基于对抗生成网络的医疗数据生成方法及相关装置

1.本技术涉及医疗技术领域，尤其涉及基于对抗生成网络的医疗数据生成方法及相关装置。


背景技术：

2.近几年，深度学习在智能医疗领域进行了广泛的应用。将医疗领域的数据通过深度学习技术进行训练得到医疗数据模型，可以帮助医务人员更准确地识别病灶和病人身体异常情况，提供诊断速度和准确率。但是，深度学习技术的应用需要大量的数据训练模型，才能使模型具有更佳的性能。在医疗领域使用深度学习技术也就意味着需要大量的医疗数据，医疗数据包含了患者的个人信息、姓名、地址、电话号码、病历、药物处方等个人敏感信息。如果这些个人敏感信息数据泄露，将会导致患者的个人隐私受到侵犯，甚至会威胁到患者生命安全。患者的隐私问题会阻碍患者提供医疗数据，从而阻碍深度学习在医疗领域的发展。
3.现有技术通常通过数据增强的技术手段来生成大量的训练数据，以此来弥补模型训练数据的不足，以及对敏感信息的保护；但是，当前类似于旋转、缩放和移位等数据增强方式容易引入人为因素导致模型性能欠佳；而数据脱敏处理则可能会因过度脱敏造成数据可用性较低，使数据难以复用到下游深度学习任务；此外，大量医疗数据的采集时间周期也很长，所以实际情况下难以获取到所需的大量用于训练的医疗数据，基于深度学习的医疗技术发展因此受阻。


技术实现要素：

4.本技术提供了基于对抗生成网络的医疗数据生成方法及相关装置，用于解决现有数据增强方式得到的数据质量较差、可用性较低且易泄露敏感信息，难以满足实际的训练需求的技术问题。
5.有鉴于此，本技术第一方面提供了基于对抗生成网络的医疗数据生成方法，包括：
6.通过采样的方式在真实医疗数据训练集中获取真实医疗样本；
7.基于adam优化算法、预设噪声和差分隐私技术构建初始对抗生成网络，所述初始对抗生成网络包括初始生成网络和初始判别网络；
8.依据所述真实医疗样本对所述初始对抗生成网络进行对抗生成训练，得到优化对抗生成网络；
9.将待生成医疗样本输入所述优化对抗生成网络中，得到生成医疗样本数据。
10.优选地，所述依据所述真实医疗样本对所述初始对抗生成网络进行对抗生成训练，得到优化对抗生成网络，包括：
11.将所述真实医疗样本输入所述初始判别网络中进行梯度裁剪分析，得到裁剪梯度；
12.通过所述初始生成网络采用adam优化算法依据预设噪声对所述裁剪梯度进行差
分隐私计算，得到训练生成样本；
13.将所述训练生成样本输入所述初始判别网络中进行判别分析，得到判别结果；
14.基于所述判别结果对所述初始对抗生成网络的参数进行优化更新，得到优化对抗生成网络。
15.优选地，所述将所述真实医疗样本输入所述初始判别网络中进行梯度裁剪分析，得到裁剪梯度，包括：
16.将所述真实医疗样本输入所述初始判别网络中计算真实医疗数据的梯度，得到样本梯度；
17.配置预设裁剪阈值后，通过所述初始判别网络采用l2范数根据所述预设裁剪阈值对所述样本梯度进行梯度裁剪，得到裁剪梯度。
18.优选地，所述基于所述判别结果对所述初始对抗生成网络的参数进行优化更新，得到优化对抗生成网络，包括：
19.基于构建的生成网络目标函数和判别网络目标函数根据所述判别结果分别对所述初始生成网络和所述初始判别网络的网络参数进行优化更新；
20.依据构建的对抗生成网络目标函数和多次训练得到的所述判别结果对所述初始对抗生成网络的模型参数进行优化更新，得到优化对抗生成网络。
21.本技术第二方面提供了基于对抗生成网络的医疗数据生成装置，包括：
22.样本采集单元，用于通过采样的方式在真实医疗数据训练集中获取真实医疗样本；
23.网络构建单元，用于基于adam优化算法、预设噪声和差分隐私技术构建初始对抗生成网络，所述初始对抗生成网络包括初始生成网络和初始判别网络；
24.网络训练单元，用于依据所述真实医疗样本对所述初始对抗生成网络进行对抗生成训练，得到优化对抗生成网络；
