基于变分生成对抗模型识别乳腺肿瘤区域的方法及装置制造方法及图纸

本发明专利技术公开了一种基于变分生成对抗模型识别乳腺肿瘤区域的方法。发明专利技术的方法使用乳腺肿瘤图片和人工划分的图片对生成模型进行划分学习，同时使用其生成的图片使用判别模型与人工划分的乳腺肿瘤图片进行对抗，从而使网络能对乳腺肿瘤区域进行识别。本方法实现了一种基于变分生成对抗模型识别乳腺肿瘤区域的方法，与现有的方法相比，得到更好的分类效果和性能。

【技术实现步骤摘要】
基于变分生成对抗模型识别乳腺肿瘤区域的方法及装置
本专利技术涉及图像识别领域，特别是基于深度学习的肿瘤区域识别方法及装置。
技术介绍
乳腺癌是威胁女性身心健康的常见肿瘤。早期发现与治疗是降低乳腺癌危害的关键。人工标定乳腺癌切片的病变情况对于诊断癌症进展程度以及制定和改进治疗方案非常重要，但是人工标定的结果不稳定，不同医生的标定结果，或者同一医生不同时间的标定结果可能差别很大。随着数字化程度的提高，病理切片已经可以快速转化为数字图像，使通过计算机自动划分肿瘤区域成为可能。人们希望利用计算机图像处理技术,快速正确的分析出乳腺癌切片中病灶区域，对病理图像的识别和辅助诊断。为了使算法可以适应不同来源、不同的切片染色方法、不同的切片切割方法、不同的扫描仪等生成的切片样本，需要算法有很强的鲁棒性和泛化能力。近年来，深度学习领域中涌现出许多新的模型，并得到广泛关注，其中就包含变分自编码器和生成对抗网络。变分自编码器是一种有效的生成模型，包含编码器和解码器两个部分，编码器将输入数据转化为高斯分布，再通过解码器还原该输入信息的分布。生成对抗模型由两个部分组成：生成模型和判别模型，均为非线性深度模型，生本文档来自技高网...

【技术保护点】
1.一种基于变分生成对抗模型识别乳腺肿瘤区域的方法，包括如下步骤：S1、训练集收集，人工对乳腺肿瘤图片中肿瘤区域进行划分，并生成相应的二值图像；S2、固定生成模型参数，使用生成模型生成的肿瘤划分图片与人工划分的乳腺肿瘤图片进行判别模型训练；S3、固定判别模型参数，使用原图对生成模型进行训练；S4、步骤S2、S3交替进行，直至变分生成对抗模型训练完成；S5、乳腺肿瘤区域识别，将待划分图像作为训练好的变分生成对抗模型的输入，其输出即为划分结果。

【技术特征摘要】
1.一种基于变分生成对抗模型识别乳腺肿瘤区域的方法，包括如下步骤：S1、训练集收集，人工对乳腺肿瘤图片中肿瘤区域进行划分，并生成相应的二值图像；S2、固定生成模型参数，使用生成模型生成的肿瘤划分图片与人工划分的乳腺肿瘤图片进行判别模型训练；S3、固定判别模型参数，使用原图对生成模型进行训练；S4、步骤S2、S3交替进行，直至变分生成对抗模型训练完成；S5、乳腺肿瘤区域识别，将待划分图像作为训练好的变分生成对抗模型的输入，其输出即为划分结果。2.根据权利要求1所述的基于变分生成对抗模型识别乳腺肿瘤区域的方法，其特征在于：所述变分生成对抗模型包括13层的变分自编码器生成模型网络，其中包含6层编码网络和7层解码网络。3.根据权利要求1所述的基于变分生成对抗模型识别乳腺肿瘤区域的方法，其特征在于：所述变分生成对抗模型包括10层的卷积神经判别网络，其中各层依次为卷积层、卷积层、卷积层、最大池化层、卷积层、卷积层、卷积层、最大池化层，以及包含1024个节点的全连接层FC1和包含1个节点的全连接层FC2，其中卷积层激活函数为relu函数，全连接层FC1激活函数为tanh函数，全连接层FC2激活函数为sigmoid函数。4.根据权利要求2所述的基于变分生成对抗模型识别乳腺肿瘤区域的方法，其特征在于：所述编码网络第一层卷积层为64个大小为11×11的滤波器，第二层和第三层卷积层为256个大小为7×7的滤波器，第四层为滤波器大小为2×2的最大池化层，第五层卷积层为256个大小为5×5的滤波器，第六层卷积层包含两个分支输出OUT1和OUT2，分别包含128个大小为3×3的滤波器，其中卷积层激活函数为relu...

【专利技术属性】
技术研发人员：李波，王翔宇，张晓龙，黄德双，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：湖北,42