CN115272152A - 一种对抗医学图像的生成方法、装置、设备及存储介质 - Google Patents

一种对抗医学图像的生成方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115272152A
CN115272152A CN202210943216.6A CN202210943216A CN115272152A CN 115272152 A CN115272152 A CN 115272152A CN 202210943216 A CN202210943216 A CN 202210943216A CN 115272152 A CN115272152 A CN 115272152A
Authority
CN
China
Prior art keywords
medical image
current
disturbance noise
previous
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210943216.6A
Other languages
English (en)
Inventor
陈挺
王光宇
韩荣
刘晓鸿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Beijing University of Posts and Telecommunications
Original Assignee
Tsinghua University
Beijing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University, Beijing University of Posts and Telecommunications filed Critical Tsinghua University
Priority to CN202210943216.6A priority Critical patent/CN115272152A/zh
Publication of CN115272152A publication Critical patent/CN115272152A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种对抗医学图像的生成方法、装置、设备及存储介质，该方法包括：基于卷积参数数据、获取到的上一医学图像和与上一医学图像对应的上一扰动噪声，确定当前医学图像；基于当前医学图像、参考神经网络模型和上一扰动噪声，确定当前扰动噪声；将当前医学图像作为上一医学图像以及将当前扰动噪声作为上一扰动噪声，并返回执行基于上一医学图像、上一扰动噪声和卷积参数数据，确定当前医学图像的操作；在当前迭代次数满足预设次数阈值的情况下，将当前扰动噪声作为目标扰动噪声，并基于目标扰动噪声以及与测试神经网络模型对应的原始医学图像，确定对抗医学图像。本发明实施例解决了基于现有对抗攻击方法确定的扰动噪声大的问题。

Description

一种对抗医学图像的生成方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种对抗医学图像的生成方法、装置、设备及存储介质。
背景技术
基于深度神经网络的模型在各类任务上都有很好的表现，尤其是在医学图像领域，有很多基于深度神经网络的计算机辅助诊断系统。对于计算机辅助诊断系统，应用对象为真实的患者，如果模型输出了错误的结果，可能会导致误诊，并影响后续治疗，对患者的经济、精神等造成损失。因此，对抗攻击技术对训练医学领域的神经网络模型具有重要的现实意义。
对抗攻击技术的原理为根据训练得到的神经网络模型的特点，尽可能在输入图像上添加肉眼不可感知的扰动噪声，生成对抗图像，将对抗图像输入到神经网络模型中，以达到误导神经网络模型的效果，使得神经网络模型产生错误的输出。
对抗攻击技术的目标是在保证神经网络模型可以产生错误的输出的情况下，使得增加的扰动尽可能的小。但现有的对抗攻击技术增加的扰动噪声较大，无法满足医学领域对对抗医学图像的高质量要求。
发明内容
本发明实施例提供了一种对抗医学图像的生成方法、装置、设备及存储介质，以解决基于现有对抗攻击方法确定的扰动噪声不平滑的问题，提高生成的对抗医学图像的图像质量，满足医学领域对对抗医学图像的高质量要求。
根据本发明一个实施例提供了一种对抗医学图像的生成方法，该方法包括：
响应于获取到上一医学图像以及与所述上一医学图像对应的上一扰动噪声，基于所述上一医学图像、上一扰动噪声和卷积参数数据，确定当前医学图像；
基于所述当前医学图像、参考神经网络模型和所述上一扰动噪声，确定当前扰动噪声；
将所述当前医学图像作为上一医学图像以及将所述当前扰动噪声作为上一扰动噪声，并返回执行基于所述上一医学图像、上一扰动噪声和卷积参数数据，确定当前医学图像的操作；
在当前迭代次数满足预设次数阈值的情况下，将当前扰动噪声作为目标扰动噪声，并基于所述目标扰动噪声以及与测试神经网络模型对应的原始医学图像，确定对抗医学图像。