25.样本生成单元，用于将待生成医疗样本输入所述优化对抗生成网络中，得到生成医疗样本数据。
26.优选地，所述网络训练单元，包括：
27.裁剪分析子单元，用于将所述真实医疗样本输入所述初始判别网络中进行梯度裁剪分析，得到裁剪梯度；
28.生成计算子单元，用于通过所述初始生成网络采用adam优化算法依据预设噪声对所述裁剪梯度进行差分隐私计算，得到训练生成样本；
29.判别分析子单元，用于将所述训练生成样本输入所述初始判别网络中进行判别分析，得到判别结果；
30.优化更新子单元，用于基于所述判别结果对所述初始对抗生成网络的参数进行优化更新，得到优化对抗生成网络。
31.优选地，所述裁剪分析子单元，具体用于：
32.将所述真实医疗样本输入所述初始判别网络中计算真实医疗数据的梯度，得到样本梯度；
33.配置预设裁剪阈值后，通过所述初始判别网络采用l2范数根据所述预设裁剪阈值对所述样本梯度进行梯度裁剪，得到裁剪梯度。
34.优选地，所述优化更新子单元，具体用于：
35.基于构建的生成网络目标函数和判别网络目标函数根据所述判别结果分别对所述初始生成网络和所述初始判别网络的网络参数进行优化更新；
36.依据构建的对抗生成网络目标函数和多次训练得到的所述判别结果对所述初始对抗生成网络的模型参数进行优化更新，得到优化对抗生成网络。
37.本技术第三方面提供了基于对抗生成网络的医疗数据生成设备，所述设备包括处理器以及存储器；
38.所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
39.所述处理器用于根据所述程序代码中的指令执行第一方面所述的基于对抗生成网络的医疗数据生成方法。
40.本技术第四方面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用于存储程序代码，所述程序代码用于执行第一方面所述的基于对抗生成网络的医疗数据生成方法。
41.从以上技术方案可以看出，本技术实施例具有以下优点：
42.本技术中，提供了基于对抗生成网络的医疗数据生成方法，包括：通过采样的方式在真实医疗数据训练集中获取真实医疗样本；基于adam优化算法、预设噪声和差分隐私技术构建初始对抗生成网络，初始对抗生成网络包括初始生成网络和初始判别网络；依据真实医疗样本对初始对抗生成网络进行对抗生成训练，得到优化对抗生成网络；将待生成医疗样本输入优化对抗生成网络中，得到生成医疗样本数据。
43.本技术提供的基于对抗生成网络的医疗数据生成方法，基于对抗生成网络生成医疗样本数据；此过程中不受监督、也不需要进行数据标注，易于操作执行，能够生成大量用于训练的样本数据；而且，在对抗生成网络中引入噪声，通过差分隐私技术将噪声加入生成医疗样本数据中，既能够避免医疗数据中的敏感信息泄露，又符合实际数据特性，增强数据可用性；同时对抗生成网络可以尽可能的生成与实际数据特性接近的样本，确保较高的数据质量。因此，本技术能够解决现有数据增强方式得到的数据质量较差、可用性较低且易泄露敏感信息，难以满足实际的训练需求的技术问题。
附图说明
44.图1为本技术实施例提供的基于对抗生成网络的医疗数据生成方法的流程示意图；
45.图2为本技术实施例提供的基于对抗生成网络的医疗数据生成装置的结构示意图。
具体实施方式
46.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
47.为了便于理解，请参阅图1，本技术提供的基于对抗生成网络的医疗数据生成方法
的实施例，包括：
48.步骤101、通过采样的方式在真实医疗数据训练集中获取真实医疗样本。
49.需要说明的是，真实医疗数据训练集可以表达为x＝{x1,x2,......,xn}，通过采样的方式可以从训练集x中获取到真实医疗数据样本。而真实医疗数据训练集可以是历史医疗数据，具体的在此不作限定。
