[发明专利]医疗数据生成方法、装置、电子设备及存储介质

说明书

本发明提供了一种医疗数据生成方法、装置、电子设备及存储介质。本发明提供的医疗数据生成方法，包括以下步骤：对原始医疗数据进行预处理，得到若干个真实样本数据；将至少一个真实样本数据，输入医疗数据扩增模型，得到生成样本数据；将生成样本数据补充至真实样本数据，得到医疗样本数据。如此配置，针对深度学习医疗数据量不足的问题，本发明提出的医疗数据生成方法、装置、电子设备及存储介质，基于生成对抗网络，可以生成大量风格与真实数据相似且判别网络判别为真的生成医疗数据，从而解决了医疗领域中，由于隐私性、罕见疾病数据量小、采集困难等原因难以获取大量训练数据的问题。

技术领域

本发明涉及医疗技术领域，尤其涉及一种医疗数据生成方法、装置、电子设备及存储介质。

背景技术

近年来，随着信息技术的飞速发展和计算机应用水平的不断提高，机器学习模型和医疗影像技术极大地提升了现代医疗诊断水平，并已成为推动医学进步的主要动力之一。

机器学习模型尤其是深度学习模型往往需要大量的一致性好、标注正确的数据进行训练才能发挥较好的性能。然而，由于医疗数据常常涉及用户隐私、罕见疾病样本少、采集成本昂贵等原因，导致医疗数据稀缺，难以获取大量的训练数据。尤其是在放射治疗中的剂量预测领域，各个医院之间的放疗计划，甚至是同一个医院的放疗计划，存在数据不一致的问题，能够获取到的放疗计划和剂量数据更加稀少，往往只有数百例。同时，与普通图像相比，医学图像纹理更多，分辨率更高，相关性更强，导致医疗数据质量层次不齐，可用样本数远小于特征数。由此可见，在医疗影像中由于受自然因素的影响和数据记录条件的限制，直接得到大量有标签的原始医疗数据通常是不现实的。反过来，医疗数据的缺乏，往往导致基于深度学习算法建立的模型准确度不高，不利于医生诊断，甚至导致一些机器学习算法无法使用，大大影响了深度学习算法在放疗剂量预测领域的应用。

为了解决医疗数据缺乏的问题，需要对医疗数据进行数据扩充。现有技术中，通常采用传统数据增强/增广方法对医疗数据进行扩充，即通过对已有数据进行简单的平移、旋转、裁剪等操作，得到更多数据。传统的数据增强/增广的方式虽然对深度学习算法的效果确实有所提升，但实际应用在放射治疗领域时，对深度学习的效果提升还不能够充分满足放疗领域的需要。这是因为数据增强/增广方法并没有在本质上增加数据量，生成的数据与原始数据之间有很大的相似性，实际上未出现新的样本，导致数据的冗余量很大。

因此，如何提供一种医疗数据生成方法，解决现有技术中医疗数据样本不足的问题，从而满足深度学习模型的样本数据多样性的要求，日益成为本领域技术人员亟待解决的技术问题之一。

需要说明的是，公开于该发明背景技术部分的信息仅仅旨在加深对本发明一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

发明内容

本发明的目的在于，针对现有技术中深度学习中放疗治疗数据不足的问题，提供一种医疗数据生成方法、装置、电子设备及存储，以生成大量与真实数据相似且判别网络判别为真的数据，进而提升剂量预测深度学习网络的训练效果，使得剂量预测的结果达到临床接受水平。

为实现上述目的，本发明通过以下技术方案予以实现：一种医疗数据生成方法，包括以下步骤：

对原始医疗数据进行预处理，得到若干个真实样本数据；

将至少一个所述真实样本数据，输入医疗数据扩增模型，得到生成样本数据；

将所述生成样本数据补充至所述真实样本数据，得到医疗样本数据。

可选地，所述对原始医疗数据进行预处理，得到若干个真实样本数据的方法，包括：

按照预设特征分类规则，将所述原始医疗数据分类为若干组，将同一类的若干原始医疗数据作为一组得到所述真实样本数据；其中，所述真实样本数据包括患者的CT勾画或计划剂量信息。