[发明专利]良恶性溃疡识别方法及系统

说明书

本发明涉及一种良恶性溃疡识别方法，包括获取样本数据，每个样本数据包括多个图片，其中样本数据包括无标注的样本数据和有标注的样本数据；利用无标注的样本数据对编码器进行编码预训练，获得预训练后的图片表示编码器；将有标注的样本数据输入至所述图片表示编码器，输出每个图片的特征表示；将每个图片的特征表示进行特征融合，获得图片的特征终极表示；基于图片的特征终极表示进行类别预测。本发明采用编码器对无标注的样本数据进行预训练，然后使用有标注的样本数据进行分类预测，在可以获得更加全面的图片表示的同时显著减少数据标注的工作量，大大提高图片识别的精确度和效率。

技术领域

本发明涉及图像分类技术领域，尤其是指一种良恶性溃疡识别方法及系统。

背景技术

胃溃疡是常见的消化性溃疡，其分为良性胃溃疡和恶性胃溃疡。恶性胃溃疡是胃癌的一种，在过去的40-50年中胃癌的发病率和死亡率虽然有显著下降，但其在中国的发病率和死亡率仍然非常高，占全球新发病例的42.6％和死亡病例的45.0％。早期发现恶性胃溃疡可以极大提升患者生存率并减少医疗费用。胃镜检查是早期发现恶性胃溃疡的重要手段。根据胃镜图片判断患者是否具有胃良、恶溃疡疾病，通常需要医生具有较长的胃镜操作经验。基于人工智能技术的胃良、恶溃疡胃图片分类方法可以辅助医生做出更准确的判断，并且可以减低医生漏掉可疑的早期胃癌的概率。

在人工智能领域，基于单图片分类方法通常被用于胃图片是否良、恶溃疡疾病的判断。这种人工智能方法是使用计算机视觉和机器学习算法从单个图像中提取含义的过程。目前最为广泛的人工智能方法是将该问题建模为输入一张图像并输出一个标签的问题。在胃良、恶溃疡疾病分类方面，标签为胃良性溃疡和胃恶性溃疡。

现有技术分为以下几个步骤：(1)专业人员标注大量带有胃良、恶性溃疡标签的图片，每个图片作为一个样本，获得多个带有标注样本的标注语料；(2)基于深度学习网络(一般是多层卷积神经网络)训练标注语料，获得分类模型；(3)使用分类模型对某个未知标签的图片进行测试，获得该图片的胃良、恶性溃疡标签。测试过程中，每次输入分类模型的是单张图片。由于胃良、恶溃疡疾病在某些图片上面表现类似，通过单张图片很难做出准确判断。因此，现有的基于单张图片的分类技术的识别率不够高，并且标注工作量较大，从而导致了效率低、精度低等问题。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术存在的问题，提出一种良恶性溃疡识别方法及系统，其采用编码器对无标注的样本数据进行预训练，然后使用有标注的样本数据进行分类预测，在可以获得更加全面的图片表示的同时显著减少数据标注的工作量，大大提高图片识别的精确度和效率。

为解决上述技术问题，本发明提供了一种良恶性溃疡识别方法，包括以下步骤：

S1：获取样本数据，每个样本数据包括多个图片，其中所述样本数据包括无标注的样本数据和有标注的样本数据；

S2：利用所述无标注的样本数据对编码器进行编码预训练，获得预训练后的图片表示编码器；

S3：将所述有标注的样本数据输入至所述图片表示编码器，输出每个图片的特征表示；

S4：将每个图片的特征表示进行特征融合，获得图片的特征终极表示；

S5：基于所述图片的特征终极表示进行类别预测。

在本发明的一个实施例中，在S1中，所述有标注的样本数据为在所述样本数据中选择部分数据做标注的结果。

在本发明的一个实施例中，在S2中，利用所述无标注的样本数据对编码器进行编码预训练的方法包括：

将无标注的样本数据中的每个图片切分为若干小区域；

对每个小区域进行随机遮蔽处理，并将所有图片中的小区域进行拼接，得到序列；