50.步骤102、基于adam优化算法、预设噪声和差分隐私技术构建初始对抗生成网络，初始对抗生成网络包括初始生成网络和初始判别网络。
51.需要说明的是，本实施例中的初始对抗生成网络采用adam优化算法进行梯度下降计算，与传统的使用方法不同的是，本实施例在此过程中结合差分隐私技术将预设噪声加入生成样本中，不仅可以对医疗数据进行脱敏，还可以使得生成的样本数据更加符合实际数据特性，这样也可以提高数据质量，增强数据可用性。
52.此外，本实施例的预设噪声选取的是高斯噪声，通过差分隐私技术将高斯噪声加入生成样本中，形成差分隐私保护，实现对医疗数据的脱敏，避免敏感信息的泄露。
53.步骤103、依据真实医疗样本对初始对抗生成网络进行对抗生成训练，得到优化对抗生成网络。
54.进一步地，步骤103，包括：
55.将真实医疗样本输入初始判别网络中进行梯度裁剪分析，得到裁剪梯度；
56.通过初始生成网络采用adam优化算法依据预设噪声对裁剪梯度进行差分隐私计算，得到训练生成样本；
57.将训练生成样本输入初始判别网络中进行判别分析，得到判别结果；
58.基于判别结果对初始对抗生成网络的参数进行优化更新，得到优化对抗生成网络。
59.进一步地，将真实医疗样本输入初始判别网络中进行梯度裁剪分析，得到裁剪梯度，包括：
60.将真实医疗样本输入初始判别网络中计算真实医疗数据的梯度，得到样本梯度；
61.配置预设裁剪阈值后，通过初始判别网络采用l2范数根据预设裁剪阈值对样本梯度进行梯度裁剪，得到裁剪梯度。
62.进一步地，基于判别结果对初始对抗生成网络的参数进行优化更新，得到优化对抗生成网络，包括：
63.基于构建的生成网络目标函数和判别网络目标函数根据判别结果分别对初始生成网络和初始判别网络的网络参数进行优化更新；
64.依据构建的对抗生成网络目标函数和多次训练得到的判别结果对初始对抗生成网络的模型参数进行优化更新，得到优化对抗生成网络。
65.需要说明的是，真实医疗样本输入初始判别网络中就可以基于梯度算法计算得到样本梯度g'(xi)。此外为了限制每个样本对训练模型参数的影响，并保证差分隐私的有效性，本实施例选取l2范数并根据预设裁剪阈值对样本梯度进行梯度裁剪，得到裁剪梯度，具体过程表达为：
[0066][0067]
其中，xi为真实医疗样本，g(xi)为梯度裁剪后得到的裁剪梯度，c为预设裁剪阈值。
[0068]
本实施例的预设噪声选择高斯噪声而不是拉普拉斯噪声是因为拉普拉斯噪声为了实现更加全面的隐私保护会牺牲准确性，所以选取高斯噪声能够确保差分隐私保护的准确性，在裁剪梯度的基础上添加高斯噪声的过程表达为：
[0069]
h(xi)
←
g(xi)+n(0,σ2c2i)
[0070]
其中，高斯噪声分布n(0,σ2c2i)中的平均值为0，方差为σ
×
c，i为单位矩阵。
[0071]
采用adam优化算法根据添加了高斯噪声的梯度生成医疗数据样本，得到训练生成样本。具体的根据添加了噪声的噪声梯度可以更新判别网络的参数，生成网络参数从一个噪声分布pz中进行采样，可以得到采样噪声p
z(z)
；然后将采样噪声p
z(z)
通过用于生成假医疗样本数据地概率分布函数pg生成医疗数据假样本，即训练生成样本。
[0072]
为了确保训练生成样本与实际真实医疗样本相近，还需要将训练生成样本输入初始判别网络中进行判别分析，得到判别结果。由于本实施例中的判别就是分析训练生成样本的真假，所以得到的判别结果是0～1的概率，即判别输入样本数据分布真假的概率。
[0073]
判别网络具体是通过将真实医疗样本与训练生成样本进行比对分析，从而得到判别结果，本实施例的多次优化训练过程中，初始生成网络、初始判别网络和初始对抗生成网络均构建有目标函数，训练过程就是基于目标函数和判别结果对网络模型的局部参数和整体参数进行优化更新的过程，使得优化生成对抗网络可以基于待生成医疗样本生成更加符合实际医疗数据特性的样本数据。
[0074]
