[發明專利]基于生成對抗網絡的半監督X光圖像自動標注

在審

• 申請號: 201910250090.2
• 申請日: 2019-03-29
• 公開（公告）號: CN110110745A
• 公開（公告）日: 2019-08-09
• 發明（設計）人: 王典;劉坤;榮夢學
• 申請（專利權）人: 上海海事大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海互順專利代理事務所(普通合伙) 31332
• 代理人: 成秋麗

本發明提出了一種基于生成對抗網絡半監督X光自動標注方法，基于現有的生成對抗網絡方法，改進了傳統訓練方法，利用監督損失和無監督損失相結合的半監督訓練方法進行基于少量標注樣本的圖像分類識別。圍繞X光圖像標注數據稀缺性的問題進行研究，首先在傳統無監督生成對抗網絡基礎上用softmax替換最后輸出層，擴展成為半監督生成對抗網絡，其次對生成樣本定義額外類別標簽引導訓練，然后采用半監督訓練對網絡參數進行優化，最后采用訓練好的判別網絡對X光圖像進行自動標注。該方法在醫學X光圖像自動標注方面，相比于傳統監督學習和其他半監督學習算法性能得到了提高。

技術領域：

本發明是一種半監督圖像自動標注方法，特別是涉及醫學X光圖像標簽樣本稀缺性問題。具體地說，是一種基于生成對抗網絡的半監督醫學X光圖像自動方法。

背景技術：

近年來，隨著深度學習技術在計算機視覺方面的突破性進展，使得圖像分類、目標檢測和實例分割等自然圖像計算機視覺任務的性能顯著提高。因此基于深度學習的計算機視覺方法對早期疾病檢測和圖像診斷也開始得到廣泛應用，其中醫學X光學圖像作為最為直觀準確的疾病檢測和診斷手段，因此X光圖像分類和識別等領域的發展來說意義重大。然而，X光圖像分類性能取決于標簽數據集的大小，標簽數據量較小的情況下模型往往會出現過擬合等問題，嚴重影響其準確率，為患者的診斷結果帶來極大的誤診。而現實過程中，手工標注大型醫學圖像數據必然會消耗大量的人力物力成本。

標簽圖像樣本稀缺性問題為圖像的自動標注和識別帶來了困難，為此常采用半監督學習的方法以期望獲得更好的效果。半監督生成式模型的方法中，此類方法假設所有數據，無論是否有標記都是由同一個潛在的模型“生成”的。這個假設使得我們能通過潛在模型的參數將未標記數據與學習目標聯系起來，而未標記數據的標記則可看作模型的缺失參數，通常可基于EM算法進行極大似然估計求解。根據概率論公理得到后驗分布，找到使最大的類標簽對數據進行自動標注。這類算法的關鍵在于模型假設必須準確，即假設的模型必須與真實數據分布相吻合。但在現實問題中，往往很難事先對模型進行準確的預測和假設，使得算法最終的效果收模型設定影響很大，限制了其應用范圍。

針對以上問題，該發明提出了一種基于生成對抗網絡的半監督X圖像自動標注方法，能夠在基于標簽樣本稀疏性上獲得更加準確的的性能。

發明內容：

為了實現上述方法，本發明針對X影像標注中標簽樣本稀缺性問題，提出了一種基于生成對抗網絡的半監督醫學X光影像自動標注算法，模型判別器網絡通過監督損失和無監督損失相結合的訓練方式共同調整網絡參數，生成器網絡利用特征匹配來提高模型擬合真實數據的能力。采用半監督的訓練完成對X光圖像標注，該方法實現包括以下步驟：

步驟一：構建網絡結構：

網絡結構主要包括生成器和判別器，在生成對抗網絡的基礎上，通過將生成對抗網絡的生成器的生成圖像樣本添加到數據庫圖像中，對于一個K類分類問題，用新生成的類y＝K+1標注生成圖像樣本，相應地將判別器輸出softmax分類器的維數從K擴展到到K+1；

(一)構建生成器：

生成器網絡結構使用多層反卷積網絡來對隨機噪聲向量z進行上采樣，生成指定大小的生成圖像圖像。首先將符合高斯分布分布的100維隨機噪聲z輸入到全連接網絡，通過維度變換使其成為三維張量；然后將維度變換后的張量輸入到卷積核的大小為5×5，步長為2的多層反卷積層，每次完成反卷積之后都進行批量歸一化處理，除了最后輸出層使用tanh激活函數以外，其它層都采用ReLu激活函數，最后輸出層輸出指定大小為的張量，即為生成圖像樣本；

(二)構建判別器：