一种基于小训练数据集的超声图像分类方法技术

本发明专利技术属于图像分类技术领域，具体涉及一种基于小训练数据集的超声图像分类方法，包括如下步骤：S1、数据采集：采集超声图像数据，并对其类别进行标注，完成模型训练所需数据集的构建；S2、数据预处理：预处理包括归一化、数据切割，统一数据尺度，并且扩增数据集，保证模型训练效果；S3、识别模型：采用深度学习相关技术搭建分类识别模型，输入训练数据，完成参数模型的搭建；S4、模型保存：当模型的损失函数不再降低之后，保存模型。通过同时使用一个生成器进行数据增强和使用一个鉴别器训练分类器，结合数据增强和迁移学习的优点，可以用于处理非常有限的训练数据，提高图像的分类效果。提高图像的分类效果。提高图像的分类效果。

【技术实现步骤摘要】
一种基于小训练数据集的超声图像分类方法


[0001]本专利技术属于图像分类
，具体涉及一种基于小训练数据集的超声图像分类方法。

技术介绍

[0002]超声成像是一种应用广泛的医学成像方式，经常用于临床应用和生物医学研究的许多领域。最流行的超声成像模式是B(亮度)模式，它是通过将透射的超声波扫过平面来生成强度图像。然而，在医学图像背景下获取大数据集具有极大的困难，尤其是超声图像。
[0003]现有技术存在的问题或者缺陷：目前在只有少量数据集的应用中，基于CNN的模型通常采用迁移学习的方法，然而，由于自然图像和超声图像之间存在较大的差异，从计算机视觉域到超声域的迁移学习效果有限，导致图像识别准确率不高，出现极大的误差。

技术实现思路

[0004]本申请通过使用超声成像设备对相关的乳腺癌病人和正常人进行诊断，获取相对应得病灶图像和正常图像，并对获取得到得所有图像进行图像标注。完成数据标注后，对数据进行预处理，预处理包括分割，加噪。将预处理后的数据输入搭建好的ACGAN网络进行网络模型的训练，待到模型损失函数不再下降，保存本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小训练数据集的超声图像分类方法，其特征在于：包括如下步骤：S1、数据采集：采集超声图像数据，并对其类别进行标注，完成模型训练所需数据集的构建；S2、数据预处理：预处理包括归一化、数据切割，统一数据尺度，并且扩增数据集，保证模型训练效果；S3、识别模型：采用深度学习相关技术搭建分类识别模型，输入训练数据，完成参数模型的搭建；S4、模型保存：当模型的损失函数不再降低之后，保存模型。2.根据权利要求1所述的一种基于小训练数据集的超声图像分类方法，其特征在于：所述步骤S1中，通过使用超声成像设备对相关的乳腺癌病人和正常人进行诊断，获取相对应得病灶图像和正常图像，并对获取得到得所有图像进行图像标注。3.根据权利要求2所述的一种基于小训练数据集的超声图像分类方法，其特征在于：所述步骤S2中，数据扩充的具体方法为：训练图像中通过流行的数据增强技术进行处理，包括翻转、旋转(不同角度)、噪声添加，其中图像的加噪通过高斯公式进行加噪处理，其公式如下：P
out
＝P
in
+x
means
+sigma*G(d)，其中Pout和Pin分别为每个输出和输入像素，xmeans表示平均值，sigma表示平均方差，G(d)是随机数的高斯分布随机值。4.根据权利要求3所述的一种基于小训练数据集的超声图像分类方法，其特征在于：所述步骤S2中，数据分割具体方法为：出于验证的目的，通过使用5倍交...

【专利技术属性】
技术研发人员：潘晓光，王小华，张雅娜，焦璐璐，张娜，
申请(专利权)人：山西三友和智慧信息技术股份有限公司，
类型：发明
国别省市：