根据本发明另一个实施例提供了一种对抗医学图像的生成装置，该装置包括：
当前医学图像确定模块，用于响应于获取到上一医学图像以及与所述上一医学图像对应的上一扰动噪声，基于所述上一医学图像、上一扰动噪声和卷积参数数据，确定当前医学图像；
当前扰动噪声确定模块，用于基于所述当前医学图像、参考神经网络模型和所述上一扰动噪声，确定当前扰动噪声；
返回执行模块，用于将所述当前医学图像作为上一医学图像以及将所述当前扰动噪声作为上一扰动噪声，并返回执行基于所述上一扰动噪声和卷积参数数据，确定平滑扰动噪声的操作；
对抗医学图像确定模块，用于在当前迭代次数满足预设次数阈值的情况下，将当前扰动噪声作为目标扰动噪声，并基于所述目标扰动噪声以及与测试神经网络模型对应的原始医学图像，确定对抗医学图像。
根据本发明另一个实施例提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的对抗医学图像的生成方法。
根据本发明另一个实施例，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的对抗医学图像的生成方法。
本发明实施例的技术方案，通过基于卷积参数数据、获取到的上一医学图像和与上一医学图像对应的上一扰动噪声，确定当前医学图像，基于当前医学图像、参考神经网络模型和上一扰动噪声，确定当前扰动噪声，将当前医学图像作为上一医学图像以及将当前扰动噪声作为上一扰动噪声，并返回执行基于上一医学图像、上一扰动噪声和卷积参数数据，确定当前医学图像的操作，以及在当前迭代次数满足预设次数阈值的情况下，将当前扰动噪声作为目标扰动噪声，并基于目标扰动噪声以及与测试神经网络模型对应的原始医学图像，确定对抗医学图像，本发明实施例从扰动噪声的角度进行迭代，并基于卷积参数数据对上一扰动噪声进行平滑处理，解决了基于现有对抗攻击方法确定的扰动噪声大的问题，提高了生成的对抗医学图像的图像质量，满足了医学领域对对抗医学图像的高质量要求。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一所提供的一种对抗医学图像的生成方法的流程图；
图2为本发明实施例二所提供的一种对抗医学图像的生成方法的流程图；
图3为本发明实施例二所提供的一种当前医学图像的生成方法的具体实例的示意图；
图4为本发明实施例三所提供的一种对抗医学图像的生成装置的结构示意图；
图5为本发明实施例四所提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一所提供的一种对抗医学图像的生成方法的流程图，本实施例可适用于在神经网络模型场景中生成对抗医学图像的情况，该方法可以由对抗医学图像的生成装置来执行，该对抗医学图像的生成装置可以采用硬件和/或软件的形式实现，该对抗医学图像的生成装置可配置于终端设备中。如图1所示，该方法包括：
S110、响应于获取到上一医学图像以及与上一医学图像对应的上一扰动噪声，基于上一医学图像、上一扰动噪声和卷积参数数据，确定当前医学图像。
其中，示例性的，本发明实施例中提到的医学图像对应的采集设备包括但不限于CT(Computed Tomography，电子计算机断层扫描)设备、MRI(Magnetic ResonanceImaging，磁共振成像)设备或超声设备等等，医学图像对应的采集部位包括但不限于眼底、肺部或胸部等等。此处对医学图像对应的采集设备和采集部位均不作限定。
其中，具体的，确定目标扰动噪声的过程是一个迭代的过程，上一医学图像为通过上一次迭代操作得到的医学图像，上一扰动噪声为通过上一次迭代操作得到的扰动噪声。在一个实施例中，当当前迭代操作为第一次迭代操作时，上一医学图像为参考神经网络模型对应的初始医学图像，其中，初始医学图像为与参考神经网络模型对应的真实存在的医学图像，上一扰动噪声为0。
在一个实施例中，可选的，卷积参数数据包括至少一个预设卷积参数，相应的，基于上一医学图像、上一扰动噪声和卷积参数数据，确定当前医学图像，包括：基于至少一个预设卷积参数分别对上一扰动噪声执行卷积操作，得到至少一个修正扰动噪声，并对各修正扰动噪声执行求均值操作，得到平滑扰动噪声；基于平滑扰动噪声和上一医学图像，确定当前医学图像。
其中，具体的，卷积操作可以融合上一扰动噪声的周围信息，从而达到对上一扰动噪声进行平滑处理的目的。
在一个实施例中，具体的，预设卷积参数包括卷积核尺寸和卷积核权重，当预设卷积参数的数量为至少两个时，各预设卷积参数中的卷积核尺寸和/或卷积核权重不同。
其中，具体的，卷积核是指在进行图像处理时，给定输入图像，输入图像中的一个小区域中像素值加权平均后成为输出图像中的每个对象像素，其中权值由一个函数定义，这个函数称为卷积核。其中，卷积核尺寸可用于表征上述区域的尺寸，卷积核的权重可用于表征卷积核中各矩阵元素的参数值。
在一个实施例中，当预设卷积参数为至少两个时，不同的卷积核尺寸可以实现对扰动噪声进行不同范围内的平滑处理，不同的卷积核权重可以实现对扰动噪声进行不同量级的平滑处理。
这样设置的好处在于，可以提高对上一扰动噪声的平滑效果。
