The invention discloses a prior Gan model medical image generation method, which specifically relates to the field of medical image synthesis, including the following steps: Step 1, inventing a meaningful improved model, namely prior condition generation of antagonism network pcgan; step 2, using the idea of dgan, optimizing the generation of network G and discrimination network D; step 3, building organs through PCA Two dimensional or three-dimensional shape space is used to generate a label map with physical meaning interpretation; step four is to generate medical images with optimized network parameters and prior labels. The invention uses PCA to generate tag map with physical meaning interpretation, reduces or cancels the later experts' participation in data annotation, so as to establish a synthetic image database, to a certain extent, solves the problem of the scarcity of effective samples based on the data-based deep learning method, so as to effectively reduce the workload of experts and improve the work efficiency.
【技术实现步骤摘要】
一种先验GAN模型医学影像生成方法
本专利技术涉及医学影像合成
,更具体地说,本专利技术涉及一种先验GAN模型医学影像生成方法。
技术介绍
医学影像模型只能像其标注者所标注的那样好,而标注者本身应该是熟练有经验的放射科专家。所以期望从模型的角度出发,减少专家标注的工作量。常见的有主动学习模型辅助新数据标注和生成对抗模型生成数据。主动学习是一种辅助增加标注样本的有效方法。主动学习可从一个小标签数据集和几个专家标注者开始,通过机器学习去标注图像并利用分类器进行评分,对得分低于确定性阈值的图像被发送给专家进行手动标记。但是当专家对部分复杂图像边界达不成一致的情况下,主动学习建立数据集的准确性和有效性得不到保证。另一种方法是数据生成,数据生成研究并不是一个全新的领域,它是让计算机通过一定数据的学习,生成与样本类似的数据。自编码网络通过编码和解码两个网络生成数据。但是它生成能力有限,不适合大量数据生成。变分自动编码模型可以生成相对真实的图像。但是VAE要求网络产生的图像接近原始数据集里的某个图像,这使得VAE并不能学会生成新的图像。即VAE只是模仿能力,而没有创造能力。生成对抗网络(GAN)创新性地组合了生成模型和对抗模型,寻找生成和对抗之间的一个纳什均衡来产生更加真实的图像。现有技术中的医学影像GAN模型标注需要后期专家参与数据标注,从而增加了医学专家的工作量,降低了工作效率。
技术实现思路
为了克服现有技术的上述缺陷,本专利技术的实施例提供一种先验GAN模型医学影像 ...
【技术保护点】
1.一种先验GAN模型医学影像生成方法,其特征在于:包括以下步骤:/n步骤一、专利技术一个有意义的改进模型,即先验条件生成对抗网络PCGAN;/n步骤二、利用DGAN的思想,优化生成网络G和判别网络D;/n步骤三、通过主成分分析方法PCA构建器官的二维或三维形状空间,生成具有物理意义解释的标签图;/n步骤四、用优化的网络参数和先验标签生成医学影像;/n步骤五、用未标注的图像与已标注的图像进行对比,寻找未标注图像上与已标注图像上的类似区域,对未标注图像进行标注,并对标注进行修正。/n
【技术特征摘要】
1.一种先验GAN模型医学影像生成方法,其特征在于:包括以下步骤:
步骤一、发明一个有意义的改进模型,即先验条件生成对抗网络PCGAN;
步骤二、利用DGAN的思想,优化生成网络G和判别网络D;
步骤三、通过主成分分析方法PCA构建器官的二维或三维形状空间,生成具有物理意义解释的标签图;
步骤四、用优化的网络参数和先验标签生成医学影像;
步骤五、用未标注的图像与已标注的图像进行对比,寻找未标注图像上与已标注图像上的类似区域,对未标注图像进行标注,并对标注进行修正。
2.根据权利要求1所述的一种先验GAN模型医学影像生成方法,其特征在于:所述步骤一具体为,朴素GAN方法将一个简单的概率分布通过参数化的概率生成模型转换成给定观测数据的真实概率分布,再基于所得到的概率分布模型产生与观测数据类似的新数据,将T作为概率生成模型,概率生成模型T可以将均匀分布变换成高斯分布:
其中(u1,u2)~U(0,1);
将所有n×n图像构成一个空间,记为图像空间χ,每一张图像看成是空间中的一个点(x∈χ),用v(x)来表示图片是否表达一个真实对象的概率,那么v就是GAN要学习的目标概率测度,这种概率测度通常用期望表示。在加入条件限制的情形下,便得到条件生成判别网络,即CGAN,它的数学描述是:
其中x表示真实图片,z表示输入到G网络的随机噪声,G(z)表示生成的图片,D(x)和D(G(z))分别表示网络D判断真实图片和生成图片是否真实的概率。CGAN模型学习在条件图像y约束下,将随机噪声z生成与结构y相似的图像之间的映射G:{y,z}→x。
考虑到生成图像和标签图的目标边缘具有较大的梯度值,将该梯度差异作为生成网络的额外损失,即该约束项定义为:
其中dA是积分单元,Ω是标签目标区域,是标签图的目标边界,f是一个距离测度,即梯度差异项只考虑目...
【专利技术属性】
技术研发人员:郑申海,房斌,李腊全,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:重庆;50
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。