一种基于双生成对抗网络的医学图像合成方法技术

本发明专利技术中提出的一种基于双生成对抗网络的医学图像合成方法，其主要内容包括：数据管理、生成对抗网络、训练U‑NET、建立评估指标和获得处理图片，其过程为，先使用DRIVE数据库来管理第一阶段GAN，然后第一阶段GAN生成表示数据集的可变几何的分割蒙版，第二阶段GAN将第一阶段制作的掩模转化成具有真实感的图像，生成器通过鉴别器将分类为真实的数据来最小化其损失函数，再训练U‑NET评估合成数据的可靠性，最后建立评估指标衡量生成的模型。本发明专利技术通过使用一对生成对抗网络，创建一个新的图像生成途径，解决了合成图像含伪影和噪声的问题，提高了图像的稳定性和真实感，同时使图像细节更加清晰。

【技术实现步骤摘要】
一种基于双生成对抗网络的医学图像合成方法
本专利技术涉及图像合成领域，尤其是涉及了一种基于双生成对抗网络的医学图像合成方法。
技术介绍
随着图像处理技术的发展，目前人们对医学图像分类的方法非常感兴趣。然而，医学影像数据稀缺、价格昂贵，并且充满了关于患者隐私的法律问题。典型的患者数据同意书只允许将图像用于医学期刊或用于教育目的，这意味着大多数医学数据不可用于普通的公众研究，人们想到了合成医学图像可以解决这些问题。利用医学图像合成的方法，研究者将拥有大量的医学图像数据作为研究材料，能够进行计算机辅助医学诊断、协助医疗专业人员解释医学图像、医学图像分类等众多操作。现有的医学图像合成技术由于点位点不稳定，由生成对抗网络(GAN)产生的图像通常可能仍然包含伪影和噪声，造成合成图像的不稳定性。本专利技术提出了一种基于双生成对抗网络的医学图像合成方法，先使用DRIVE数据库来管理第一阶段GAN，然后第一阶段GAN生成表示数据集的可变几何的分割蒙版，第二阶段GAN将第一阶段制作的掩模转化成具有真实感的图像，生成器通过鉴别器将分类为真实的数据来最小化其损失函数，再训练U-NET评估合成数据的可靠性，最本文档来自技高网...

【技术保护点】
一种基于双生成对抗网络的医学图像合成方法，其特征在于，主要包括数据管理(一)；生成对抗网络(二)；训练U‑NET(三)；建立评估指标(四)；获得处理图片(五)。

【技术特征摘要】
1.一种基于双生成对抗网络的医学图像合成方法，其特征在于，主要包括数据管理(一)；生成对抗网络(二)；训练U-NET(三)；建立评估指标(四)；获得处理图片(五)。2.基于权利要求书1所述的医学图像合成，其特征在于，为了生成高质量的合成数据集，提出使用两个生成对抗网络(GAN)，将生成问题分解为两部分：(1)第一阶段GAN：生成表示数据集的可变几何的分割蒙版；(2)第二阶段GAN：将第一阶段制作的掩模转化成具有真实感的图像。3.基于权利要求书2所述的第一阶段生成对抗网络，其特征在于，第一阶段GAN的目的是生成可变分段掩码，它基于深度卷积生成对抗网络(DCGAN)架构，并基于TensorFlow平台构建，提高了与标准GAN相比的训练稳定性；与其他生成模型相比，DCGAN是完全卷积的；该生成器用一个噪声矢量进行初始化，该噪声矢量通过多个步进卷积馈送，生成合成图像；使用交叉熵损失函数来训练第一阶段中的鉴别器GAN。4.基于权利要求书3所述的交叉熵损失函数，其特征在于，交叉熵损失函数如下所示：其中，D是鉴别器，G是生成器，m是最小批量大小，z是相应的输入噪声向量，x是图像，i是图像的索引；生成器的损失函数如下：由于这两个连接的损失函数，生成器和鉴别器不断地相互竞争，以最小化它们各自的损失函数。5.基于权利要求书2所述的第二阶段生成对抗网络，其特征在于，第二阶段GAN的目的是将分割蒙版转换为相应的逼真图像；第二阶段也建立在TensorFlow平台上，提出GAN的一种特殊形式，称为条件生成对抗网络(CGAN)；它旨在将两个网络D和G调节到某个向量y，并输入表示分割蒙版和真实感图像之间的映射的图像X；类似于常规的GAN，CGAN可以用这个函数(附加参数y)建模：第二阶段GAN是用相应的真实基底和分割掩模对来训练的，以便找出两类图像之间的映射；给定一个分割蒙版，该模型将把给定的几何图形转换为具有真实感的医学图像。6.基于权利要求书1所述的数据管理(一)，其特征在于，使用DRIVE数据库来管理第一阶段GAN；它包含四十...

【专利技术属性】
技术研发人员：夏春秋，
申请(专利权)人：深圳市唯特视科技有限公司，
类型：发明
国别省市：广东,44