本发明涉及医学图像分类，尤其涉及一种基于深度增强度量学习的前列腺癌超声图像分类方法及装置。
背景技术：
1、在计算机科学和机器学习技术飞速发展的今天，图像数据库及其应用已成为科技前沿的焦点，触及包括生物医学、国防、工业、航天等多个关键领域。这些领域中，如何高效地构建、管理以及利用图像库以实现图像的智能化识别和检索，成为了学术界和工业界共同追求的目标。尤其在生物医学图像领域，面对庞大的数据量、多样的成像模态和复杂的成像特性，如何有效提取图像特征，成为了技术发展中的一大挑战。
2、在前列腺癌的诊断实践中，尽管数字直肠检查、磁共振成像(mri)、前列腺特异性抗原(psa)检测和活检等方法被广泛使用，但这些方法或因侵入性、高昂的成本以及准确性的局限而受到限制。超声检查以其低成本、无侵入性和便携性优势，成为了一种重要的诊断手段。然而，由于操作者的技术水平、图像的对比度和噪声等因素的影响，超声图像在前列腺癌的诊断中面临识别精度不足的问题，特别是在区分良性与恶性肿瘤时遇到了显著的难题。
3、近年来，基于深度学习的图像处理技术在提高超声图像诊断准确性方面取得了一定的进展。这些技术主要依靠卷积神经网络(cnn)从图像中自动提取特征并分类。然而，由于前列腺癌图像的高内部变异性和类别间相似性，现有的方法在细微特征的识别和分类上仍存在不足。虽然深度学习在图像分类方面取得了进步，但这些方法往往忽视了挖掘高度相似图像样本间细微差异的重要性。此外，由于样本获取的困难，这些技术在处理有限样本集时的性能也受到限制。
技术实现思路
1、本发明提供一种基于深度增强度量学习的前列腺癌超声图像分类方法及装置，以解决现有技术中的在有限的样本下分类准确率低的问题。
2、为实现上述目的，本发明提供一种
3、第一方面，本发明提供了一种前列腺癌超声图像分类方法，包括以下步骤：
4、获取目标对象的前列腺超声图像作为输入图像；
5、对所述输入图像进行预处理，得到预处理图像；
6、将预处理图像输入到预构建的前列腺超声图像深度增强度量学习网络，从中自动提取高维特征，并将所述高维特征映射到嵌入空间中，生成代表图像内容的嵌入向量，其中，所述深度增强度量学习网络通过结合语义差异挖掘、线性插值增强和置换辅助重建损失来优化特征表示；
7、调用knn分类器对所述嵌入向量进行分类，根据所述嵌入向量之间的距离度量将每个测试样本归类到最近的训练样本所属的类别中，以此判断图像所表示的前列腺组织是良性还是恶性。
8、如上所述的前列腺超声图像分类方法，进一步地，将预处理图像输入到预构建的前列腺超声图像深度增强度量学习网络，还包括：
9、调用预训练的googlenet网络对预处理图像进行特征提取，得到特征向量，所述特征向量组成第一特征空间。
10、如上所述的前列腺超声图像分类方法，进一步地，生成代表图像内容的嵌入向量，具体包括：
11、构建第一生成器，
12、调用所述第一生成器将所述第一特征空间的特征向量映射形成嵌入空间的嵌入向量。
13、如上所述的前列腺超声图像分类方法，进一步地，所述语义差异挖掘，包括步骤：
14、对嵌入空间的嵌入向量进行归一化处理；
15、基于归一化后的两嵌入向量yi和yj之间的相似度计算公式为：
16、sij＝yiyj
17、设定目标函数lm，目标函数lm用于优化锚点嵌入向量ya与正样本嵌入向量yep的接近度，
18、同时推远负样本嵌入向量yhn，其表达式如下：
19、
20、其中，(ya,yep,yhn)构成三元组；，ya为训练的批次中锚图像的嵌入表示；yep为容易正样本的嵌入，即与ya最相似的同类样本的嵌入，其所述容易正样本计算公式如下：
21、yep＝argmax(ya，yx),c(a)＝c(x)#
22、yhn为难负样本，即与ya最相似的非同类样本的嵌入，其所述难负样本计算公式如下：
23、yhn＝argmax(ya，yx),c(a)≠c(x)#。
24、如上所述的前列腺超声图像分类方法，进一步地，所述线性插值增强，包括步骤：
25、在嵌入空间中选取同一类别内的两个嵌入向量yi和yj；
26、执行线性插值操作，根据以下公式计算，以生成它们之间的中间向量和其方法为：
