一种超声图像分类方法、系统、电子装置及存储介质制造方法及图纸

本发明专利技术公开了一种超声图像分类方法、系统、电子装置及存储介质，方法包括：步骤S1、获取未标注的样本图像集，样本图像集内具有样本超声图像；步骤S2、将样本图像集中的样本超声图像输入预先构建的多病征多标签分类网络，得到样本超声图像的分类预测结果；步骤S103、将分类预测结果中，大于预设阈值的预测概率的样本超声图像，标注伪标签；步骤S104、对伪标签进行置信度验证，修正伪标签；步骤S105、将具有伪标签的样本超声图像输入多病征多标签分类网络，对多病征多标签分类网络进行再次训练；步骤S106、循环步骤S101‑S105，直至多病征多标签分类网络收敛，或达到最大迭代次数。能够节省医生的时间。

【技术实现步骤摘要】
一种超声图像分类方法、系统、电子装置及存储介质
本专利技术涉及图像分类
，尤其涉及一种超声图像分类方法、系统、电子装置及存储介质。
技术介绍
超声波成像技术是一种非入侵性成像技术，可以实现物体或动物的内部成像，从而便于判断物体或动物的内部特征。例如，超声波成像可以进行人体的肺部进行超声成像，医生根据超声成像，能够判断患者是否患有新冠肺炎。现有技术中，能够对肺部的超声图像进行分类，从而减少医生判断患者是否患有新冠肺炎的时间。但是，现有技术中对肺部的超声图像的分类，需要依赖大量的已标注数据，然而数据的标注需要有经验的医生进行大量的劳动，从而浪费了医生较多的时间。
技术实现思路
本专利技术的主要目的在于提供一种超声图像分类方法、系统、电子装置及存储介质，旨在解决现有技术中对肺部的超声图像的分类，需要依赖大量的已标注数据，然而数据的标注需要有经验的医生进行大量的劳动，从而浪费了医生较多的时间的技术问题。为实现上述目的，本专利技术第一方面提供一种超声图像分类方法，包括：步骤S101、获取未标注的样本图像集，所述样本图像集内具有样本超声图像；步骤S102、将所述样本图像集中的样本超声图像输入预先构建的多病征多标签分类网络，得到样本超声图像的分类预测结果；步骤S103、将所述分类预测结果中，大于预设阈值的预测概率的样本超声图像，标注伪标签；步骤S104、对所述伪标签进行置信度验证，修正所述伪标签；步骤S105、将具有所述伪标签的样本超声图像输入所述多病征多标签分类网络，对所述多病征多标签分类网络进行再次训练；步骤S106、循环步骤S101-S105，直至所述多病征多标签分类网络收敛，或达到最大迭代次数。进一步地，所述步骤S104之后，所述步骤S105之前，所述超声图像分类方法还包括：将具有所述伪标签的样本超声图像进行人工修正，得到具有准确标签的样本超声图像，具有所述准确标签的样本超声图像用于步骤S105中，对所述多病征多标签分类网络进行再次训练。进一步地，所述步骤S103、将所述分类预测结果中，大于预设阈值的预测概率的样本超声图像，标注伪标签，包括：获取根据步骤S102中得到的所有所述样本数据的分类预测结果的预测值；将所述预测值生成预测值矩阵；利用预先设置的决策方法，选出大于预设阈值的预测概率的样本图像，标注伪标签。进一步地，所述决策方法包括：多标签间距方法，或/和，熵值判断法。进一步地，步骤S104、对所述伪标签进行置信度验证，修正所述伪标签，得到所述样本超声图像的标签，包括：获取预先设置的关联性表，所述关联性表具有不同的标准预测概率及标准标签之间的对应关系；利用所述预测概率与所述关联性表内的标准预测概率之间的距离，修正所述伪标签。进一步地，所述多病征多标签分类网络的构建方法包括：建立ResNet50网络，所述ResNet50网络为具有50层卷积的残差网络；将所述ResNet50网络的分类层替换为多标签分类层，得到所述多病征多标签分类网络，所述多标签分类层用于进行多标签分类。进一步地，步骤S101、获取未标注的样本图像集包括：获取正常人的临床样本超声图像，以及患者的临床样本超声图像；利用所述正常人的临床样本超声图像及所述患者的临床样本超声图像组成所述样本图像集。本申请第二方面提供一种超声图像分类系统，包括：数据获取模块，用于获取未标注的样本图像集；分类模块，用于将所述样本图像集中的样本图像输入预先构建的多病征多标签分类网络，得到样本图像的分类预测结果；标注模块，用于将所述分类预测结果中，大于预设阈值的预测概率的样本图像，标注伪标签；置信度验证模块，用于对所述伪标签进行置信度验证，修正所述伪标签；训练模块，用于将具有所述伪标签的样本图像输入所述多病征多标签分类网络，对所述多病征多标签分类网络进行再次训练；迭代模块，用于利用所述数据获取模块、所述分类模块、所述标注模块、所述置信度验证模块及所述训练模块对所述多病征多标签分类网络进行迭代训练，直至所述多病征多标签分类网络收敛，或达到最大迭代次数。本申请第三方面提供一种电子装置，包括：存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现上述中的任意一项所述的超声图像分类方法。本申请第四方面提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现上述中的任意一项所述超声图像分类方法。本专利技术提供一种超声图像分类方法、系统、电子装置及存储介质，有益效果在于：能够对未进行标注的超声图像进行标注，因此无需依赖大量的已标注数据因此不需要医生标注，从而节省了医生的时间，且在进行标注时，无需使用人工，因此进一步节省了医生的时间。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请一实施例超声图像分类方法的流程示意图；图2为申请一实施例超声图像分类系统的结构示意框图；图3为申请一实施例电子装置的结构示意框图。具体实施方式为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而非全部实施例。基于本专利技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1，为一种超声图像分类方法，包括：S101、获取未标注的样本图像集，样本图像集内具有样本超声图像；S102、将样本图像集中的样本超声图像输入预先构建的多病征多标签分类网络，得到样本超声图像的分类预测结果；S103、将分类预测结果中，大于预设阈值的预测概率的样本超声图像，标注伪标签；S104、对伪标签进行置信度验证，修正伪标签；S105、将具有伪标签的样本超声图像输入多病征多标签分类网络，对多病征多标签分类网络进行再次训练；S106、循环步骤S101-S105，直至多病征多标签分类网络收敛，或达到最大迭代次数。本实施例提供的超声图像分类方法，能够对未进行标注的超声图像进行标注，因此无需依赖大量的已标注数据因此不需要医生标注，从而节省了医生的时间，且在进行标注时，无需使用人工，因此进一步节省了医生的时间。在步骤S103中，预设阈值可以为0.5，即可认为分类预测结果的预测概率大于或等于0.5时，分类预测结果可信，将该分类预测结果标注一个伪标签，小于0.5时，分类预测结果不可信，不给该分类预测结果标注伪标签，这里对未标注图像进行了一个初步的标注。在步骤S104中，对步骤S103对未标注图像进行的初步标注进行修正，以提升伪标签标注的准确性本文档来自技高网...

