3D肺结节生成方法、装置及电子设备制造方法及图纸

本发明专利技术提供一种3D肺结节生成方法、装置及电子设备，涉及图像识别技术领域，方法包括：获取目标肺结节图像数据；将目标肺结节图像数据输入3D肺结节生成模型中，输出目标肺结节图像数据所对应的3D肺结节；其中，3D肺结节生成模型通过基于Wasserstein距离的深度卷积生成对抗网络DCGAN对真实结节数据进行训练得到；真实结节数据通过对待训练的肺结节图像数据进行数据增强处理得到。通过基于Wasserstein距离的深度卷积生成对抗网络DCGAN对真实结节数据进行模型训练，其中，真实结节数据通过对待训练的肺结节图像数据进行数据增强处理得到，增加了模型训练的数据量，能够提高模型准确率并降低模型过拟合，使得模型在真实应用中也有高准确率。

3D pulmonary nodule generation method, device and electronic equipment

The invention provides a 3D pulmonary nodule generation method, device and electronic equipment, which relates to the technical field of image recognition. The methods include: acquiring the image data of the target pulmonary nodule; inputting the image data of the target pulmonary nodule into the 3D pulmonary nodule generation model and outputting the 3D pulmonary nodule corresponding to the image data of the target pulmonary nodule; in which the 3D pulmonary nodule generation model passes through the depth based on Wasser The convolution generation antagonism network DCGAN trains the real nodule data, and the real nodule data is obtained by data enhancement processing of the trained pulmonary nodule image data. DCGAN, a deep convolution generation antagonism network based on Wasserstein distance, is used to train the real nodule data. The real nodule data is obtained by data enhancement processing of the training pulmonary nodule image data, which increases the amount of training data, improves the accuracy of the model and reduces the over-fitting of the model, and makes the model more accurate in real application. \u3002

【技术实现步骤摘要】
3D肺结节生成方法、装置及电子设备
本专利技术涉及图像识别
，尤其是涉及一种3D肺结节生成方法、装置及电子设备。
技术介绍
肺结节是一种病因未明的多系统多器官的肉芽肿性疾病，常侵犯肺、双侧肺门淋巴结、眼、皮肤等器官，其胸部受侵率高达80％～90％。对肺结节的诊断通常采用X线或者CT扫描来实现，由于普通X线胸片对结节病诊断的正确率仅有50％，甚至有9.6％胸片正常的人肺活检为结节病。因此，近年来CT已广泛应用于结节病的诊断，能较准确估计结节病的类型、肺间质病变的程度和淋巴结肿大的情况。尤其是高分辨薄层CT，为肺间质病变的诊断更为精确，其层厚为1～2mm。然而现有的有标注的高质量医疗CT图像数据还比较溃乏，使得深度学习网络难以训练充分，存在过拟合的情况，即模型在训练数据的检测效果很好，但在实际应用时效果一般，无法通过现有的肺结节CT图像数据直接生成3D肺结节。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种3D肺结节生成方法、装置及电子设备，通过基于Wasserstein距离的深度卷积生成对抗网络DCGAN对真实结节数据进行训练，而得到的3D肺结节生成模型，对目标肺结节图像进行检测识别，生成精确度高的3D肺结节，其中，真实结节数据通过对待训练的肺结节图像数据进行数据增强处理得到，增加了模型训练的数据量，能够提高模型准确率并降低模型过拟合，使得模型在真实应用中也有高准确率。第一方面，本专利技术实施例提供了一种3D肺结节生成方法，包括：获取目标肺结节图像数据；将目标肺结节图像数据输入3D肺结节生成模型中，输出目标肺结节图像数据所对应的3D肺结节；其中，3D肺结节生成模型通过基于Wasserstein距离的深度卷积生成对抗网络DCGAN对真实结节数据进行训练得到；真实结节数据通过对待训练的肺结节图像数据进行数据增强处理得到。结合第一方面，本专利技术实施例提供了第一方面的第一种可能的实施方式，其中，通过以下方式得到3D肺结节生成模型：获取待训练的肺结节图像数据；对待训练的肺结节图像数据进行数据增强处理，得到真实结节数据；采用基于Wasserstein距离的深度卷积生成对抗网络DCGAN对真实结节数据进行训练，得到3D肺结节生成模型。结合第一方面，本专利技术实施例提供了第一方面的第二种可能的实施方式，其中，获取待训练的肺结节图像数据，包括：通过SimpleITK模块读取医疗肺部CT图像dcm序列文件；从序列文件中提取出肺结节的3D图像数据；3D图像数据包括：结节的三维张量；将三维张量作为待训练的肺结节图像数据。结合第一方面，本专利技术实施例提供了第一方面的第三种可能的实施方式，其中，对待训练的肺结节图像数据进行数据增强处理，得到真实结节数据，包括：对待训练的肺结节图像数据进行预设方式的处理，得到真实结节数据；其中，预设方式包括以下至少之一：随机裁剪、随机缩放、随机旋转、随机翻转、随机置换。结合第一方面，本专利技术实施例提供了第一方面的第四种可能的实施方式，其中，深度卷积生成对抗网络DCGAN包括：生成器网络和判别器网络；采用基于Wasserstein距离的深度卷积生成对抗网络DCGAN对真实结节数据进行训练，得到3D肺结节生成模型，包括：确定生成器网络和判别器网络的权重；将生成器网络和判别器网络的权重代入基于Wasserstein距离的深度卷积生成对抗网络DCGAN中，得到3D肺结节生成模型。结合第一方面，本专利技术实施例提供了第一方面的第五种可能的实施方式，其中，通过以下方式确定生成器网络和判别器网络的权重：循环执行如下步骤，直到达到纳什平衡：将随机高斯向量输入生成器网络中，输出伪造结节数据；将伪造结节数据和真实结节数据输入判别器网络中，输出第一得分，并计算第一损失值；在生成器网络的权重固定的基础上，使用第一损失值通过方向传播更新判别器网络的权重；将伪造结节数据输入已经训练一轮后的判别器网络中，输出第二得分，计算第二损失值；在判别器网络的权重固定的基础上，使用第二损失值通过方向传播更新生成器网络的权重。第二方面，本专利技术实施例还提供一种3D肺结节生成装置，包括：第一数据获取模块，用于获取目标肺结节图像数据；3D肺结节生成模块，用于将目标肺结节图像数据输入3D肺结节生成模型中，输出目标肺结节图像数据所对应的3D肺结节；其中，3D肺结节生成模型通过基于Wasserstein距离的深度卷积生成对抗网络DCGAN对真实结节数据进行训练得到；真实结节数据通过对待训练的肺结节图像数据进行数据增强处理得到。结合第二方面，本专利技术实施例提供了第二方面的第一种可能的实施方式，其中，3D肺结节生成模块包括：第二数据获取模块，用于获取待训练的肺结节图像数据；数据处理模块，用于对待训练的肺结节图像数据进行数据增强处理，得到真实结节数据；模型生成模块，用于采用基于Wasserstein距离的深度卷积生成对抗网络DCGAN对真实结节数据进行训练，得到3D肺结节生成模型。第三方面，本专利技术实施例还提供一种电子设备，包括存储器、处理器，存储器上存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述第一方面的方法的步骤。第四方面，本专利技术实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行第一方面所述的方法。本专利技术实施例带来了以下有益效果：本专利技术实施例提供的3D肺结节生成方法包括：获取目标肺结节图像数据；将目标肺结节图像数据输入3D肺结节生成模型中，输出目标肺结节图像数据所对应的3D肺结节；其中，3D肺结节生成模型通过基于Wasserstein距离的深度卷积生成对抗网络DCGAN对真实结节数据进行训练得到；真实结节数据通过对待训练的肺结节图像数据进行数据增强处理得到。通过基于Wasserstein距离的深度卷积生成对抗网络DCGAN对真实结节数据进行训练，而得到的3D肺结节生成模型，对目标肺结节图像进行检测识别，生成精确度高的3D肺结节，其中，真实结节数据通过对待训练的肺结节图像数据进行数据增强处理得到，增加了模型训练的数据量，能够提高模型准确率并降低模型过拟合，使得模型在真实应用中也有高准确率。本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例一提供的一种3D肺结节生成方法的流程图；图2为本专利技术实施例一提供的另一种3D肺结节生成方法的流程图；图3为本专利技术实施例一提供的一种3D肺结节生成方法中模型目标函数示意图；图4为本专利技术实施例二提供的一种3D肺结节生成装置的示意图；图5为本专利技术实施例三提供的一种电子设备的示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术本文档来自技高网...

