[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

说明书

本发明涉及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，甲状腺结节超声影像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结节分类模型。基于少样本学习的甲状腺结节计算机辅助诊断系统，用于实现上述基于少样本学习的甲状腺结节计算机辅助诊断方法，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。

技术领域

本发明涉及图像处理和人工智能辅助诊断疾病领域，特别是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。

背景技术

专利CN112529894A公开了一种基于深度学习网络的甲状腺结节的诊断方法，属于图像处理和人工智能辅助诊断疾病领域，包括如下步骤：搜集甲状腺患者甲状腺结节的超声原始图像和病理报告，构建甲状腺结节数据库；超声图像预处理；基于Xception JFT的Deeplab v3+方法对步骤二中预处理后的超声图像进行语义分割，形成语义分割结果图；基于深度学习网络进行甲状腺结节的良恶性判别；形成甲状腺结节超声影像计算机辅助诊断信息报告。本发明采用基于Xeption JFT的Deeplab v3+算法建立甲状腺超声图像分割网络模型，通过不断改进主干网络Xception达到最优的分割效果，能够在高准确率和高鲁棒性下，自动快速识别结节信息，自动提取图像特征进行准确分割以获得更好的诊断结果，为临床诊断提供客观参考。

专利CN1 10490892A一种基于USFaster R CNN的甲状腺超声图像结节自动定位识别方法，属于人工智能和深度学习领域。该方法包括甲状腺超声图像的预处理，深度神经网络模型的搭建，网络模型训练和优化，其中深度神经网络模型包括底层卷积特征提取网络，候选框生成网络，特征图池化层、分类与候选框回归网络。利用深度学习方法，实现甲状腺超声图像特征自动提取，候选框自动生成，筛选，位置修正。实现甲状腺结节的自动定位识别功能。本发明可以有效辅助医生进行甲状腺超声图像诊断，提高诊断的客观性和准确率，有效降低医生的工作量以及小目标结节的漏检率。

深度学习因其泛化性能好，效率高和学习能力强等特点，已经广泛应用于计算机辅助诊断中，近年来深度学习在甲状腺超声图像分类领域的研究也是不断增加。Ma等人提出了一种级联的深层卷积神经网络对甲状腺超声图像进行分类，Guan等人使用了深度卷积神经网络对甲状腺超声图像进行分类。然而，在医疗图像领域，因为病例的特殊性和隐私性，采集样本的工作难度大，现如今还没有建立起大规模的甲状腺超声图像数据集。深度学习作为一种基于数据驱动的方法，因其深度卷积神经网络结构的复杂性，没有充足的训练样本来训练深度卷积神经网络，会使得深度卷积神经网络不能很好的学习到甲状腺超声图像的特征，导致特征鲁棒性较差，模型的泛化能力降低。

现有基于深度学习的方法需要大量的有标注样本训练深度学习模型，同时，对大量的样本进行标注需要花费大量的人力、物力、财力。

因涉及到患者数据隐私问题，甲状腺结节超声影像数据集公开仅300多例。300多例训练准确率高的深度学习模型，是不可能的。

如何使用少量标注样本，训练准确率高的甲状腺结节超声影像辅助诊断的模型，是目前AI+医学图像研究领域的热点。

发明内容

本发明的目的在于克服现有技术的不足，提供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。

本发明的目的是通过以下技术方案来实现的：

基于少样本学习的甲状腺结节计算机辅助诊断方法，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：