【技术保护点】
1.一种超声图像分类方法，其特征在于，包括：/n步骤S101、获取未标注的样本图像集，所述样本图像集内具有样本超声图像；/n步骤S102、将所述样本图像集中的样本超声图像输入预先构建的多病征多标签分类网络，得到样本超声图像的分类预测结果；/n步骤S103、将所述分类预测结果中，大于预设阈值的预测概率的样本超声图像，标注伪标签；/n步骤S104、对所述伪标签进行置信度验证，修正所述伪标签；/n步骤S105、将具有所述伪标签的样本超声图像输入所述多病征多标签分类网络，对所述多病征多标签分类网络进行再次训练；/n步骤S106、循环步骤S101-S105，直至所述多病征多标签分类网络收敛，或达到最大迭代次数。/n

【技术特征摘要】
1.一种超声图像分类方法，其特征在于，包括：
步骤S101、获取未标注的样本图像集，所述样本图像集内具有样本超声图像；
步骤S102、将所述样本图像集中的样本超声图像输入预先构建的多病征多标签分类网络，得到样本超声图像的分类预测结果；
步骤S103、将所述分类预测结果中，大于预设阈值的预测概率的样本超声图像，标注伪标签；
步骤S104、对所述伪标签进行置信度验证，修正所述伪标签；
步骤S105、将具有所述伪标签的样本超声图像输入所述多病征多标签分类网络，对所述多病征多标签分类网络进行再次训练；
步骤S106、循环步骤S101-S105，直至所述多病征多标签分类网络收敛，或达到最大迭代次数。


2.根据权利要求1所述的超声图像分类方法，其特征在于，
所述步骤S104之后，所述步骤S105之前，所述超声图像分类方法还包括：
将具有所述伪标签的样本超声图像进行人工修正，得到具有准确标签的样本超声图像，具有所述准确标签的样本超声图像用于步骤S105中，对所述多病征多标签分类网络进行再次训练。


3.根据权利要求1所述的超声图像分类方法，其特征在于，
所述步骤S103、将所述分类预测结果中，大于预设阈值的预测概率的样本超声图像，标注伪标签，包括：
获取根据步骤S102中得到的所有所述样本数据的分类预测结果的预测值；
将所述预测值生成预测值矩阵；
利用预先设置的决策方法，选出大于预设阈值的预测概率的样本图像，标注伪标签。


4.根据权利要求3所述的超声图像分类方法，其特征在于，
所述决策方法包括：多标签间距方法，或/和，熵值判断法。


5.根据权利要求1所述的超声图像分类方法，其特征在于，
步骤S104、对所述伪标签进行置信度验证，修正所述伪标签，得到所述样本超声图像的标签，包括：
获取预先设置的关联性表，所述关联性表具有不同的标准预测概率及标准标签之间的对应关系；
利用所述预测概率...

【专利技术属性】
技术研发人员：刘李，刘磊，雷文涛，万翔，骆永芳，冯程，
申请(专利权)人：深圳市大数据研究院，
类型：发明
国别省市：广东;44