[发明专利]一种基于生成对抗网络的病灶检测模型的训练方法

权利要求书

1.一种基于生成对抗网络的病灶检测模型的训练方法，其特征在于，包括：

获取原始训练样本，所述原始训练样本包括目标组织的医学影像和标注信息；

根据所述标注信息，确定所述医学影像中的正常图像和异常图像，从所述异常图像中提取病灶区域图像，并生成病灶区域的掩模二值图；

将所述正常图像、所述病灶区域图像、所述掩模二值图像作为三通道数据输入生成对抗网络中的生成器，得到合成图像；

将所述合成图像划分为多个子图像，利用所述生成对抗网络中的评价器分别对各个所述子图像进行评价，得到所述合成图像的综合评价结果；在所述综合评价结果满足预设要求时将所述合成图像作为合成训练样本；

利用所述原始训练样本和所述合成训练样本对病灶检测模型进行训练，直至达到预设终止条件，以完成对所述病灶检测模型的训练。

2.如权利要求1所述的方法，其特征在于，所述将所述正常图像、所述病灶区域图像、所述掩模二值图像作为三通道数据输入生成对抗网络中的生成器，得到合成图像，包括：

将所述正常图像、所述病灶区域图像、所述掩模二值图像作为三通道数据输入生成对抗网络中的生成器；

利用所述生成器中的编码器基于二维卷积滤波器逐步提取所述三通道数据的组织和病灶信息，并延展为一维特征信息；

利用所述生成器中的解码器采用二维反卷积滤波器对所述一维特征信息进行逐步上采样，得到合成图像。

3.如权利要求1所述的方法，其特征在于，在所述利用所述原始训练样本和所述合成训练样本对病灶检测模型进行训练，直至达到预设终止条件之后，还包括：

将待检测的所述目标组织的医学影像输入所述病灶检测模型，得到病灶区域的掩模信息，以作为病灶检测结果。

4.如权利要求3所述的方法，其特征在于，所述利用所述原始训练样本和所述合成训练样本对病灶检测模型进行训练，包括：

利用所述原始训练样本和所述合成训练样本对基于RCNN的病灶检测模型进行训练。

5.如权利要求3所述的方法，其特征在于，所述利用所述原始训练样本和所述合成训练样本对病灶检测模型进行训练，包括：

根据第一预设损失函数，利用所述原始训练样本和所述合成训练样本对病灶检测模型进行训练，所述第一损失函数用于衡量所述掩模信息的定位损失、分类损失和分割损失。

6.如权利要求1所述的方法，其特征在于，所述获取原始训练样本，所述原始训练样本包括目标组织的医学影像和标注信息，包括：

从公开数据集获取原始训练样本，所述原始训练样本包括成像部位的医学影像和标注信息。

7.如权利要求1-6任意一项所述的方法，其特征在于，所述利用所述生成对抗网络中的评价器分别对各个所述子图像进行评价，包括：

利用所述生成对抗网络中的评价器，根据第二损失函数分别对各个所述子图像进行评价，所述第二损失函数用于衡量所述合成图像与真实图像之间的对抗损失和先验知识损失，其中所述先验知识损失包括区域融合损失和背景损失。

8.一种基于生成对抗网络的病灶检测模型的训练装置，其特征在于，包括：

样本获取模块：用于获取原始训练样本，所述原始训练样本包括目标组织的医学影像和标注信息；

输入数据组织模块：用于根据所述标注信息，确定所述医学影像中的正常图像和异常图像，从所述异常图像中提取病灶区域图像，并生成病灶区域的掩模二值图；

图像合成模块：用于将所述正常图像、所述病灶区域图像、所述掩模二值图像作为三通道数据输入生成对抗网络中的生成器，得到合成图像；

图像评价模块：用于将所述合成图像划分为多个子图像，利用所述生成对抗网络中的评价器分别对各个所述子图像进行评价，得到所述合成图像的综合评价结果；在所述综合评价结果满足预设要求时将所述合成图像作为合成训练样本；

检测模型训练模块：用于利用所述原始训练样本和所述合成训练样本对病灶检测模型进行训练，直至达到预设终止条件，以完成对所述病灶检测模型的训练。