[發明專利]用于訓練生成式對抗網絡和使用經訓練的生成式對抗網絡的系統和方法

在審

• 申請號: 201980052903.5
• 申請日: 2019-06-11
• 公開（公告）號: CN112543941A
• 公開（公告）日: 2021-03-23
• 發明（設計）人: N·吳丁;朱利奧·伊萬吉利斯提;弗拉維奧·納瓦里
• 申請（專利權）人: 科斯默人工智能-AI有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 景懷宇

本公開涉及用于訓練并使用生成式對抗網絡的系統和方法。在一個實施方式中，一種訓練生成式對抗網絡的系統可以包括：至少一個處理器，其可以：提供第一多個圖像，所述第一多個圖像包括感興趣特征的表示以及感興趣特征的位置的指示符；并且利用第一多個圖像和指示符來訓練對象檢測網絡。此外，所述一個或多個處理器還可以：提供包括所述感興趣特征的表示的第二多個圖像，以及將經訓練的對象檢測網絡應用于所述第二多個圖像，以產生感興趣特征的多個檢測。此外，所述一個或多個處理器還可以：提供關于多個檢測對真陽性和假陽性的手動設置的驗證；利用驗證來訓練生成式對抗網絡；以及利用至少另一組圖像、進一步的檢測和進一步手動設置的驗證來重新訓練生成式對抗網絡。

技術領域

本公開總體上涉及神經網絡領域以及涉及這種網絡用于圖像分析和對象檢測的用途。更具體地但不是限制性地，本公開涉及用于訓練生成式對抗網絡的系統和方法以及使用該生成式對抗網絡的計算機實現的系統和方法。本文公開的系統、方法和經訓練的神經網絡可用于各種應用和視覺系統，例如得益于精確的目標檢測能力的醫學圖像分析和系統。

背景技術

在許多對象檢測系統中，對象是在圖像中檢測到的。感興趣對象可以是人、地點或事物。在諸如醫學圖像分析和診斷的應用中，對對象的定位也很重要。然而，利用圖像分類器的計算機實現的系統通常不能識別或提供檢測到的對象的位置。因此，僅使用圖像分類器的現有系統并不是非常有用。

此外，用于對象檢測的訓練技術將依賴于手動注釋的訓練集。當被訓練的檢測網絡是基于邊界框(例如YOLO(You Only Look Once)架構、單鏡頭檢測器(single shotdetector，SSD)架構等)的網絡時，這種注釋是耗時的。因此，大數據集很難為訓練進行注釋，這通常產生針對較小數據集進行訓練的神經網絡，這降低了精確度。對于計算機實現的系統，現有的醫學成像通常建立在單一的探測器網絡上。因此，一旦進行了檢測，網絡就簡單地將檢測結果例如輸出給醫生或其他專業護理人員。然而，這種檢測結果可能是假陽性，例如內窺鏡檢查等中的非息肉。這種系統并不提供用于區分假陽性和真陽性的單獨網絡。

此外，基于神經網絡的對象檢測器通常將由神經網絡識別的特征饋送到檢測器中，該檢測器可以包括第二神經網絡。然而，這種網絡通常是不精確的，因為特征檢測是由通用網絡來執行的，而只有檢測器部分是專用的。

最后，許多現有的對象探測器在延時下工作。例如，醫學圖像將在分析之前被捕獲和存儲。然而，一些醫學過程，如內窺鏡檢查，是基于實時診斷的。因此，這些系統通常難以以需求的實時方式進行應用。

發明內容

鑒于前面所述，本公開的實施例提供了用于訓練生成式對抗網絡并將其用于諸如醫學圖像分析的應用的計算機實現的系統和方法。本公開的系統和方法提供了優于現有系統和技術的益處，包括改進的對象檢測和位置信息。

根據一些實施例，提供了計算機實現的系統，該系統包括識別感興趣特征(即，異常或感興趣對象)及其位置的對象檢測器網絡，以及區分真陽性和假陽性的對抗網絡。此外，本公開的實施例提供用于訓練對象檢測器網絡的兩循環(two-loop)技術。該訓練過程基于檢查檢測來使用注釋，使得手動注釋可以發生得更快，并因此具有更大的數據集。此外，該過程可用于訓練生成式對抗網絡，以區分假陽性和真陽性。

此外，提供了將對象檢測器網絡與生成式對抗網絡組合的公開系統。通過將這些網絡組合，可以區分假陽性和真陽性，從而提供更精確的輸出。通過減少假陽性，由于提高的精確性，醫生或其他專業醫護人員將會更加關注來自網絡的輸出。

此外，本公開的實施例包括這樣的神經網絡：其不使用通過與專用檢測器組合的一個神經網絡進行的通用特征識別。相反，針對對象檢測器部分訓練單個無縫式神經網絡，這產生更好的專門化以及更高的精確度和效率。