在一个实施例中，基于平滑扰动噪声和上一医学图像，确定当前医学图像，包括：将平滑扰动噪声添加到上一医学图像中，得到当前医学图像。其中，具体的，当前医学图像Xt满足公式：
Figure BDA0003786595900000061
其中，具体的，Xt-1表示上一医学图像，m表示卷积参数数据中包含的预设卷积参数的数量，ηt-1表示上一扰动噪声，Ki表示第i个预设卷积参数，其中，η0＝0，t≥1。
S120、基于当前医学图像、参考神经网络模型和上一扰动噪声，确定当前扰动噪声。
在一个实施例中，具体的，当攻击场景为白盒攻击时，参考神经网络模型为被攻击的神经网络模型，当攻击场景为黑盒攻击时，参考神经网络模型为预先构建的与被攻击的神经网络模型的网络架构相似或相同的神经网络模型。其中，示例性的，当被攻击的神经网络模型为图像分类模型时，参考神经网络模型可以为ResNet50分类模型。
在一个实施例中，可选的，基于当前医学图像、参考神经网络模型和上一扰动噪声，确定当前扰动噪声，包括：将当前医学图像输入到参考神经网络模型中，得到输出的当前输出结果，并基于当前输出结果和标准结果，确定参考神经网络模型对应的当前损失梯度；基于上一扰动噪声和当前损失梯度，确定当前扰动噪声。
其中，具体的，当前扰动噪声ηt满足公式：
Figure BDA0003786595900000071
其中，ε为扰动噪声的调节范围，用于控制医学图像的被攻击幅度，ε越大，攻击强度越大，肉眼更容易观察到修改后的医学图像中的扰动噪声，clip表示截取操作，用于将当前扰动噪声的控制在ε范围内，α表示预先设置的系数。
其中，sign(x)为符号函数，当x大于0时取1，当x等于0时取0，当x小于0时取-1。
Figure BDA0003786595900000072
表示求L(f(Xt),y)的当前损失梯度，L(f(Xt),y)表示参考神经网络模型在输入为当前医学图像Xt，当前输出结果为f(Xt)且标准输出结果为y时的当前损失函数。
神经网络模型在训练的过程中，每次迭代的模型参数的更新是将模型参数减去计算得到的当前损失梯度，以使当前损失函数的函数值越来越小，即神经网络模型的预测对的概率越来越大。而对抗攻击的目的是希望神经网络模型能够分类错误，那么只需要当前损失函数的函数值越来越大即可。在神经网络模型的模型参数固定不变的情况下，将输入的医学图像增加基于损失梯度计算得到的扰动噪声，就可以实现上述目的。
S130、判断当前迭代次数是否满足预设次数阈值，如果是，则执行S150，如果否，则执行S140。
S140将当前医学图像作为上一医学图像以及将当前扰动噪声作为上一扰动噪声，并执行S110。
其中，具体的，在当前迭代次数不满足预设次数阈值的情况下，继续执行迭代操作。其中，示例性的，预设次数阈值可以是1或10，此处对预设次数阈值不作限定。
S150、将当前扰动噪声作为目标扰动噪声，并基于目标扰动噪声以及与测试神经网络模型对应的原始医学图像，确定对抗医学图像。
其中，具体的，测试神经网络模型为被攻击的神经网络模型。在一个实施例中，具体的，当攻击场景为白盒攻击时，参考神经网络模型与测试神经网络模型为同一神经网络模型，当攻击场景为黑盒攻击时，参考神经网络模型为预先构建的与测试神经网络模型的网络架构相似或相同的神经网络模型。
其中，具体的，将目标扰动噪声添加到测试神经神经网络模型对应的原始医学图像上，得到测试神经网络模型对应的对抗医学图像。示例性的，可基于对抗医学图像对测试神经网络模型执行攻击操作，确定测试神经网络模型的性能分数。其中，具体的，原始医学图像为与测试神经网络模型对应的真实存在的医学图像。
本实施例的技术方案，通过基于卷积参数数据、获取到的上一医学图像和与上一医学图像对应的上一扰动噪声，确定当前医学图像，基于当前医学图像、参考神经网络模型和上一扰动噪声，确定当前扰动噪声，将当前医学图像作为上一医学图像以及将当前扰动噪声作为上一扰动噪声，并返回执行基于上一医学图像、上一扰动噪声和卷积参数数据，确定当前医学图像的操作，以及在当前迭代次数满足预设次数阈值的情况下，将当前扰动噪声作为目标扰动噪声，并基于目标扰动噪声以及与测试神经网络模型对应的原始医学图像，确定对抗医学图像，本发明实施例从扰动噪声的角度进行迭代，并基于卷积参数数据对上一扰动噪声进行平滑处理，解决了基于现有对抗攻击方法确定的扰动噪声不平滑，无法保护医学语义信息的问题，提高了生成的对抗医学图像的图像质量，满足了医学领域对对抗医学图像的高质量要求。
实施例二
图2为本发明实施例二所提供的一种对抗医学图像的生成方法的流程图，本实施例中对上述实施例中的“基于平滑扰动噪声和上一医学图像，确定当前医学图像”技术特征进行进一步细化。如图2所示，该方法包括：
S210、将与参考神经网络模型对应的初始医学图像输入到预先训练完成的目标图像分割模型中，得到输出的感兴趣区域掩膜。
S220、响应于获取到上一医学图像以及与上一医学图像对应的上一扰动噪声，基于至少一个预设卷积参数分别对上一扰动噪声执行卷积操作，得到至少一个修正扰动噪声。