【技术保护点】
1.一种3D肺结节生成方法，其特征在于，包括：获取目标肺结节图像数据；将所述目标肺结节图像数据输入3D肺结节生成模型中，输出所述目标肺结节图像数据所对应的3D肺结节；其中，所述3D肺结节生成模型通过基于Wasserstein距离的深度卷积生成对抗网络DCGAN对真实结节数据进行训练得到；所述真实结节数据通过对待训练的肺结节图像数据进行数据增强处理得到。

【技术特征摘要】
1.一种3D肺结节生成方法，其特征在于，包括：获取目标肺结节图像数据；将所述目标肺结节图像数据输入3D肺结节生成模型中，输出所述目标肺结节图像数据所对应的3D肺结节；其中，所述3D肺结节生成模型通过基于Wasserstein距离的深度卷积生成对抗网络DCGAN对真实结节数据进行训练得到；所述真实结节数据通过对待训练的肺结节图像数据进行数据增强处理得到。2.根据权利要求1所述的方法，其特征在于，通过以下方式得到所述3D肺结节生成模型：获取待训练的肺结节图像数据；对所述待训练的肺结节图像数据进行数据增强处理，得到真实结节数据；采用基于Wasserstein距离的深度卷积生成对抗网络DCGAN对所述真实结节数据进行训练，得到3D肺结节生成模型。3.根据权利要求2所述的方法，其特征在于，所述获取待训练的肺结节图像数据，包括：通过SimpleITK模块读取医疗肺部CT图像dcm序列文件；从所述序列文件中提取出肺结节的3D图像数据；所述3D图像数据包括：结节的三维张量；将所述三维张量作为所述待训练的肺结节图像数据。4.根据权利要求2所述的方法，其特征在于，所述对所述待训练的肺结节图像数据进行数据增强处理，得到真实结节数据，包括：对所述待训练的肺结节图像数据进行预设方式的处理，得到所述真实结节数据；其中，所述预设方式包括以下至少之一：随机裁剪、随机缩放、随机旋转、随机翻转、随机置换。5.根据权利要求2所述的方法，其特征在于，所述深度卷积生成对抗网络DCGAN包括：生成器网络和判别器网络；采用基于Wasserstein距离的深度卷积生成对抗网络DCGAN对所述真实结节数据进行训练，得到3D肺结节生成模型，包括：确定所述生成器网络和所述判别器网络的权重；将所述生成器网络和所述判别器网络的权重代入基于Wasserstein距离的深度卷积生成对抗网络DCGAN中，得到所述3D肺结节生成模型。...

【专利技术属性】
技术研发人员：伍建林，张清，胡飞，
申请(专利权)人：北京青燕祥云科技有限公司，
类型：发明
国别省市：北京,11