少样本学习的甲状腺结节计算机辅助诊断方法，其特征在于：

所述余弦分类器针对源域的每个样本进行类原型调整，所述类原型调整为对每个样本的真实类原型以外的其余类原型进行调整，调整过程计算公式为：

式中，σ为权重系数，cosθ为每个样本与真实类原型的余弦相似性，w_c表示每个样本的真实类原型向量，w_k为待调整类原型，w′_k为调整后的类原型，ρ为样本与w_k在特征空间中的夹角。

9.根据权利要求8所述的基于少样本学习的甲状腺结节计算机辅助诊断方法，其特征在于：

所述类原型调整后的元余弦损失为：

式中，w′_k表示w_k调整后的类原型，w_c表示其真实类原型，表示特征提取网络的参数，表示查询集样本x_j在嵌入空间中的特征向量表示。

10.基于少样本学习的甲状腺结节计算机辅助诊断系统，用于实现权利要求1-9中任一权利要求所述的基于少样本学习的甲状腺结节计算机辅助诊断方法，其特征在于：

包括诊断服务器，所述诊断服务器通过少样本甲状腺分类模型对待诊断样本进行分类得到诊断结果。