其中，具体的，初始医学图像为真实存在的医学图像，目标图像分割模型用于对输入的初始医学图像执行图像分割操作，输出初始医学图像对应的感兴趣区域掩膜。其中，示例性的，目标图像分割模型的网络架构包括但不限于FCN(Fully Convolution Netwoks，全卷积神经网络)、SegNet、U-Net(编码器-解码器)、PSPNet(融合多特征改进型网络)或Deeplab等等，此处对目标图像分割模型的网络架构不作限定。
在一个实施例中，具体的，目标图像分割模型的网络架构为Attention U-Net。在一个实施例中，具体的，在感兴趣区域掩膜中，感兴趣区域对应的像素值为1，除感兴趣区域以外的其他区域的像素值为0。感兴趣区域掩膜与其对应的初始医学图像对应存储，感兴趣掩膜可以为病灶掩膜。
S230、对各修正扰动噪声执行求均值操作，得到平滑扰动噪声。
S240、判断当前迭代次数是否包含于预设迭代集合，如果是，则执行S250，如果否，则执行S260。
在本实施例中，预设迭代集合中包含至少一个预设迭代次数。其中，示例性的，预设迭代集合中包含第1次迭代、第2次迭代…第N次迭代中至少一种，其中，N与上述预设次数阈值相同。
在一个实施例中，可选的，预设迭代集合中包含第1次迭代、第2次迭代或第N次迭代。这样设置的好处在于，由于本实施例仅在整个迭代过程中的某一迭代操作中执行后续的逐点乘法运算的步骤，减少了整体的执行步骤的数量，从而可以控制感兴趣区域的保护力度。
其中，具体的，当预设迭代集合中仅包含第N次迭代时，可能会使得最终得到的目标扰动噪声在除感兴趣区域以外的其他区域附近存在突变噪声，导致生成的目标扰动噪声的平滑度无法满足要求。在另一个实施例中，可选的，预设迭代集合中包含第1次迭代、第2次迭代和第N次迭代。这样设置的好处在于，可以提高生成的目标扰动噪声的平滑度。
S250、基于感兴趣区域掩膜和平滑扰动噪声，确定参考攻击噪声，并将参考攻击噪声添加到上一医学图像中，得到当前医学图像，并执行S270。
其中，具体的，将感兴趣区域掩膜与目标扰动噪声做逐点乘法运算，得到参考攻击噪声。
图3为本发明实施例二所提供的一种当前医学图像的生成方法的具体实例的示意图。具体的，将上一医学图像输入到参考神经网络模型中，得到输出的上一输出结果，基于上一输出结果和上一标准结果，确定参考神经网络模型对应的上一损失梯度，并基于上上一扰动噪声和上一损失梯度，确定上一扰动噪声。基于至少一个预设卷积参数分别对上一扰动噪声执行卷积操作，得到至少一个修正扰动噪声，并对各修正扰动噪声执行求均值操作，得到平滑扰动噪声。将平滑扰动噪声以及与初始医学图像对应的感兴趣区域掩膜执行相乘操作，得到参考攻击噪声，并将参考攻击噪声添加到上一医学图像中，得到当前医学图像。
S260、将平滑扰动噪声添加到上一医学图像中，得到当前医学图像。
S270、基于当前医学图像、参考神经网络模型和上一扰动噪声，确定当前扰动噪声。
S280、判断当前迭代次数是否满足预设次数阈值，如果是，则执行S291，如果否，则执行S290。
S290、将当前医学图像作为上一医学图像以及将当前扰动噪声作为上一扰动噪声，并执行S220。
S291、将当前扰动噪声作为目标扰动噪声，并基于目标扰动噪声以及与测试神经网络模型对应的原始医学图像，确定对抗医学图像。
在本实施例中，具体的，基于目标扰动噪声以及与测试神经网络模型对应的原始医学图像，确定对抗医学图像，包括：将与测试神经网络模型对应的原始医学图像输入到目标图像分割模型中，得到输出的原始感兴趣区域掩膜，基于原始感兴趣区域掩膜和目标扰动噪声，确定测试攻击噪声，并将测试攻击噪声添加到原始医学图像中，得到对抗医学图像。
医学图像本身具有特殊性，不同患者的同一部位的医学图像相似，但感兴趣区域的位置和分布可能不同。现有的对抗攻击技术在生成对抗医学图像时，由于扰动噪声的攻击范围是整张医学图像，从而使得生成的对抗医学图像破坏了原始医学图像中的关键医学信息，无法满足医学领域对生成的对抗医学图像的图像质量要求。本实施例的技术方案，通过将与所述参考神经网络模型对应的初始医学图像输入到预先训练完成的目标图像分割模型中，得到输出的感兴趣区域掩膜；在所述当前迭代次数包含于预设迭代集合的情况下，基于所述感兴趣区域掩膜和所述平滑扰动噪声，确定参考攻击噪声，并将所述参考攻击噪声添加到所述上一医学图像中，得到当前医学图像；其中，所述预设迭代集合中包含至少一个预设迭代次数，解决了基于现有方法生成的对抗医学图像无法对关键医学信息进行保护的问题，提高了生成的对抗医学图像的图像质量，进一步满足了医学领域对生成的对抗医学图像的图像质量要求。
在上述实施例的基础上，可选的，该方法还包括：将获取到的至少一个原始医学图像以及与各原始医学图像分别对应的对抗医学图像输入到测试神经网络模型中，得到输出的与各原始医学图像对应的第一预测结果以及与各对抗医学图像对应的第二预测结果；基于第一预测结果和第二预测结果，确定测试神经网络模型的当前性能分数，用以测试模型的鲁棒性；在当前性能分数不满足预设性能条件的情况下，对测试神经网络模型继续进行训练，直到当前性能分数满足预设性能条件时，将测试神经网络模型作为目标神经网络模型。
