欧莉莉，邵峰晶*，孙仁诚，2，隋 毅

（1.青岛大学计算机科学技术学院，山东青岛 266071；2.青岛大学附属医院，山东青岛 266071）

0 引言

近年来，随着医学成像技术不断提高，各种医学设备产生的大量医学图像，为医学图像识别研究提供了充分的数据来源。然而，由于医学图像数据具有多模态性、多维性和不确定性等特点［1］，给医学图像识别带来了很大挑战。传统的医学图像识别是由医生对患者的超声影像进行肉眼观察诊断，其识别率低、耗时比较长，诊断结果也往往具有主观性和低可靠性，难以满足当下的医学需求，而深度学习（Deep Learning）的出现促进了医学图像识别的进一步发展。深度学习作为机器学习的一个重要分支，其原理是模仿人脑的机制，自动学习数据的内在规律，利用分层网络模型逐层地提取特征，这些特征能准确地反映数据信息，从而提高图像识别的准确性。

生成对抗网络（Generative Adversarial Network，GAN）是由Goodfellow 等［2］在2014 年提出的，并且在深度学习领域引起广泛的研究热潮。由于GAN 的生成能力比较强，人们逐渐将其应用于图像领域，例如图像合成［3］、图像修复［4］、图像识别、视频检索［5］、根据文字生成图片［6］、图像超分辨率［7］、灰度图像上色［8］及X光图像的生成［9］等方面。在图像识别领域中，虽然基于GAN 的方法［10］具有很高的识别率，但是与监督学习方法一样，在训练时需要大量的标签数据。当标签数据不足时，会影响一些特定问题的识别效果。如：在对医学图像分析时，采集到的样本需要先由经验丰富的医生进行标注，然后才能进行分析，但是这个过程要耗费大量的时间和人力，还会浪费无标签样本中的一些重要信息［11］。……