[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

说明书

本申请公开了一种基于生成对抗网络的病灶检测模型的训练方法、装置、设备及可读存储介质，该方案采用了两种思路来降低生成对抗网络对数据的需求：一方面，将正常图像、病灶和病灶掩模组合成三通道图像数据，以作为网络的输入，这三个通道分别包含了不同的先验信息，从而降低了图像生成的难度；另一方面，在对抗生成网络的评价器中采用局部评价的方式，通过这种方式降低对网络深度的要求，因而也降低了对样本量的要求。最终，该方案实现利用小样本完成对生成对抗网络的训练的目的，从而有效扩充了病灶检测模型的训练样本，有助于提升病灶检测模型的检测性能。

技术领域

本申请涉及计算机技术领域，特别涉及一种基于生成对抗网络的病灶检测模型的训练方法、装置、设备及可读存储介质。

背景技术

从全世界范围来讲，癌症仍然是人类生命的最大的威胁。以乳腺癌为例，乳腺癌一直都是女性发生率最高的癌症。对于乳腺癌的及早治疗，不仅能够延长患者生命，而且从治疗成本上来讲，也将大幅减轻患者的总体开支，因而基于人工智能的乳腺癌钼靶成像辅助诊断越来越获得医生的重视。

近年来，随着深度学习在自然图像中获取的一系列的成功，人们也在尝试基于深度学习的方法来进行癌症的诊断和筛查。然而，基于卷积神经网络的深度学习方法对于数据样本的依赖性很强，往往需要大量的标注样本才能够让深度学习神经网络获取良好的表现。和自然图像相比，医学图像数据不仅获取困难，同时标注需要很有经验的医生才能够完成。除此之外医学影像数据也很容易存在样本的不平衡问题。

为解决上述问题，常见的解决办法主要是数据增广，通过如翻转、旋转、缩放、甚至是弹性形变等方法来对训练数据进行增广。但这种方法对于数据的增广能力有限，对于模型性能的提升不足。人们希望有一种方式能够生成一些新的数据，而这些数据是网络所从未训练过的。近年来，人们开始尝试使用基于深度学习的对抗生成网络来实现这种想法。例如，有学者采用对抗生成网络生成了高分辨率的医学影像[Kozegar,E.,Soryani,M.,Minaei,B.,Domingues,I.,et al.:Assessment of a novel mass detection algorithmin mammograms.Journal of cancer research and therapeutics(2013)]。还有学者提出了一种有限填充GANs能够在正常的钼靶影像中生成病灶[Wu,E.,Wu,K.,Cox,D.,Lotter,W.:Conditional in lling GANs for data augmentation in mammogramclassification.In:Image Analysis for Moving Organ,Breast,and Thoracic Images(2018)]。

然而，以乳腺钼靶为例，现有的基于对抗生成网络来生成训练样本的方法，均存在一个共同的问题，就是需要一个较大的样本量来实现对于对抗生成网络的训练，这些方法对于样本量较小时反而不适用。

综上，在病灶检测过程中，往往需要对样本进行扩充，传统的样本扩充方案基于生成对抗网络实现，但是，常规的生成对抗网络也需要较大的样本量完成训练，导致在小样本情况下生成对抗网络的样本扩充效果不理想，无法实现提升病灶检测性能的目的。

发明内容

本申请的目的是提供一种基于生成对抗网络的病灶检测模型的训练方法、装置、设备及可读存储介质，用以解决传统的基于生成对抗网络的样本扩充方案需要较多的样本完成对生成对抗网络的训练，导致在小样本情况下生成对抗网络的样本扩充效果不理想，无法实现提升病灶检测性能的问题。具体方案如下：

第一方面，本申请提供了一种基于生成对抗网络的病灶检测模型的训练方法，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；