其中，具体的，基于预设比例将医学图像数据集划分为训练数据集和测试数据集D，示例性的，预设比例可以为8:2。其中，训练数据集中包含多个训练医学图像，测试数据集D中包含多个原始医学图像，多个原始医学图像与其分别对应的对抗医学图像构成攻击后的测试数据集Da。
其中，具体的，基于训练数据集训练得到训练完成的测试神经网络模型，将测试数据集Da中的医学图像输入到测试神经网络模型中，得到输出的与测试数据集Da中的各原始医学图像对应的第一预测结果以及与测试数据集Da中的各对抗医学图像对应的第二预测结果，基于第一预测结果、与第一预测结果对应的第一标准结果、第二预测结果以及与第二预测结果对应的第二标准结果，确定测试神经网络模型的当前性能分数。
其中，示例性的，当前性能分数对应的性能参数包括但不限于SSIM(StructuralSimilarity，结构相似性)、SR(Success Rate，成功率)和ALR(AUC Loss Rate，AUC损失率)等等。
其中，具体的，SSIM是一种衡量两张图像的相似度指标，SSIM方法中的均值作为图像亮度的估计，标准差作为图像的对比度的估计，方差作为图像的结构相似度的估计。其中，具体的，SSIM满足公式：
Figure BDA0003786595900000121
其中，μx表示原始生成图像的图像均值，μy表示对抗医学图像的图像均值，σxy表示原始生成图像与其对应的对抗医学图像的协方差，
Figure BDA0003786595900000131
表示原始生成图像的图像方差，
Figure BDA0003786595900000132
表示对抗医学图像的图像方差，c1和c2是用来维持稳定的常数。
其中，具体的，SR(Success Ratio)可用于表征测试神经网络模型输出的被攻击后预测由正确转为错误的医学图像的数量n与被攻击前预测正确的医学图像的数量N之间的比值。
其中，具体的，ALR(AUC Loss Ratio)可用于描述对抗医学图像对AUC(Area UnderCurve，曲线下面积)指标的影响，可用于表征AUC指标的下降率，具体的，ALR满足公式：
Figure BDA0003786595900000133
其中，具体的，AUC1表示基于原始医学图像对应的第一预测结果和第一标准结果确定的AUC参数值，AUC2表示基于对抗医学图像对应的第二预测结果和第二标准结果确定的AUC参数值。
其中，示例性的，预设性能条件可以是当前性能分数中的每个性能分数均满足对应的阈值要求，或者当前性能参数中预设比例的性能分数满足对应的阈值要求。
这样设置的好处在于，可以在对抗攻击的情况下，对测试神经网络模型的性能进行评价，提高了测试神经网络模型的性能评价的准确度以及提高了最终训练得到的目标神经网络模型的鲁棒性。
在上述实施例的基础上，可选的，原始医学图像包括训练原始医学图像和测试原始医学图像，相应的，对抗医学图像包括与训练原始医学图像对应的训练对抗医学图像以及与测试原始医学图像对应的测试对抗医学图像，方法还包括：基于至少一个训练原始医学图像以及与各训练原始医学图像分别对应的训练对抗医学图像对测试神经网络模型进行训练，得到增强神经网络模型；基于至少一个测试原始医学图像以及与各测试原始医学图像分别对应的测试对抗医学图像，确定增强神经网络模型对应的增强性能分数以及测试神经网络模型的测试性能分数；将增强性能分数和测试性能分数进行输出。
其中，具体的，多个训练原始医学图像构成原始训练集T，多个测试原始医学图像构成原始测试集B，多个测试原始医学图像以及与各测试原始医学图像分别对应的测试对抗医学图像构成对抗测试集Ba。
在一个实施例中，具体的，基于原始训练集T训练得到训练完成的测试神经网络模型，基于本发明实施例生成的对抗医学图像和原始训练集T，确定对抗训练集Ta。基于对抗训练集Ta对测试神经网络模型进行训练，得到增强神经网络模型。
在一个实施例中，具体的，基于本发明实施例生成的对抗医学图像和原始训练集T，确定对抗训练集Ta，包括：将本发明实施例生成的对抗医学图像添加到原始训练集T，得到对抗训练集Ta。这样设置的好处在于，可以最大限度的利用所有样本。
在另一个实施例中，具体的，基于本发明实施例生成的对抗医学图像和原始训练集T，确定对抗训练集Ta，包括：将原始训练集T中的一半训练原始医学图像添加到对抗训练集Ta中，以及将与原始训练集T中的另一半训练原始医学图像对应的对抗医学图像添加到对抗训练集Ta中。在本实施例中，对抗训练集Ta的数据量与原始训练集T的数据量相同。这样设置的好处在于，可以节省后续基于对抗训练集Ta对测试神经网络模型进行训练的训练时间。
其中，具体的，基于原始测试集B和对抗测试集Ba，确定增强神经网络模型的增强性能分数以及测试神经网络模型的测试性能分数。根据增强性能分数和测试性能分数可以确定测试神经网络模型在数据增强操作下的增强效果。
实施例三
图4为本发明实施例三所提供的一种对抗医学图像的生成装置的结构示意图。如图4所示，该装置包括：当前医学图像确定模块310、当前扰动噪声确定模块320、返回执行模块330和对抗医学图像确定模块340。
其中，当前医学图像确定模块310，用于响应于获取到上一医学图像以及与上一医学图像对应的上一扰动噪声，基于上一医学图像、上一扰动噪声和卷积参数数据，确定当前医学图像；
