掌指关节炎是类风湿性关节炎的一种,具有起病隐匿、发展缓慢的特点,早期的主要临床表现为滑膜炎,该疾病如果不能得到及时的诊治,患者的骨骼会受到影响,临床症状也会由较轻的关节肿胀、疼痛演变为关节病变、关节功能丧失,严重情况下甚至有可能导致残疾。得益于无创伤、成像快、成本低等优点,超声检测已经成为临床上早期诊断掌指关节滑膜炎的主要手段。目前超声图像的阅片、评级工作仍然依靠专业医生人工完成,因而诊断不可避免地带有主观性,不同医生之间面临诊断一致性差等问题,此外繁重的阅片工作会占用医生大量时间,加重他们的工作负担。本文致力于实现对掌指关节滑膜炎的智能评级,本质上是一种基于超声图像的自动分类方法。医学图像普遍都存在图像数据量小的问题,无法满足深度学习对于训练数据量的要求。使用传统的图像增广方法虽然在一定程度上能够起到扩大数据集的目的,但是图像多样性得不到保障,容易引发训练模型的过拟合问题。本文针对该问题,提出了一种基于生成对抗网络增广超声图像的掌指关节滑膜炎自动评级方法,在扩大数据集的同时也能保证图像的多样性,从而规避分类模型过拟合问题。在提出的方法中,搭建了适用于掌指关节滑膜炎超声图像大尺寸输入的HRGAN模型,利用多次裁剪的传统图像增广方法制作了HRGAN模型的训练数据集;接着在训练集上进行训练得到能生成“以假乱真”图像的生成器,再利用生成器生成大量的“假”图像交给专业医生进行筛选和评级;之后将医生返回的符合要求的“假”图像与临床采集得到的真实图像混合组成分类数据集,最后在该数据集上训练分类网络以实现对掌指关节滑膜炎的智能评级。本文提出的智能评级方法可以实现对掌指关节滑膜炎超声图像的自动分类,其一方面能够给缺乏相关经验的年轻医生提供学习素材、辅助临床诊断来减轻医生工作负担;另一方面也可以为相关的临床研究尤其是涉及多中心的研究课题提供标准化的参考。与此同时,该方法对于同样面临着图像数据量较小问题的手腕关节、膝关节等部位的超声图像的智能诊断具备一定的通用性。在之后的工作中可以对方法加以改进以应用于全身各个关节。