[发明专利]生成对抗网络交替训练及医疗图像分类方法、装置、介质

说明书

本发明公开了生成对抗网络交替训练及医疗图像分类方法、装置、介质，通过对生成器和判别器的收敛程度进行度量，能够量化生成器和判别器的训练收敛程度；通过制定自适应交替训练策略，能够根据当前生成器和判别器的收敛程度，自适应地确定下一次是训练生成器还是判别器；通过基于自适应生成对抗网络对医疗影像进行疾病分类，能够提高分类准确率和识别效果，辅助医护人员对疾病进行诊断。

技术领域

本发明涉及人工智能领域，特别是一种生成对抗网络交替训练及医疗图像分类方法、装置、介质。

背景技术

图像生成模型是近年来深度学习的一个热门研究领域（Yi X, Walia E, BabynP. Generative adversarial network in medical imaging: A review. Medical ImageAnalysis, 2019, 58: 101552）。生成模型通过从数据集中学习样本的数据分布，在生成样本时从数据分布中进行随机抽样，生成不同于数据集中原始样本的新样本。由于对样本的数据分布建模时在连续的特征空间中进行，从数据分布进行随机采样时，取到训练集样本对应点的概率很小。因此，生成的样本相对于原始训练集样本，有新的特征，起到了丰富数据集的作用。常见的图像生成模型包含自编码器（Han P Y, Jin A T B, Abas F S.Neighbourhood preserving discriminant embedding in face recognition. Journalof Visual Communication and Image Representation, 2009, 20(8): 532-542）和生成对抗网络（Goodfellow I, Pouget J, Mirza M, et al. Generative adversarialnets//Advances in Neural Information Processing Systems. 2014: 2672-2680）。生成对抗网络相较于自编码器模型有独特的优势。自编码器通过图像重建损失函数度量生成样本与真实样本的分布差异，以显式度量的方式衡量生成样本的好坏，通过训练使得解码器生成的样本接近真实样本。生成对抗网络包含生成器和判别器。生成对抗网络通过判别器对生成样本的真假进行判断，让判别器网络区分生成样本和真实样本，以隐式度量的方式衡量生成样本的好坏，通过训练使得生成器生成的样本接近真实样本，生成对抗网络具有生成高清晰度图片的优势。

生成器和判别器的训练次数影响了生成对抗网络的收敛性。在现有的各种生成对抗网络中，都遵循生成器和判别器交替训练的方式。生成器和判别器交替训练，生成器和判别器的训练次数比例成为一个重要的超参数。在不同的生成对抗网络中，训练次数比有不同的取值。训练次数比决定了生成器和判别器的训练程度，对生成对抗网络的最终收敛有较大影响。但现有生成对抗网络将训练次数比设置为固定的值，具有较强的主观性，并且可能依赖于所使用的数据集。因此，在生成对抗网络中，如何打破传统的生成器和判别器交替训练方式，构建一种基于自适应交替训练策略的生成对抗网络，不再设置训练次数比的超参数，从而提高生成对抗网络的收敛性，是亟待解决的问题。