一种基于单一影像数据源的高泛化性模型构建方法及系统与流程

本文件涉及图像分析，尤其涉及一种基于单一影像数据源的高泛化性模型构建方法及系统。

背景技术：

1、近年来，深度学习在医学影像领域的应用取得了长足的进展，基于大规模的医学影像数据集，许多影像分析模型在部分疾病上甚至达到了临床可用的水平。然而，与自然影像相似，深度学习模型在医学影像领域同样面临着泛化性的问题。以ct影像为例，不同的设备厂商，不同的影像科医生，都会导致最终扫描得到的ct影像产生差异。而由于模型开发过程中所使用到的数据难以将所有的差异都覆盖完全，模型在不同的影像中心会产生不同的分析效果，同时会出现因为影像差异过大而导致模型无法正常应用的情况。因此，迫切需要针对医学影像泛化性相关的技术，帮助影像分析模型免受跨中心应用时所带来的负面影响，进一步提升人工智能对医疗行业的赋能效果。

2、在自然图像中，常用的领域泛化性方法是首先目标应用领域的数据，进而可以通过并优化计算目标领域与开发数据域间的差异，从而来提升不同领域间的泛化性。然而，由于数据的隐私问题以及获取难度问题，开发人员通常难以获得目标应用领域的数据，因此无法直接利用自然图像中通常的泛化性方法。同时，上述两个问题也同样导致，医学影像分析模型的开发数据，通常来源于单一医疗中心，这无疑为模型泛化性的保障带来了进一步的难度。因此，面向单一数据源的泛化性提升方法，是医学影像分析中更加现实的临床需求。

技术实现思路

1、本说明书一个或多个实施例提供了一种基于单一影像数据源的高泛化性模型构建方法，包括：

2、s1.采集原始影像数据，对所述原始影像数据进行数据增强处理，得到扩充数据；

3、s2.基于原始影像数据构建初始影像分析模型，将得到的扩充数据与原始影像数据一起输入到所述初始影像分析模型进行迭代训练，得到第二影像分析模型；

4、s3.在所述第二影像分析模型的骨干网络之后增设多个识别网络，对所述骨干网络提取的目标特征进行识别，得到第三影像分析模型；

5、s4.对所述第三影像分析模型进行测试，分析模型泛化效果。

6、进一步地，所述对所述原始影像数据进行数据增强处理的方法具体为：

7、通过控制数据进行数据增强时的强度α进行数据扩充，所述数据增强包括对原始影像数据进行裁剪、旋转、改变图像明暗对比度或通过训练图像生成网络对原始影像数据进行数据扩充，得到扩充数据；其中，α的值越高，则变换的强度越大。

8、进一步地，所述得到的扩充数据与原始数据一起输入到所述初始影像分析模型进行迭代训练，得到第二影像分析模型的具体方法为：

9、将所述原始影像数据以及所述扩充数据共同输入所述初始影像分析模型进行模型训练；

10、针对所述扩充数据，通过初始影像分析网络进行前向推理，获得所述扩充数据在初始影像分析模型中的分析结果及所对应的置信度；

11、将该置信度与进行此次数据扩充前数据的置信度进行作差，两者差值的倒数为此次扩充数据在初始影像分析模型训练时所占的权重；

12、不断提升数据变换强度α的值，按上述方法进行迭代训练，直至原始影像数据模型精度不再提升，得到第二影像分析模型。

13、进一步地，在所述第二影像分析模型的骨干网络之后增设多个识别网络，对所述骨干网络提取的目标特征进行识别，得到第三影像分析模型具体包括：

14、在所述第二影像分析模型的骨干网络之后增设多个识别网络；

15、将所述骨干网络提取的特征数据经不同的编码网络进行特征编码后输入对应的识别网络进行识别，得到识别结果；

16、所述第二影像分析模型与所述多个识别网络组成第三影像分析模型。

17、本说明书一个或多个实施例提供了一种基于单一影像数据源的高泛化性模型构建系统，包括：

18、数据处理模块：用于采集原始影像数据，对所述原始影像数据进行数据增强处理，得到扩充数据；

19、第一优化模块：用于基于原始影像数据构建初始影像分析模型，将得到的扩充数据与原始数据一起输入到所述初始影像分析模型进行迭代训练，得到第二影像分析模型；

20、第二优化模块：用于在所述第二影像分析模型的骨干网络之后增设多个识别网络，对所述骨干网络提取的目标特征进行识别，得到第三影像分析模型；

21、模型测试模块：用于对所述第三影像分析模型进行测试，分析模型泛化效果。

22、进一步地，所述数据处理模块具体用于：

23、通过控制数据进行数据增强时的强度α进行数据扩充，所述数据增强包括对原始影像数据进行裁剪、旋转、改变图像明暗对比度或通过训练图像生成网络对原始影像数据进行数据扩充，得到扩充数据；其中，α的值越高，则变换的强度越大。

24、进一步地，所述第一优化模块进一步用于：

25、将所述原始影像数据以及所述扩充数据共同输入所述初始影像分析模型进行模型训练；

26、针对所述扩充数据，通过初始影像分析网络进行前向推理，获得所述扩充数据在初始影像分析模型中的分析结果及所对应的置信度；

27、将该置信度与进行此次数据扩充前数据的置信度进行作差，两者差值的倒数为此次扩充数据在初始影像分析模型训练时所占的权重；

28、不断提升数据变换强度α的值，按上述方法进行迭代训练，直至原始影像数据模型精度不再提升，得到第二影像分析模型。

29、进一步地，所述第二优化模块具体用于：

30、在所述第二影像分析模型的骨干网络之后增设多个识别网络；

31、将所述骨干网络提取的特征数据经不同的编码网络进行特征编码后输入对应的识别网络进行识别，得到识别结果；

32、所述第二影像分析模型与所述多个识别网络组成第三影像分析模型。

33、本说明书一个或多个实施例提供了一种电子设备，包括：

34、处理器；以及，

35、被安排成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器实现：

36、采集原始影像数据，对所述原始影像数据进行数据增强处理，得到扩充数据。

37、基于原始影像数据构建初始影像分析模型，将得到的扩充数据与原始影像数据一起输入到所述初始影像分析模型进行迭代训练，得到第二影像分析模型；

38、在所述第二影像分析模型的骨干网络之后增设多个识别网络，对所述骨干网络提取的目标特征进行识别，得到第三影像分析模型；

39、对所述第三影像分析模型进行测试，分析模型泛化效果。

40、本说明书一个或多个实施例提供了一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现：

41、采集原始影像数据，对所述原始影像数据进行数据增强处理，得到扩充数据。

42、基于原始影像数据构建初始影像分析模型，将得到的扩充数据与原始影像数据一起输入到所述初始影像分析模型进行迭代训练，得到第二影像分析模型；

43、在所述第二影像分析模型的骨干网络之后增设多个识别网络，对所述骨干网络提取的目标特征进行识别，得到第三影像分析模型；

44、对所述第三影像分析模型进行测试，分析模型泛化效果。

45、采用本发明实施例，从数据和模型两方面同时入手，对于数据，通过增加数据随机性，从而在数据维度上为模型提供更多可分析特征；对于模型，通过增加多个分析网络，同时保障每一个网络的分析性能，提升骨干网络关键特征抽取能力，能够在保障模型分析精度的基础上提升其泛化能力，解决了医学影像分析模型开发过程中，因开发数据来源为单一中心时所带来的应用泛化性能不足问题。

46、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。