Devido à quantidade limitada de amostras e ao desequilíbrio de classes na imagem óssea, a classificação da imagem óssea apresenta grandes dificuldades. Para melhorar a precisão da classificação da imagem óssea, este artigo propõe um método de classificação baseado na geração de dados por meio de uma rede adversarial generativa condicional com classificador auxiliar (ACGAN) e aprendizado por transferência. Primeiramente, para resolver o problema do desequilíbrio de classes na imagem óssea, foi projetado o modelo MU-ACGAN. Esse modelo utiliza o U-Net como estrutura do gerador, combinando conexões residuais densas e um mecanismo de atenção canal-espacial para melhorar a geração de características detalhadas da imagem óssea; o discriminador utiliza blocos convolucionais residuais densos com atenção para extrair características da imagem óssea para classificação; em seguida, foi combinada a abordagem tradicional de aumento de dados para expandir ainda mais a quantidade de dados; finalmente, foi projetada uma rede neural convolucional em múltiplas escalas para extrair características da imagem óssea em diferentes escalas, melhorando o desempenho da classificação. Durante o treinamento do modelo, foi adotada uma abordagem de aprendizado por transferência em duas fases para otimizar os parâmetros iniciais do modelo e resolver o problema de overfitting. Os resultados experimentais mostram que o método proposto alcançou uma precisão de classificação de 85,71%, aliviando efetivamente o problema de baixa precisão de classificação em conjuntos de dados ósseos com pequenas amostras.

imagem óssea; rede adversarial generativa condicional com classificador auxiliar (ACGAN); aprendizado por transferência; mecanismo de atenção; aumento de dados