需要说明的是，在初始对抗生成网络训练开始之前，初始判别网络d(x)≈1，d(g(z))≈0，初始判别网络的训练朝着d(x)最大化，d(g(z))最小化的方向进行，以达到对抗生成网络的目的。判别网络目标函数表达为：
[0075][0076]
初始生成网络则向d(g(z))增加，d(x)减小的方向训练，以达到对抗判别网络的目的。生成网络目标函数表达为：
[0077][0078]
对抗生成网络目标函数表达为：
[0079][0080]
其中，d为一个医疗样本数据的判别网络，g为一个医疗样本数据的生成网络，v(d,g)表示二次元交叉熵函数，作为判别分类过程中的目标函数，x、z分别为真实医疗数据样本和随机噪声样本，pdata(x)为真实医疗数据训练集x中定义的真实医疗样本数据的概率分布；d(x)为判别网络对真实医疗样本的判别结果，g(z)表示生成网络生成的医疗样本，训练过程中即为训练生成样本，d(g(z))为判别网络对生成的医疗样本的判别结果，表示在真实医疗样本分布中采样，然后求期望log(d(x))；
表示在噪声中采样，然后求期望log(1-d(g(z)))。
[0081]
随着训练操作不断重复，当d(x)和d(g(z))的值均浮动在0.5左右时，说明判别网络无法确定输入数据的真实性，生成网络和判别网络均达到了纳什均衡状态；即对抗生成网络达到最优。此外，在对模型参数进行优化更新时，需要多次训练得到判别结果，并基于判别结果更新参数，直至训练结束或者隐私预算超过总隐私预算值。
[0082]
可以理解的是，生成医疗数据模型提供差分隐私，设隐私预算为ε，隐私偏差为δ，δ表示违反严格差分隐私的概率。梯度裁剪和噪声添加通过干扰梯度下降过程持续消耗整个隐私预算。在结束训练时计算隐私损失消耗，并根据计算结果调整训练过程，以控制隐私预算消耗。
[0083]
步骤104、将待生成医疗样本输入优化对抗生成网络中，得到生成医疗样本数据。
[0084]
可以理解的是，待生成医疗样本即为当前需要增强扩展的样本，由于样本数量少，且需要保护医疗数据中的敏感信息，所以可以直接通过训练好的优化对抗生成网络进行数据扩展，得到生成医疗样本数据，生成医疗样本数据中的敏感信息均无法直接溯源到实际个体，所以不会泄露敏感信息，即使泄露也无法对应实际个人，所以本实施例的方法既能够满足数据增强的需求，还能避免医疗数据的敏感信息泄露。
[0085]
本技术实施例提供的基于对抗生成网络的医疗数据生成方法，基于对抗生成网络生成医疗样本数据；此过程中不受监督、也不需要进行数据标注，易于操作执行，能够生成大量用于训练的样本数据；而且，在对抗生成网络中引入噪声，通过差分隐私技术将噪声加入生成医疗样本数据中，既能够避免医疗数据中的敏感信息泄露，又符合实际数据特性，增强数据可用性；同时对抗生成网络可以尽可能的生成与实际数据特性接近的样本，确保较高的数据质量。因此，本技术实施例能够解决现有数据增强方式得到的数据质量较差、可用性较低且易泄露敏感信息，难以满足实际的训练需求的技术问题。
[0086]
为了便于理解，请参阅图2，本技术提供了基于对抗生成网络的医疗数据生成装置的实施例，包括：
[0087]
样本采集单元201，用于通过采样的方式在真实医疗数据训练集中获取真实医疗样本；
[0088]
网络构建单元202，用于基于adam优化算法、预设噪声和差分隐私技术构建初始对抗生成网络，初始对抗生成网络包括初始生成网络和初始判别网络；
[0089]
网络训练单元203，用于依据真实医疗样本对初始对抗生成网络进行对抗生成训练，得到优化对抗生成网络；
[0090]
样本生成单元204，用于将待生成医疗样本输入优化对抗生成网络中，得到生成医疗样本数据。
[0091]
进一步地，网络训练单元202，包括：
[0092]
裁剪分析子单元2021，用于将真实医疗样本输入初始判别网络中进行梯度裁剪分析，得到裁剪梯度；
[0093]