当前扰动噪声确定模块320，用于基于当前医学图像、参考神经网络模型和上一扰动噪声，确定当前扰动噪声；
返回执行模块330，用于将当前医学图像作为上一医学图像以及将当前扰动噪声作为上一扰动噪声，并返回执行基于上一扰动噪声和卷积参数数据，确定平滑扰动噪声的操作；
对抗医学图像确定模块340，用于在当前迭代次数满足预设次数阈值的情况下，将当前扰动噪声作为目标扰动噪声，并基于目标扰动噪声以及与测试神经网络模型对应的原始医学图像，确定对抗医学图像。
本实施例的技术方案，通过基于卷积参数数据、获取到的上一医学图像和与上一医学图像对应的上一扰动噪声，确定当前医学图像，基于当前医学图像、参考神经网络模型和上一扰动噪声，确定当前扰动噪声，将当前医学图像作为上一医学图像以及将当前扰动噪声作为上一扰动噪声，并返回执行基于上一医学图像、上一扰动噪声和卷积参数数据，确定当前医学图像的操作，以及在当前迭代次数满足预设次数阈值的情况下，将当前扰动噪声作为目标扰动噪声，并基于目标扰动噪声以及与测试神经网络模型对应的原始医学图像，确定对抗医学图像，本发明实施例从扰动噪声的角度进行迭代，并基于卷积参数数据对上一扰动噪声进行平滑处理，解决了基于现有对抗攻击方法确定的扰动噪声大的问题，提高了生成的对抗医学图像的图像质量，满足了医学领域对对抗医学图像的高质量要求。
在上述实施例的基础上，可选的，卷积参数数据包括至少一个预设卷积参数，当前医学图像确定模块310包括：
平滑扰动噪声确定单元，用于基于至少一个预设卷积参数分别对上一扰动噪声执行卷积操作，得到至少一个修正扰动噪声，并对各修正扰动噪声执行求均值操作，得到平滑扰动噪声；
当前医学图像确定单元，用于基于平滑扰动噪声和上一医学图像，确定当前医学图像
在上述实施例的基础上，可选的，预设卷积参数包括卷积核尺寸和卷积核权重，当预设卷积参数的数量为至少两个时，各预设卷积参数中的卷积核尺寸和/或卷积核权重不同。
在上述实施例的基础上，可选的，该装置还包括：
感兴趣区域掩膜确定模块，用于将与参考神经网络模型对应的初始医学图像输入到预先训练完成的目标图像分割模型中，得到输出的感兴趣区域掩膜；
相应的，当前医学图像确定单元，具体用于：
在当前迭代次数包含于预设迭代集合的情况下，基于感兴趣区域掩膜和平滑扰动噪声，确定参考攻击噪声，并将参考攻击噪声添加到上一医学图像中，得到当前医学图像；其中，所述预设迭代集合中包含至少一个预设迭代次数。
在上述实施例的基础上，可选的，当前扰动噪声确定模块320，具体用于：
将当前医学图像输入到参考神经网络模型中，得到输出的当前输出结果，并基于当前输出结果和当前标准结果，确定参考神经网络模型对应的当前损失梯度；
基于上一扰动噪声和当前损失梯度，确定当前扰动噪声。
在上述实施例的基础上，可选的，该装置还包括：
目标神经网络模型确定模块，用于将获取到的至少一个原始医学图像以及与各原始医学图像分别对应的对抗医学图像输入到测试神经网络模型中，得到输出的与各原始医学图像对应的第一预测结果以及与各对抗医学图像对应的第二预测结果；
基于第一预测结果和第二预测结果，确定测试神经网络模型的当前性能分数；
在当前性能分数不满足预设性能条件的情况下，对测试神经网络模型继续进行训练，直到当前性能分数满足预设性能条件时，将测试神经网络模型作为目标神经网络模型。
在上述实施例的基础上，可选的，原始医学图像包括训练原始医学图像和测试原始医学图像，相应的，对抗医学图像包括与训练原始医学图像对应的训练对抗医学图像以及与测试原始医学图像对应的测试对抗医学图像，该装置还包括：
增强神经网络模型训练模块，用于基于至少一个训练原始医学图像以及与各训练原始医学图像分别对应的训练对抗医学图像对测试神经网络模型进行训练，得到增强神经网络模型；
基于至少一个测试原始医学图像以及与各测试原始医学图像分别对应的测试对抗医学图像，确定增强神经网络模型对应的增强性能分数以及测试神经网络模型的测试性能分数；
将增强性能分数和测试性能分数进行输出。
本发明实施例所提供的对抗医学图像的生成装置可执行本发明任意实施例所提供的对抗医学图像的生成方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5为本发明实施例四所提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如对抗医学图像的生成方法。
在一些实施例中，对抗医学图像的生成方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的对抗医学图像的生成方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行对抗医学图像的生成方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的对抗医学图像的生成方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行一种对抗医学图像的生成方法，该方法包括：