27、
28、
29、其中，超参数λ的取值范围在0.1到0.5之间，以在嵌入空间中生成新的嵌入向量。
30、如上所述的前列腺超声图像分类方法，进一步地，所述置换辅助重建损失，包括步骤：
31、构建第二生成器；
32、调用所述第二生成器将嵌入空间的嵌入向量映射形成第二特征空间的特征向量；
33、根据第一特征空间的特征向量和第二特征空间的特征向量的重建损失lrecon辅助重建所述第二生成器，其中，
34、
35、式中，xi为第一特征空间的特征向量，x'i为第二特征空间的特征向量。
36、如上所述的前列腺超声图像分类方法，进一步地，所述置换辅助重建损失，还包括步骤：
37、根据第二特征空间的特征向量打乱同类次数生成第三特征空间的特征向量；
38、根据第一特征空间的特征向量和第三特征空间的特征向量的罚项lpen辅助重建所述第二生成器，其中，
39、
40、式中，xi为第一特征空间的特征向量，x”i为第三特征空间的特征向量。
41、第二方面，本发明实施例还提供了一种电子设备，包括处理器以及存储器；
42、所述存储器用于存储程序；
43、所述处理器执行所述程序实现如前面所述的方法。
44、第三方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
45、第四方面，本发明实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
46、本发明与现有技术相比，其有益效果在于：
47、1、提高分类准确率：daml网络通过结合语义差异挖掘策略(sdms)、线性插值增强策略(lias)和配对辅助重建损失(parl)，显著提高了良性和恶性肿瘤分类的准确率。实验结果表明，该方法在良性和恶性肿瘤分类的准确性分别达到了0.857和0.888，显著高于传统的深度学习方法和其他度量学习方法。
48、2、强化微妙特征的识别能力：sdms的引入使得daml网络能够更有效地挖掘和识别在超声图像中良性和恶性肿瘤之间的微妙差异，这是传统深度学习方法难以实现的。通过对比学习和特征空间的优化，daml网络可以更准确地分类具有高度相似性的图像。
49、3、提升模型的泛化能力：通过lias策略，daml网络能够在有限的样本情况下通过数据增强提升模型的泛化能力，解决了小样本学习环境中的挑战。parl策略进一步优化了模型的特征重建过程，使得模型能够有效处理类内变异性大的样本，进一步增强了模型的泛化能力。
50、4、减少误诊和漏诊率：daml网络的高准确率和强泛化能力意味着在实际临床应用中可以显著减少误诊和漏诊的风险，为患者提供更准确的诊断结果，从而使患者能够及时获得正确的治疗。
1.一种前列腺癌超声图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的前列腺超声图像分类方法，其特征在于，将预处理图像输入到预构建的前列腺超声图像深度增强度量学习网络，还包括：
3.根据权利要求1所述的前列腺超声图像分类方法，其特征在于，生成代表图像内容的嵌入向量，具体包括：
4.根据权利要求1所述的前列腺超声图像分类方法，其特征在于，所述语义差异挖掘，包括步骤：
5.根据权利要求1所述的前列腺超声图像分类方法，其特征在于，所述线性插值增强，包括步骤：
6.根据权利要求1所述的前列腺超声图像分类方法，其特征在于，所述置换辅助重建损失，包括步骤：
7.根据权利要求6所述的前列腺超声图像分类方法，其特征在于，所述置换辅助重建损失，还包括步骤：
8.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行，以实现如权利要求1至7任一所述的前列腺超声图像分类方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现权利要求1至7任一所述的前列腺超声图像分类方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的前列腺超声图像分类方法。