生成计算子单元2022，用于通过初始生成网络采用adam优化算法依据预设噪声对裁剪梯度进行差分隐私计算，得到训练生成样本；
[0094]
判别分析子单元2023，用于将训练生成样本输入初始判别网络中进行判别分析，得到判别结果；
[0095]
优化更新子单元2024，用于基于判别结果对初始对抗生成网络的参数进行优化更新，得到优化对抗生成网络。
[0096]
进一步地，裁剪分析子单元2021，具体用于：
[0097]
将真实医疗样本输入初始判别网络中计算真实医疗数据的梯度，得到样本梯度；
[0098]
配置预设裁剪阈值后，通过初始判别网络采用l2范数根据预设裁剪阈值对样本梯度进行梯度裁剪，得到裁剪梯度。
[0099]
进一步地，优化更新子单元2024，具体用于：
[0100]
基于构建的生成网络目标函数和判别网络目标函数根据判别结果分别对初始生成网络和初始判别网络的网络参数进行优化更新；
[0101]
依据构建的对抗生成网络目标函数和多次训练得到的判别结果对初始对抗生成网络的模型参数进行优化更新，得到优化对抗生成网络。
[0102]
本技术还提供了基于对抗生成网络的医疗数据生成设备，设备包括处理器以及存储器；
[0103]
存储器用于存储程序代码，并将程序代码传输给处理器；
[0104]
处理器用于根据程序代码中的指令执行上述方法实施例中的基于对抗生成网络的医疗数据生成方法。
[0105]
本技术还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行上述方法实施例中的基于对抗生成网络的医疗数据生成方法。
[0106]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0107]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0108]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0109]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文全称：read-only memory，英文缩写：rom)、随机存取存储器(英文全称：randomaccess memory，英文缩写：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0110]
以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。

技术特征：
1.基于对抗生成网络的医疗数据生成方法，其特征在于，包括：通过采样的方式在真实医疗数据训练集中获取真实医疗样本；基于adam优化算法、预设噪声和差分隐私技术构建初始对抗生成网络，所述初始对抗生成网络包括初始生成网络和初始判别网络；依据所述真实医疗样本对所述初始对抗生成网络进行对抗生成训练，得到优化对抗生成网络；将待生成医疗样本输入所述优化对抗生成网络中，得到生成医疗样本数据。2.根据权利要求1所述的基于对抗生成网络的医疗数据生成方法，其特征在于，所述依据所述真实医疗样本对所述初始对抗生成网络进行对抗生成训练，得到优化对抗生成网络，包括：将所述真实医疗样本输入所述初始判别网络中进行梯度裁剪分析，得到裁剪梯度；通过所述初始生成网络采用adam优化算法依据预设噪声对所述裁剪梯度进行差分隐私计算，得到训练生成样本；将所述训练生成样本输入所述初始判别网络中进行判别分析，得到判别结果；基于所述判别结果对所述初始对抗生成网络的参数进行优化更新，得到优化对抗生成网络。3.根据权利要求2所述的基于对抗生成网络的医疗数据生成方法，其特征在于，所述将所述真实医疗样本输入所述初始判别网络中进行梯度裁剪分析，得到裁剪梯度，包括：将所述真实医疗样本输入所述初始判别网络中计算真实医疗数据的梯度，得到样本梯度；配置预设裁剪阈值后，通过所述初始判别网络采用l2范数根据所述预设裁剪阈值对所述样本梯度进行梯度裁剪，得到裁剪梯度。