响应于获取到上一医学图像以及与上一医学图像对应的上一扰动噪声，基于上一医学图像、上一扰动噪声和卷积参数数据，确定当前医学图像；
基于当前医学图像、参考神经网络模型和上一扰动噪声，确定当前扰动噪声；
将当前医学图像作为上一医学图像以及将当前扰动噪声作为上一扰动噪声，并返回执行基于上一医学图像、上一扰动噪声和卷积参数数据，确定当前医学图像的操作；
在当前迭代次数满足预设次数阈值的情况下，将当前扰动噪声作为目标扰动噪声，并基于目标扰动噪声以及与测试神经网络模型对应的原始医学图像，确定对抗医学图像。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种对抗医学图像的生成方法，其特征在于，包括：
响应于获取到上一医学图像以及与所述上一医学图像对应的上一扰动噪声，基于所述上一医学图像、上一扰动噪声和卷积参数数据，确定当前医学图像；
基于所述当前医学图像、参考神经网络模型和所述上一扰动噪声，确定当前扰动噪声；
将所述当前医学图像作为上一医学图像以及将所述当前扰动噪声作为上一扰动噪声，并返回执行基于所述上一医学图像、上一扰动噪声和卷积参数数据，确定当前医学图像的操作；
在当前迭代次数满足预设次数阈值的情况下，将当前扰动噪声作为目标扰动噪声，并基于所述目标扰动噪声以及与测试神经网络模型对应的原始医学图像，确定对抗医学图像。
2.根据权利要求1所述的方法，其特征在于，所述卷积参数数据包括至少一个预设卷积参数，相应的，所述基于所述上一医学图像、上一扰动噪声和卷积参数数据，确定当前医学图像，包括：
基于至少一个预设卷积参数分别对所述上一扰动噪声执行卷积操作，得到至少一个修正扰动噪声，并对各所述修正扰动噪声执行求均值操作，得到平滑扰动噪声；
基于所述平滑扰动噪声和所述上一医学图像，确定当前医学图像。
3.根据权利要求2所述的方法，其特征在于，预设卷积参数包括卷积核尺寸和卷积核权重，当预设卷积参数的数量为至少两个时，各所述预设卷积参数中的卷积核尺寸和/或卷积核权重不同。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：将与所述参考神经网络模型对应的初始医学图像输入到预先训练完成的目标图像分割模型中，得到输出的感兴趣区域掩膜；
相应的，所述基于所述平滑扰动噪声和所述上一医学图像，确定当前医学图像，包括：
在所述当前迭代次数包含于预设迭代集合的情况下，基于所述感兴趣区域掩膜和所述平滑扰动噪声，确定参考攻击噪声，并将所述参考攻击噪声添加到所述上一医学图像中，得到当前医学图像；其中，所述预设迭代集合中包含至少一个预设迭代次数。
5.根据权利要求1所述的方法，其特征在于，所述基于所述当前医学图像、参考神经网络模型和所述上一扰动噪声，确定当前扰动噪声，包括：
将所述当前医学图像输入到所述参考神经网络模型中，得到输出的当前输出结果，并基于当前输出结果和当前标准结果，确定所述参考神经网络模型对应的当前损失梯度；
基于所述上一扰动噪声和所述当前损失梯度，确定当前扰动噪声。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将获取到的至少一个原始医学图像以及与各所述原始医学图像分别对应的对抗医学图像输入到所述测试神经网络模型中，得到输出的与各所述原始医学图像对应的第一预测结果以及与各所述对抗医学图像对应的第二预测结果；
基于所述第一预测结果和第二预测结果，确定所述测试神经网络模型的当前性能分数；
在所述当前性能分数不满足预设性能条件的情况下，对所述测试神经网络模型继续进行训练，直到所述当前性能分数满足所述预设性能条件时，将测试神经网络模型作为目标神经网络模型。
7.根据权利要求1所述的方法，其特征在于，所述原始医学图像包括训练原始医学图像和测试原始医学图像，相应的，对抗医学图像包括与所述训练原始医学图像对应的训练对抗医学图像以及与所述测试原始医学图像对应的测试对抗医学图像，所述方法还包括：
基于至少一个训练原始医学图像以及与各所述训练原始医学图像分别对应的训练对抗医学图像对所述测试神经网络模型进行训练，得到增强神经网络模型；
基于至少一个测试原始医学图像以及与各所述测试原始医学图像分别对应的测试对抗医学图像，确定所述增强神经网络模型对应的增强性能分数以及所述测试神经网络模型的测试性能分数；
将所述增强性能分数和所述测试性能分数进行输出。
8.一种对抗医学图像的生成装置，其特征在于，包括：
当前医学图像确定模块，用于响应于获取到上一医学图像以及与所述上一医学图像对应的上一扰动噪声，基于所述上一医学图像、上一扰动噪声和卷积参数数据，确定当前医学图像；
当前扰动噪声确定模块，用于基于所述当前医学图像、参考神经网络模型和所述上一扰动噪声，确定当前扰动噪声；
返回执行模块，用于将所述当前医学图像作为上一医学图像以及将所述当前扰动噪声作为上一扰动噪声，并返回执行基于所述上一扰动噪声和卷积参数数据，确定平滑扰动噪声的操作；
对抗医学图像确定模块，用于在当前迭代次数满足预设次数阈值的情况下，将当前扰动噪声作为目标扰动噪声，并基于所述目标扰动噪声以及与测试神经网络模型对应的原始医学图像，确定对抗医学图像。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的对抗医学图像的生成方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的对抗医学图像的生成方法。
