[发明专利]病灶图像生成方法、装置、电子设备及存储介质

说明书

本申请公开了一种病灶图像生成方法、装置、电子设备及存储介质，其中，方法包括：对至少一个历史病灶图像中的每个历史病灶图像进行图像识别处理，得到与至少一个历史病灶图像一一对应的至少一个掩膜图像；将每个掩膜图像与对应的历史病灶图像进行叠加处理，得到与至少一个掩膜图像一一对应的至少一个叠加图像；根据至少一个叠加图像、至少一个掩膜图像和至少一个历史病灶图像对改进型循环对抗神经网络进行训练，得到病灶图像生成网络；获取待生成病灶的原始图像；在至少一个掩膜图像中随机选择一个或多个图像与原始图像进行叠加处理，得到待处理图像；将待处理图像输入病灶图像生成网络，生成病灶图像。

技术领域

本发明涉及人工智能技术领域，具体涉及一种病灶图像生成方法、装置、电子设备及存储介质。

背景技术

随着影像设备逐渐数字化和计算机通讯技术的发展，数字化影像传输和电子胶片应运而生，众多传统医院已纷纷向数字化医院转型，在加快门诊就诊效率的同时也加大了医生对医学影像数据的审核量。因此，利用深度学习技术实现对医学影像的智能诊辅来减轻医生工作量已成为当前研究热点。通常而言，深度学习技术是通过网络自主学习数据特征的方式实现对模型的训练，其模型性能的优劣与训练所使用的样本量成正比，标注样本量越大且样本越具有多样性，则训练所得的模型的性能就越好。

但是，并非所有的疾病都能在短期内累积出足以训练高精度模型的样本数据。以脑CT数据为例，虽然脑CT数据每年都以一定的速度增长，但由于脑出血疾病并非常发疾病，而且其病灶类型较多，因此带有病灶的脑CT数据很难收集，绝大多数数据均是正常CT数据。即使最终能收集到一定量带有病灶的样本，但由于病灶的多样性，各类型病灶数据量也是严重失衡，同时医学数据只能由专业医生进行标注，需花费较大的时间、人力和物力成本，极大影响了模型的研发周期。

针对上述训练样本采集困难、标注量不足、成本较高的问题，现有技术的解决方案主要有以下几种：第一种是采用常用的旋转、平移、裁剪等图像扩增技术来增加样本量，但此方式仅是在现有数据基础上进行样本扩展，缺乏多样性，对于模型的增益较小；第二种是图像剪贴技术，通过将病变区域裁剪粘贴加到另一张图像上，虽然此方法能够弥补方法一在多样性上的不足，但由于粘贴的病灶在纹理过度上比较生硬，此类样本生成过多容易误导网络学习，而影响性能；第三是使用对抗生成网络(Generative Adversarial Networks，GAN)进行样本扩充，此方法不仅可以产生大量的样本，而且也能一定程度上解决生成样本的多样性和样本是否逼真的问题。但是，现有的GAN技术想要生成大量的逼真样本同样需要大量的训练样本，同时其生成图像的病灶位置是不可控制的，容易产生与现实中大脑发病部位机理不符的数据。

发明内容

为了解决现有技术中存在的上述问题，本申请实施方式提供了一种病灶图像生成方法、装置、电子设备及存储介质，可以根据少量的标注样本生成符合实际病灶部位分布的阳性数据，且病灶的位置、大小、形态分布均可控。

第一方面，本申请的实施方式提供了一种病灶图像生成方法，包括：

对至少一个历史病灶图像中的每个历史病灶图像进行图像识别处理，得到至少一个掩膜图像，其中，至少一个掩膜图像与至少一个历史病灶图像一一对应；

将每个掩膜图像与对应的历史病灶图像进行叠加处理，得到至少一个叠加图像，其中，至少一个叠加图像与至少一个掩膜图像一一对应；

根据至少一个叠加图像、至少一个掩膜图像和至少一个历史病灶图像对改进型循环对抗神经网络进行训练，得到病灶图像生成网络；

获取待生成病灶的原始图像；

在至少一个掩膜图像中随机选择一个或多个图像与原始图像进行叠加处理，得到待处理图像；

将待处理图像输入病灶图像生成网络，生成病灶图像。

第二方面，本申请的实施方式提供了一种病灶图像生成装置，包括：