4.根据权利要求2所述的基于对抗生成网络的医疗数据生成方法，其特征在于，所述基于所述判别结果对所述初始对抗生成网络的参数进行优化更新，得到优化对抗生成网络，包括：基于构建的生成网络目标函数和判别网络目标函数根据所述判别结果分别对所述初始生成网络和所述初始判别网络的网络参数进行优化更新；依据构建的对抗生成网络目标函数和多次训练得到的所述判别结果对所述初始对抗生成网络的模型参数进行优化更新，得到优化对抗生成网络。5.基于对抗生成网络的医疗数据生成装置，其特征在于，包括：样本采集单元，用于通过采样的方式在真实医疗数据训练集中获取真实医疗样本；网络构建单元，用于基于adam优化算法、预设噪声和差分隐私技术构建初始对抗生成网络，所述初始对抗生成网络包括初始生成网络和初始判别网络；网络训练单元，用于依据所述真实医疗样本对所述初始对抗生成网络进行对抗生成训练，得到优化对抗生成网络；样本生成单元，用于将待生成医疗样本输入所述优化对抗生成网络中，得到生成医疗样本数据。6.根据权利要求5所述的基于对抗生成网络的医疗数据生成装置，其特征在于，所述网络训练单元，包括：
裁剪分析子单元，用于将所述真实医疗样本输入所述初始判别网络中进行梯度裁剪分析，得到裁剪梯度；生成计算子单元，用于通过所述初始生成网络采用adam优化算法依据预设噪声对所述裁剪梯度进行差分隐私计算，得到训练生成样本；判别分析子单元，用于将所述训练生成样本输入所述初始判别网络中进行判别分析，得到判别结果；优化更新子单元，用于基于所述判别结果对所述初始对抗生成网络的参数进行优化更新，得到优化对抗生成网络。7.根据权利要求6所述的基于对抗生成网络的医疗数据生成装置，其特征在于，所述裁剪分析子单元，具体用于：将所述真实医疗样本输入所述初始判别网络中计算真实医疗数据的梯度，得到样本梯度；配置预设裁剪阈值后，通过所述初始判别网络采用l2范数根据所述预设裁剪阈值对所述样本梯度进行梯度裁剪，得到裁剪梯度。8.根据权利要求6所述的基于对抗生成网络的医疗数据生成装置，其特征在于，所述优化更新子单元，具体用于：基于构建的生成网络目标函数和判别网络目标函数根据所述判别结果分别对所述初始生成网络和所述初始判别网络的网络参数进行优化更新；依据构建的对抗生成网络目标函数和多次训练得到的所述判别结果对所述初始对抗生成网络的模型参数进行优化更新，得到优化对抗生成网络。9.基于对抗生成网络的医疗数据生成设备，其特征在于，所述设备包括处理器以及存储器；所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的基于对抗生成网络的医疗数据生成方法。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用于存储程序代码，所述程序代码用于执行权利要求1-4任一项所述的基于对抗生成网络的医疗数据生成方法。

技术总结
本申请公开了基于对抗生成网络的医疗数据生成方法及相关装置，方法包括：通过采样的方式在真实医疗数据训练集中获取真实医疗样本；基于Adam优化算法、预设噪声和差分隐私技术构建初始对抗生成网络，初始对抗生成网络包括初始生成网络和初始判别网络；依据真实医疗样本对初始对抗生成网络进行对抗生成训练，得到优化对抗生成网络；将待生成医疗样本输入优化对抗生成网络中，得到生成医疗样本数据。本申请能够解决现有数据增强方式得到的数据质量较差、可用性较低且易泄露敏感信息，难以满足实际的训练需求的技术问题。足实际的训练需求的技术问题。足实际的训练需求的技术问题。


技术研发人员：孙为军 刘磊 房小兆 黄永慧 李超业 何佳锴 杨禧元
受保护的技术使用者：广东工业大学
技术研发日：2023.07.24
技术公布日：2023/10/11