CN202210943216.6A 2022-08-08 2022-08-08 一种对抗医学图像的生成方法、装置、设备及存储介质 Pending CN115272152A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210943216.6A CN115272152A (zh) 2022-08-08 2022-08-08 一种对抗医学图像的生成方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210943216.6A CN115272152A (zh) 2022-08-08 2022-08-08 一种对抗医学图像的生成方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115272152A true CN115272152A (zh) 2022-11-01

Family

ID=83748821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210943216.6A Pending CN115272152A (zh) 2022-08-08 2022-08-08 一种对抗医学图像的生成方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115272152A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117218707A (zh) * 2023-10-07 2023-12-12 南京信息工程大学 一种基于积极扰动的Deepfake人脸检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117218707A (zh) * 2023-10-07 2023-12-12 南京信息工程大学 一种基于积极扰动的Deepfake人脸检测方法
CN117218707B (zh) * 2023-10-07 2024-04-16 南京信息工程大学 一种基于积极扰动的Deepfake人脸检测方法

Similar Documents

Publication Publication Date Title
CN112906502A (zh) 目标检测模型的训练方法、装置、设备以及存储介质
CN112560996B (zh) 用户画像识别模型训练方法、设备、可读存储介质及产品
WO2021115356A1 (zh) 自适应窗宽窗位调节方法、装置、计算机系统及存储介质
CN114186632B (zh) 关键点检测模型的训练方法、装置、设备、存储介质
CN111161254A (zh) 一种骨龄预测方法
US20210145389A1 (en) Standardizing breast density assessments
CN111523593B (zh) 用于分析医学影像的方法和装置
CN115272152A (zh) 一种对抗医学图像的生成方法、装置、设备及存储介质
CN114494263A (zh) 融合临床信息的医学影像病变检测方法、系统及设备
CN113033801A (zh) 神经网络模型的预训练方法、装置、电子设备和介质
CN114708301A (zh) 一种运动伪影识别方法、装置、存储介质及电子设备
JP2007133477A (ja) 利用者の行動を支援するシステム
CN115482358B (zh) 一种三角网格曲面的生成方法、装置、设备及存储介质
CN115439916A (zh) 面部识别方法、装置、设备及介质
CN115526882A (zh) 一种医学图像的分类方法、装置、设备及存储介质
CN115346072A (zh) 图像分类模型的训练方法及装置、电子设备和存储介质
CN113516185B (zh) 模型训练的方法、装置、电子设备及存储介质
CN112784967B (zh) 信息处理方法、装置以及电子设备
JP2022151502A (ja) プログラム、情報処理装置、及び方法
CN110472233B (zh) 基于知识库内头尾实体分布的关系相似度度量方法及系统
JP6954346B2 (ja) パラメータ推定装置、パラメータ推定方法、及びプログラム
CN114844889B (zh) 视频处理模型的更新方法、装置、电子设备及存储介质
CN116051935B (zh) 图像检测方法、深度学习模型的训练方法及装置
CN117974612A (zh) 胸片肋骨抑制方法、装置、设备以及存储介质
CN114580442B (zh) 一种模型训练方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination