[发明专利]基于GAN的医学影像病灶检测标记数据增强方法及装置

说明书

本发明公开了一种基于GAN网络的医学影像病灶检测标记数据增强方法及装置，其中，方法包括以下步骤：根据影像数据通过病灶生成模型得到带有病灶的影像序列；根据带有病灶的影像序列通过判别模型识别带病灶的合成医学影像序列；通过病灶检测模型检测带病灶的合成医学影像序列，获取带标注的医学影像及其检测标注数据。该方法基于生成式对抗网络的思想，利用正常医学影像，可以生成大量高质量的带标注数据，可以有效提高医学影像检测模型的准确性和可靠性。

技术领域

本发明涉及医学图像检测及深度学习技术领域，特别涉及一种基于GAN(Generative Adversarial Networks，生成式对抗网络)网络的医学影像病灶检测标记数据增强方法及装置。

背景技术

随着医疗技术的发展，CT、MRI等医疗影像技术在诸如脑卒中、肿瘤、动脉瘤、出血等疾病的医学诊断中发挥着越来越重要的作用。但是在传统医疗系统中，需要由专家对医学影像进行分析与解读。面对大量患者的医学影像，这一方面加重了医疗系统的负担，对患者来说也增加了就诊的时间及成本。使用人工智能技术对医学影像进行自动处理与诊断，不但可以大大提高诊断效率并降低成本，同时可以与专家诊断相结合，从而提高诊断的准确率。

近年来，随着深度学习的快速发展，以深度卷积神经网络为代表的深度学习在图像处理领域诸如图像分类、物体检测等问题中已经有了较好的表现。深度卷积神经网络通过使用卷积层实现参数共享与局部连接，使用大量训练数据与标签，通过迭代训练优化参数，从而实现对问题输入输出的正确拟合。深度卷积神经网络在诸如肺结节检测等医学图像处理领域也有了更多的应用。

但是深度卷积神经网络模型依赖大量的有标数据。在现阶段，医学影像和对应病灶检测标注的获取成本是非常高的。数据集的缺少不利于训练深度卷积神经网络，会降低模型的可靠性和实用性。传统方法使用大量的特征工程来提取少量数据的有效信息。近期也有一些数据增强方法，在原数据的基础上进行翻转、缩放等操作来增加数据集规模，可以看到这些数据增强方法对模型训练很有帮助，但是数据集规模仍然有限。

发明内容

本申请是基于发明人对以下问题的认识和发现做出的：

目前，在医学影像人工智能处理中，需要使用大量的标注数据来帮助训练深度网络模型，而数据集越大，模型准确度越高。但是有异常的医学影像及其标注数据往往都是很难收集的，亟待解决。

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于GAN网络的医学影像病灶检测标记数据增强方法，该方法基于生成式对抗网络的思想，利用正常医学影像，可以生成大量高质量的带标注数据，可以有效提高医学影像检测模型的准确性和可靠性。

本发明的另一个目的在于提出一种基于GAN网络的医学影像病灶检测标记数据增强装置。

为达到上述目的，本发明一方面实施例提出了一种基于GAN网络的医学影像病灶检测标记数据增强方法，包括以下步骤：根据影像数据通过病灶生成模型得到带有病灶的影像序列；根据所述带有病灶的影像序列通过判别模型识别带病灶的合成医学影像序列；通过病灶检测模型检测所述带病灶的合成医学影像序列，获取带标注的医学影像及其检测标注数据。

本发明实施例的基于GAN网络的医学影像病灶检测标记数据增强方法，可以使用少量的有病灶的医学影像及其检测标注数据，和大量正常医学影像数据，并使用GAN网络，得到大量带病灶的医学影像及其检测标注数据，这些数据可以有效帮助训练医学影像处理深度学习模型，提高模型训练准确率，减少对病例影像数据量的依赖，从而基于生成式对抗网络的思想，利用正常医学影像，可以生成大量高质量的带标注数据，可以有效提高医学影像检测模型的准确性和可靠性。

另外，根据本发明上述实施例的基于GAN网络的医学影像病灶检测标记数据增强方法还可以具有以下附加的技术特征：