用于甲状腺超声图像分割的数据集智能增强方法与流程

技术特征：
1.一种用于甲状腺超声图像分割的数据集智能增强方法，其特征在于，包括以下步骤：步骤s1：自动构建原始数据集；步骤s2：确定需要使用的数据集增强方法，并根据确定的数据集增强方法自动构建包含多个数据集增强规划的规划域；步骤s3：利用构建的规划域中的各个数据集增强规划，训练并更新lstm控制器；步骤s4：自动选择最优规划，串联最优规划，得到用于甲状腺超声图像分割的增强数据集。2.根据权利要求1所述的方法，其特征在于，步骤s1包括如下子步骤：步骤s11：获取原始甲状腺超声图像，获取医学专家标注的标签，其中所述医学专家标注的标签的类型为二值图像；步骤s12：对所述原始甲状腺超声图像和所述医学专家标注的标签进行自动匹配；步骤s13：建立原始数据集，并按照预设的比例将原始数据集自动划分为多个数据子集，包括：训练集、测试集和验证集。3.根据权利要求2所述的方法，其特征在于，在步骤s13中，基于获取的原始甲状腺超声图像和医学专家标注的标签，对原始数据集进行划分的具体规则包括：确保任一被检测人在同一次检查中不同扫查角度的多个原始甲状腺超声图像及其对应匹配的医学专家标注的标签在同一数据子集中；以及确保同一被检测人多次检查所获取的多个原始甲状腺超声图像及其对应匹配的医学专家标注的标签在同一个数据子集中。4.根据权利要求1所述的方法，其特征在于，步骤s2包括如下子步骤：步骤s21：确定需要使用的数据集增强方法的集合，其包括：确定深度学习领域通用的数据集增强方法，以及超声图像分割领域专用的数据集增强方法；步骤s22：为每种数据集增强方法额外自动赋予2个参数，分别为增强概率和增强强度，且每个参数都预设有至多9个离散值，其中：如果任一数据集增强方法不需要增强概率和/或增强强度参数，则对应数据集增强方法的对应参数标记为false；如果任一数据集增强方法需要增强概率和/或增强强度参数，则对应数据集增强方法的对应参数标记为true；当参数标记为false时对应参数没有取值，当参数标记为true时对应参数取值为该参数的多个离散值，并对每一数据集增强方法的2个参数的不同取值进行组合，并对组合后的方法本身自设一方法参数，得到一数据集增强方法的集合，且集合中的每一方法至少包含3个参数；步骤s23：每次从数据集增强方法的集合中自动随机选择两个构成一对组合方法，得到数据集增强组合方法的集合，其中每对组合方法具有2
×
3＝6个参数；步骤s24：从构建好的数据集增强组合方法的集合中，每次自动随机选择4对组合方法得到一数据集增强规划，则每个数据集增强规划包含6
×
4＝24个参数；步骤s25：将得到的全部数据集增强规划组成规划域。5.根据权利要求4所述的方法，其特征在于，所述深度学习领域通用的数据集增强方法包括：x轴投影、y轴投影、旋转/旋转 翻转、x轴平移、y轴平移、对比度调整、锐化、亮度调整、
曝光度调整、随机裁切、反相及/或直方图均衡；所述超声图像分割领域专用的数据集增强方法包括：线性灰度拉伸、中值滤波及/或sobel算子边缘增强。6.根据权利要求1所述的方法，其特征在于，步骤s3包括如下子步骤：步骤s31：从构建的规划域中自动随机选择1种规划s
t
对步骤s13中的训练集进行增强，得到一组待训练的增强数据集；步骤s32：利用得到的待训练的增强数据集训练一个分割子网络，并利用步骤s13中的验证集对训练的分割子网络进行验证，得到验证平均交并比a
t
；步骤s33：搭建lstm控制器并对lstm控制器进行原始化，即将所有权值原始化到[-0.1，0.1]区间内；步骤s34：将步骤s32得到的验证平均交并比a
t
作为本次激励，并根据本次激励a
t
及本次规划与前次规划的相关性，以优胜劣汰的分配规则，训练并更新lstm控制器；重复步骤s31-s34，直至完成控制器的训练。7.根据权利要求6所述的方法，其特征在于，所述分割子网络为u-net网络，所述lstm控制器包含一层具有100个隐藏单元的lstm神经网络和一个具有24个输出预测的softmax分类器，且所述lstm神经网络是根据上一步的操作描述下一步操作的概率分布，最终对各个操作的分布进行估值。8.根据权利要求7所述的方法，其特征在于，在步骤s34中，以softmax分类器的24个输出预测的相关概率的乘积作为联合概率，并以比值度量相关性，进而得到以下损失函数：式中，e
t
(
·
)表示在规划时概率分布的期望，p
new
(
·
)表示在训练规划s
t
后的联合概率，p
old
(
·
)表示在训练规划s
t
前的联合概率，表示在规划s
t
时模型对验证集的交并比平均数，o表示分割子网络输出的标签，m表示数据集中对应的真实标签，w表示惩罚权重，kl(
·
)表示信息散度，用以反映当前规划s
t
与之前规划的差距。9.根据权利要求1所述的方法，其特征在于，步骤s4包括如下子步骤：步骤s41：利用训练后的lstm控制器，以损失函数评价每种规划，并从规划域中自动选择排名前5名的最优规划，得到共20对组合方法，构成最优的数据集增强方案；步骤s42：将得到共20对组合方法按照从优到劣的顺序依次排序并串联后，对训练集进行增强，得到最终智能增强后的甲状腺分割数据集。

技术总结
本发明公开一种用于甲状腺超声图像分割的数据集智能增强方法，通过针对原始甲状腺超声数据集和专家标注好的标签进行智能数据增强，构建一个完整的初始数据集；然后确定全部的数据增强算法，从数据增强算法中自动随机选取两种构成1对组合方法，再自动随机选4对组合方法构成一种规划，使用全部的规划构成规划域，从规划域中自动选取一种规划的增强数据集，并训练子分割网络得到验证平均交并比，以得到的平均交并比作为激励更新构建并完成初始化的LSTM控制器，直至控制器训练完成；训练后，选取最优的5种规划，并将5种规划中所包含的全部20种方法对构成最终规划方案，使用最终规划方案得到智能增强数据集。规划方案得到智能增强数据集。规划方案得到智能增强数据集。


技术研发人员：刘鹏 孟凡刚 都杨 刘丽香 范丽珺 李明 孙殿军
受保护的技术使用者：哈尔滨医科大学
技术研发日：2021.11.17
技术公布日：2022/3/25