The invention discloses a method of medical image synthesis and classification based on conditional multi-discriminant generation antagonistic network. The method comprises the following steps: 1. Segmenting the lesion area in the computed tomography (CT) image, extracting the region of interest (ROIs) of the lesion; 2. Preprocessing the data of the extracted lesion ROIs; 3. Designing the model architecture of Conditional Multi-Discriminate Generative Adversarial Network (CMDGAN) and training it with the image of No. 2 Middle School to get the generating model; 4. Using the generated model of No. 3 Middle School to enhance the synthetic data of ROIs extracted from lesions; 5. Designing a multi-scale residual network (Multiscale ResN). Et Network (MRNet) and training. The method of the invention can generate high-quality synthetic medical image data set, and the classification accuracy of the classification network for the test image is higher, thereby providing better auxiliary diagnosis for medical workers.
【技术实现步骤摘要】
基于条件多判别生成对抗网络的医疗图像合成与分类方法
本专利技术涉及条件多判别生成对抗网络的医疗图像合成与分类
技术介绍
近年来依赖于卷积神经网络(ConvolutionalNeuralNetwork,简称CNN)强大的分层特征提取能力,对于图像的分类效果在很多方面已经超越人类,主要的一个原因就是使用大规模带标签的数据集去训练深度神经网络,如手写字识别等计算机视觉任务。但是在某些方面比如医学图像特定领域的分类问题上还有很大的提升空间,这其中面临的一个最大挑战就是无法获取一个大规模的医学图像数据集,使用小规模数据集训练的深度神经网络将无法学习到医学图像中的某些特征,进而使得其分类效果不佳。医学成像领域面临的一个最大的挑战就是如何处理小规模的数据集以及有限数量的带标签的样本,因为在一些监督学习的算法中,通常会使用带标签的数据和更大的训练集来训练神经网络。但是在医学领域大规模的医疗图像数据集难以获得,通常研究人员会使用一些经典图像增强方式进行医疗图像数据集的扩充,进而克服小规模数据集带来的弊端。但是传统的图像扩充方法主要是平移、旋转、翻转和缩放,这些方式只是对数据集图像进行简单的修改,使用经典的图像增强技术来改进网络的训练过程是一个标准的过程。通过使用经典的方式对图像进行小规模的修改图像只会获得很少的附加信息。对于神经网络的训练效果贡献不大。与此同时,在医学成像任务中通常会需要一些具有数据以及图像任务方面有专业知识的放射科医师进行注释,但是医学图像的大多数图像注释都很耗时,对于一些精确的注释尤其如此,例如将某个器官或者病变的区域分割成多张的2D切片或者3D的立体图 ...
【技术保护点】
1.一种基于条件多判别生成对抗网络的医疗图像合成与分类方法其特征在于:至少包括以下步骤:步骤一、根据放射科医生对计算机断层扫描(Computed Tomography,简称CT)图像中病变区域的标注,对医疗CT图像进行图像分割,提取病变感兴趣区域(Region ofInterest,简称ROIs);步骤二、对步骤一中提取的病变ROIs进行数据预处理,使不同病灶之间的图像数据达到均衡;步骤三、设计基于条件多判别生成对抗网络(Conditional Multi‑Discriminate Generative Adversarial Network,简称CMDGAN)模型架构,使用步骤二中得到的预处理图像对其进行指导训练,得到一个生成模型;步骤四、使用步骤三中得到的生成模型对提取的病变ROIs进行合成数据增强,得到具有高质量的病变ROIs数据集;步骤五、设计多尺度残差网络(Multiscale ResNet Network,简称MRNet),并使用步骤四得到的合成病变ROIs数据集对该网络进行训练,得到一个高精度的分类神经网络,实现医疗图像分类。
【技术特征摘要】
1.一种基于条件多判别生成对抗网络的医疗图像合成与分类方法其特征在于:至少包括以下步骤:步骤一、根据放射科医生对计算机断层扫描(ComputedTomography,简称CT)图像中病变区域的标注,对医疗CT图像进行图像分割,提取病变感兴趣区域(RegionofInterest,简称ROIs);步骤二、对步骤一中提取的病变ROIs进行数据预处理,使不同病灶之间的图像数据达到均衡;步骤三、设计基于条件多判别生成对抗网络(ConditionalMulti-DiscriminateGenerativeAdversarialNetwork,简称CMDGAN)模型架构,使用步骤二中得到的预处理图像对其进行指导训练,得到一个生成模型;步骤四、使用步骤三中得到的生成模型对提取的病变ROIs进行合成数据增强,得到具有高质量的病变ROIs数据集;步骤五、设计多尺度残差网络(MultiscaleResNetNetwork,简称MRNet),并使用步骤四得到的合成病变ROIs数据集对该网络进行训练,得到一个高精度的分类神经网络,实现医疗图像分类。2.根据权利要求1所述的一种基于条件多判别生成对抗网络的医疗图像合成与分类方法,其特征在于:所述步骤一中采用深度U型全卷积神经网络(DeepUTypeFullConvolutionalNeuralNetwork,简称DUTFCN)对医疗CT图像中病变区域进行提取,对于具有不同病灶的医疗CT图像,分别得到相应的ROIs,DUTFCN网络可以对图像进行像素级的特征提取,能够对医疗CT图像中病变ROIs进行高精度分割,同时网络可以接受任意大小尺寸的图像输入,DUTFCN的网络结构相对于传统卷积神经网络(ConvolutionalNeuralNetwork,简称CNN)的特征提取方法,其特点首先在于网络不使用全连接层,很大程度上减少了网络中的参数量,使得网络能够稳定且快速的训练;其次DUTFCN网络包含增大数据尺寸的反卷积层,能够输出精细的结果,适合医疗CT图像病变区域提取任务;最后DUTFCN结合不同深度层结果的跳级结构,确保了输出结果...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。