杨文开，董云云，赵涓涓+，强 彦，刘 江，Muhammad Bilal Zia

(1.太原理工大学 信息与计算机学院，山西 晋中 030600；2.山西省肿瘤医院 放射科，山西 太原 030000)

0 引 言

甲状腺结节是常见的临床疾病[1]。临床诊断甲状腺结节需要经验丰富的放射科医生阅读超声成像切片。然而，由于超声成像容易受到回声干扰和斑点噪声的影响，如图1所示，因此，对于经验不足的年轻放射科医生，往往存在较高的误诊率。最近，深度学习技术在计算机视觉方面取得了巨大的成功[2-4]。然而它们在甲状腺结节分类方面并没有达到令人满意的性能,因为性能优越的深度学习模型依赖带标签的较大规模的数据集的训练。为了缓解小样本医学图像数据集对深度学习模型的训练的限制，一些研究方案被提出，如使用迁移学习技术[5]，或者采用半监督学习技术[6]。虽然这些方法取得了一定的成就，但是由于真实标记样本数量的限制，上述挑战仍然无法很好被解决。生成对抗网络(GAN)[7]可以通过训练来生成数据。然而，由于训练过程的不稳定，GAN生成的图像质量具有差异性。提出一种超声图像中甲状腺结节的生成方法，具体的，首先cGAN以编码后的不同样式的结节掩膜作为条件来生成具有不同特征的结节。然后，使用贝叶斯神经网络[8]识别出最有价值的生成样本并用其构建新的数据集来训练模型进行结节的分割和分类。实验结果表明，提出的方法可以在获得令人满意的分割和分类精度下，减少对真实训练样本的使用量，从而有效缓解小样本医学数据集的问题。……