本发明涉及数据处理,具体地,涉及肠镜影像数据扩增方法及系统。
背景技术:
1、在深度学习模型的训练中,数据集的质量对模型的最终输出结果起着至关重要的作用。数据集的处理主要有提升数据的质和量两个方面。肠镜影像往往伴随着模糊、色彩偏差等问题,因此为了实现对肠镜影像中目标物特征的准确提取,需要对图像进行增强处理。肠镜图像数据集采集困难,小规模的数据集训练出的网络泛化能力差,因此需要进行数据集的扩充。
2、专利文献cn114757263a(申请号:202210289264.8)公开了一种增加训练数据的方法、相关设备及可读存储介质。本方案中,利用训练数据集对第一模型进行训练,得到第二模型;确定第二模型对训练数据集中各训练数据的预测结果;确定训练数据集中与预测结果为错误的训练数据相似的训练数据作为要增加的训练数据,将其添加至训练数据集中,生成新的训练数据集。
技术实现思路
1、针对现有技术中的缺陷,本发明的目的是提供一种肠镜影像数据扩增方法及系统。
2、根据本发明提供的一种肠镜影像数据扩增系统,包括:
3、模块m1:原始肠镜图像数据集通过几何学形态变换与深度卷积生成对抗网络融合进行数据扩增,得到增强数据集;
4、模块m2:将原始肠镜图像数据集和增强数据集进行标定,得到标定数据集;
5、模块m3:利用标定数据集训练目标检测模型,得到训练后的目标检测模型;
6、模块m4:利用训练后的目标检测模型进行目标检测。
7、优选地,所述模块m1采用:
8、模块m1.1:对原始肠镜图像数据集通过几何学形态变换进行图像数据扩增;所述几何学形态方法包括:图像旋转以及变形的方法进行图像数据扩增;
9、模块m1.2:对扩增后的图像数据进行预处理,得到影像学的第一增强数据集;
10、模块m1.3:基于原始肠镜图像数据集训练深度卷积生成对抗网络,利用训练后的深度卷积生成对抗网络生成第二增强数据集;
11、模块m1.4:基于第一增强数据集和第二增强数据集得到增强数据集。
12、优选地,在所述模块m1.2中,对扩增后的图像数据进行包括去噪、去雾、色彩恢复以及直方图均衡化处理,对影像目标物的轮廓、色彩以及对比度做改善处理。
13、优选地,所述深度卷积生成对抗网络包括:深度卷积生成模型和深度卷积判别模型;
14、所述深度卷积生成模型包括:全连接层、预设数量的小步长卷积层以及输出层;
15、所述深度卷积判别模型包括:预设数量的小步长卷积层、全连接层以及输出层。
16、优选地,所述深度卷积生成模型是将随机向量经过全连接层重塑为一个预设大小的向量,再通过预设数量的小步长卷积层将尺寸依次增大最终输出为预设大小的图像;
17、其中,激活函数在卷积层的最后一层使用tanh将尺寸规模限制在[-1,1]中。
18、所述深度卷积判别模型是输入图像经过预设数量的小步长卷积层提取到预设大小的特征图,其中,卷积层的最后一层使用一维卷积核;将特征图输入全连接层。
19、根据本发明提供的一种肠镜影像数据扩增方法,包括:
20、步骤s1:原始肠镜图像数据集通过几何学形态变换与深度卷积生成对抗网络融合进行数据扩增,得到增强数据集;
21、步骤s2:将原始肠镜图像数据集和增强数据集进行标定,得到标定数据集;
22、步骤s3:利用标定数据集训练目标检测模型,得到训练后的目标检测模型;
23、步骤s4:利用训练后的目标检测模型进行目标检测。
24、优选地,所述步骤s1采用:
25、步骤s1.1:对原始肠镜图像数据集通过几何学形态变换进行图像数据扩增;所述几何学形态方法包括:图像旋转以及变形的方法进行图像数据扩增;
26、步骤s1.2:对扩增后的图像数据进行预处理,得到影像学的第一增强数据集;
27、步骤s1.3:基于原始肠镜图像数据集训练深度卷积生成对抗网络,利用训练后的深度卷积生成对抗网络生成第二增强数据集;
28、步骤s1.4:基于第一增强数据集和第二增强数据集得到增强数据集。
29、优选地,在所述步骤s1.2中,对扩增后的图像数据进行包括去噪、去雾、色彩恢复以及直方图均衡化处理,对影像目标物的轮廓、色彩以及对比度做改善处理。
30、优选地,所述深度卷积生成对抗网络包括:深度卷积生成模型和深度卷积判别模型;
31、所述深度卷积生成模型包括:全连接层、预设数量的小步长卷积层以及输出层;
32、所述深度卷积判别模型包括:预设数量的小步长卷积层、全连接层以及输出层。
33、优选地,所述深度卷积生成模型是将随机向量经过全连接层重塑为一个预设大小的向量,再通过预设数量的小步长卷积层将尺寸依次增大最终输出为预设大小的图像;
34、其中,激活函数在卷积层的最后一层使用tanh将尺寸规模限制在[-1,1]中。
35、所述深度卷积判别模型是输入图像经过预设数量的小步长卷积层提取到预设大小的特征图,其中,卷积层的最后一层使用一维卷积核;将特征图输入全连接层。
36、与现有技术相比,本发明具有如下的有益效果:本发明通过几何学形态变换与深度卷积生成对抗网络融合进行数据扩增,解决了肠镜图像数据不足问题。
1.一种肠镜影像数据扩增系统,其特征在于,包括:
2.根据权利要求1所述的肠镜影像数据扩增系统,其特征在于,所述模块m1采用:
3.根据权利要求2所述的肠镜影像数据扩增系统,其特征在于,在所述模块m1.2中,对扩增后的图像数据进行包括去噪、去雾、色彩恢复以及直方图均衡化处理,对影像目标物的轮廓、色彩以及对比度做改善处理。
4.根据权利要求2所述的肠镜影像数据扩增系统,其特征在于,所述深度卷积生成对抗网络包括:深度卷积生成模型和深度卷积判别模型;
5.根据权利要求4所述的肠镜影像数据扩增系统,其特征在于,所述深度卷积生成模型是将随机向量经过全连接层重塑为一个预设大小的向量,再通过预设数量的小步长卷积层将尺寸依次增大最终输出为预设大小的图像;
6.一种肠镜影像数据扩增方法,其特征在于,包括:
7.根据权利要求6所述的肠镜影像数据扩增方法,其特征在于,所述步骤s1采用:
8.根据权利要求7所述的肠镜影像数据扩增方法,其特征在于,在所述步骤s1.2中,对扩增后的图像数据进行包括去噪、去雾、色彩恢复以及直方图均衡化处理,对影像目标物的轮廓、色彩以及对比度做改善处理。
9.根据权利要求7所述的肠镜影像数据扩增方法,其特征在于,所述深度卷积生成对抗网络包括:深度卷积生成模型和深度卷积判别模型;
10.根据权利要求9所述的肠镜影像数据扩增方法,其特征在于,所述深度卷积生成模型是将随机向量经过全连接层重塑为一个预设大小的向量,再通过预设数量的小步长卷积层将尺寸依次增大最终输出为预设大小的图像;