[发明专利]异常区域图像生成网络的训练方法和相关产品

说明书

本申请涉及一种异常区域图像生成网络的训练方法和相关产品。该方法包括：获取训练样本图像，训练样本图像具有异常区域；将训练样本图像输入初始异常区域图像生成网络，得到初始异常区域图像，以及将初始异常区域图像与训练样本图像进行融合，得到融合图像；其中，融合图像包括预设的仿真标记；将融合图像和真实样本图像输入初始判别网络，得到融合图像的判别结果；采用损失函数计算判别结果与仿真标记之间的损失，根据损失对初始判别网络和初始异常区域图像生成网络进行训练；当损失函数的值达到收敛时，初始异常区域图像生成网络训练完成，得到异常区域图像生成网络。该方法可以提高训练得到的异常区域图像生成网络的精度以及训练效率。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种异常区域图像生成网络的训练方法和相关产品。

背景技术

在医疗领域中，脑部疾病指颅内组织器官(如脑膜血管、大小脑、脑干、颅神经等)的炎症、血管病、肿瘤、病变、畸形、遗传病等的总称，通常情况下，脑部疾病会在脑部医学影像上有所体现，如脑肿瘤、脑出血、帕金森病、阿尔茨海默病等。核磁共振成像(NuclearMagnetic Resonance Imaging，MRI)因其无放射性、对脑结构成像质量高的特点，被广泛应用于脑部疾病的诊断中，计算机辅助诊断(Computer Aided Diagnosis，CAD)可以根据MRI影像有效筛查脑部疾病患者，大大降低医生的工作量及提高检测的准确度。

目前CAD系统通常会根据患者的脑部影像显示其与正常图像的差异(即异常区域)，较多的异常区域检测主要依赖深度学习分割网络的分割操作，但在深度学习分割网络的训练过程中需要人工标注的分割结果作为学习的标准，而高质量的人工标注数据通常比较有限。因此，其学习得到的深度学习分割网络分割结果的精度较低。

发明内容

基于此，有必要针对传统技术中学习得到的深度学习分割网络分割结果的精度较低的问题，提供一种异常区域图像生成网络的训练方法和相关产品。

第一方面，本申请实施例提供一种异常区域图像生成网络的训练方法，包括：

获取训练样本图像，训练样本图像具有异常区域；

将训练样本图像输入初始异常区域图像生成网络，得到初始异常区域图像，以及将初始异常区域图像与训练样本图像进行融合，得到融合图像；其中，融合图像包括预设的仿真标记；

将融合图像和真实样本图像输入初始判别网络，得到融合图像的判别结果；

采用损失函数计算判别结果与仿真标记之间的损失，根据损失对初始判别网络和初始异常区域图像生成网络进行训练；当损失函数的值达到收敛时，初始异常区域图像生成网络训练完成，得到异常区域图像生成网络。

在其中一个实施例中，上述根据损失对初始判别网络和初始异常区域图像生成网络进行训练，包括：

根据损失调整初始判别网络的网络参数，调整后的初始判别网络使得损失函数的值减小；

根据损失调整初始异常区域图像生成网络的网络参数，调整后的初始异常区域图像生成网络使得损失函数的值增大。

在其中一个实施例中，上述方法还包括：

根据损失函数、初始异常区域图像以及对损失函数的值的数学期望，构建网络模型优化函数；当网络模型优化函数的值达到预设阈值时，表征损失函数的值达到收敛。

在其中一个实施例中，网络模型优化函数包括异常区域图像生成网络优化函数和判别网络优化函数，上述网络模型优化函数的值达到预设阈值，包括：

异常区域图像生成网络优化函数的值与判别网络优化函数的值之和达到预设阈值。

在其中一个实施例中，根据损失对初始判别网络和初始异常区域图像生成网络进行训练，还包括：