【技术实现步骤摘要】
异常区域图像生成网络的训练方法和相关产品
本申请涉及图像处理
，特别是涉及一种异常区域图像生成网络的训练方法和相关产品。
技术介绍
在医疗领域中，脑部疾病指颅内组织器官(如脑膜血管、大小脑、脑干、颅神经等)的炎症、血管病、肿瘤、病变、畸形、遗传病等的总称，通常情况下，脑部疾病会在脑部医学影像上有所体现，如脑肿瘤、脑出血、帕金森病、阿尔茨海默病等。核磁共振成像(NuclearMagneticResonanceImaging，MRI)因其无放射性、对脑结构成像质量高的特点，被广泛应用于脑部疾病的诊断中，计算机辅助诊断(ComputerAidedDiagnosis，CAD)可以根据MRI影像有效筛查脑部疾病患者，大大降低医生的工作量及提高检测的准确度。目前CAD系统通常会根据患者的脑部影像显示其与正常图像的差异(即异常区域)，较多的异常区域检测主要依赖深度学习分割网络的分割操作，但在深度学习分割网络的训练过程中需要人工标注的分割结果作为学习的标准，而高质量的人工标注数据通常比较有限。因此，其学习得到的深度学习分割网络...
【技术保护点】
1.一种异常区域图像生成网络的训练方法，其特征在于，包括：/n获取训练样本图像，所述训练样本图像具有异常区域；/n将所述训练样本图像输入初始异常区域图像生成网络，得到初始异常区域图像，以及将所述初始异常区域图像与所述训练样本图像进行融合，得到融合图像；其中，所述融合图像包括预设的仿真标记；/n将所述融合图像和真实样本图像输入初始判别网络，得到所述融合图像的判别结果；/n采用损失函数计算所述判别结果与所述仿真标记之间的损失，根据所述损失对所述初始判别网络和所述初始异常区域图像生成网络进行训练；当所述损失函数的值达到收敛时，所述初始异常区域图像生成网络训练完成，得到异常区域图像生成网络。/n
【技术特征摘要】 【专利技术属性】
1.一种异常区域图像生成网络的训练方法，其特征在于，包括：
获取训练样本图像，所述训练样本图像具有异常区域；
将所述训练样本图像输入初始异常区域图像生成网络，得到初始异常区域图像，以及将所述初始异常区域图像与所述训练样本图像进行融合，得到融合图像；其中，所述融合图像包括预设的仿真标记；
将所述融合图像和真实样本图像输入初始判别网络，得到所述融合图像的判别结果；
采用损失函数计算所述判别结果与所述仿真标记之间的损失，根据所述损失对所述初始判别网络和所述初始异常区域图像生成网络进行训练；当所述损失函数的值达到收敛时，所述初始异常区域图像生成网络训练完成，得到异常区域图像生成网络。
2.根据权利要求1所述的方法，其特征在于，根据所述损失对所述初始判别网络和所述初始异常区域图像生成网络进行训练，包括：
根据所述损失调整所述初始判别网络的网络参数，调整后的初始判别网络使得所述损失函数的值减小；
根据所述损失调整所述初始异常区域图像生成网络的网络参数，调整后的初始异常区域图像生成网络使得所述损失函数的值增大。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
根据所述损失函数、所述初始异常区域图像以及对所述损失函数的值的数学期望，构建网络模型优化函数；当所述网络模型优化函数的值达到预设阈值时，表征所述损失函数的值达到收敛。
4.根据权利要求3所述的方法，其特征在于，所述网络模型优化函数包括异常区域图像生成网络优化函数和判别网络优化函数，所述网络模型优化函数的值达到预设阈值，包括：
所述异常区域图像生成网络优化函数的值与所述判别网络优化函数的值之和达到预设阈值。
5.根据权利要求2所述的方法，其特征在于，根据所述损失对所述初始判别网络和所述初始异常区域图像生成网络进行训练，还包括：
根据所述损失，调整所述初始判别网络的网络参数；
技术研发人员：李青峰，石峰，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：上海;31
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。