生成式对抗网络的训练方法及装置、图像增强方法及设备制造方法及图纸

本发明专利技术公开了生成式对抗网络的训练方法及装置、图像增强方法及设备、电子设备、存储介质。训练方法包括：获取第一样本集合和第二样本集合，所述第一样本集合包括第一图像数据和对应的增强图像数据，所述第二样本集合包括第二图像数据；将第一图像数据输入生成式对抗网络，根据所述增强图像数据与所述生成式对抗网络的输出结果计算第一损失误差，以调整所述生成式对抗网络的网络参数；将第二图像数据输入生成式对抗网络，根据所述生成式对抗网络的输出结果计算第二损失误差，以调整所述生成式对抗网络的网络参数。本发明专利技术基于半监督深度学习训练生成式对抗网络，在减轻了样本数据收集难度的同时，提高了生成式对抗网络的精确度和鲁棒性。

Training method and device, image enhancement method and device of generative countermeasure network

【技术实现步骤摘要】
生成式对抗网络的训练方法及装置、图像增强方法及设备
本专利技术涉及医学成像
，特别涉及生成式对抗网络的训练方法及装置、图像增强方法及设备、电子设备、存储介质。
技术介绍
医学图像增强(ImageEnhancement)是一类逆问题，包括图像去噪(Denoising)，伪影去除(ArtifactReduction)，去模糊(De-blur)，图像复原(Recovery)等范畴，属于由果求因的过程。目前，一般基于深度学习的图像增强算法实现图像增强，传统的基于深度学习的算法需要大量结构信息完全匹配的由低质量图像和高质量图像共同构成的图像对作为训练集合，但是这类图像对在实际应用中是很难获取到的，特别是在医学图像处理领域，例如，对于低剂量CT图像的增强任务而言，不可能实现对同一个病人即进行低剂量扫描也进行正常剂量扫描。鉴于医学图像的特殊性，医学图像的样本数据获取难度大，不能满足网络训练的样本数据的多样性的要求，导致基于深度学习的图像增强算法建立的模型准确度不高，对医学影像边缘轮廓等细节信息的重建效果不够理想，不利于医生诊断。本文档来自技高网...

【技术保护点】
1.一种用于图像增强的生成式对抗网络的训练方法，其特征在于，所述训练方法包括：/n获取第一样本集合和第二样本集合，所述第一样本集合包括第一图像数据和所述第一图像数据的增强图像数据，所述第二样本集合包括第二图像数据；/n分别将每一第一图像数据输入生成式对抗网络，根据所述增强图像数据与所述生成式对抗网络的第一网络输出结果计算第一损失误差，并根据所述第一损失误差调整所述生成式对抗网络的网络参数；/n分别将每一第二图像数据输入生成式对抗网络，根据所述生成式对抗网络的第二网络输出结果计算第二损失误差，并根据所述第二损失误差调整所述生成式对抗网络的网络参数。/n

【技术特征摘要】
1.一种用于图像增强的生成式对抗网络的训练方法，其特征在于，所述训练方法包括：
获取第一样本集合和第二样本集合，所述第一样本集合包括第一图像数据和所述第一图像数据的增强图像数据，所述第二样本集合包括第二图像数据；
分别将每一第一图像数据输入生成式对抗网络，根据所述增强图像数据与所述生成式对抗网络的第一网络输出结果计算第一损失误差，并根据所述第一损失误差调整所述生成式对抗网络的网络参数；
分别将每一第二图像数据输入生成式对抗网络，根据所述生成式对抗网络的第二网络输出结果计算第二损失误差，并根据所述第二损失误差调整所述生成式对抗网络的网络参数。


2.如权利要求1所述的生成式对抗网络的训练方法，其特征在于，所述生成式对抗网络包括生成器和判别器；
将所述第一图像数据输入生成式对抗网络，根据所述增强图像数据与所述生成式对抗网络的第一网络输出结果计算第一损失误差，包括：
将所述第一图像数据输入所述生成器，得到所述生成器输出的待判别图像数据；
将所述待判别图像数据输入所述判别器，得到所述判别器的第一判别器输出结果；
根据所述增强图像数据、所述待判别图像数据和所述第一判别器输出结果计算所述生成器的第一生成器损失误差，以根据所述第一生成器损失误差调整所述生成器的网络参数；
将所述增强图像数据输入所述判别器，得到所述判别器的第二判别器输出结果；
根据所述第二判别器输出结果和所述第一判别器输出结果计算所述判别器的第一判别器损失误差，以根据所述第一判别器损失误差调整所述判别器的网络参数。


3.如权利要求2所述的生成式对抗网络的训练方法，其特征在于，根据所述增强图像数据、所述待判别图像数据和所述第一判别器输出结果计算所述生成器的第一生成器损失误差，包括：
根据所述第一判别器输出结果计算第一类误差期望值，根据所述待判别图像数据和所述增强图像数据计算图像误差；
对所述第一类误差期望值和所述图像误差进行加权求和得到所述第一生成器损失误差；
根据所述第二判别器输出结果和所述第一判别器输出结果计算所述第一判别器损失误差，包括：
根据所述第一判别器输出结果计算第二类误差期望值，根据所述第二判别器输出结果计算第三类误差期望值；
对所述第二类误差期望值和所述第三类误差期望值进行加权求和得到所述第一判别器损失误差。


4.如权利要求1所述的生成式对抗网络的训练方法，其特征在于，所述生成式对抗网络包括生成器和判别器；
将所述第二图像数据输入生成式对抗网络，根据所述生成式对抗网络的输出结果计算第二损失误差，包括：
将所述第二图像数据输入所述生成器，得到所述生成器输出的待判别图像数据；
将所述待判别图像数据输入所述判别器，得到所述判别器的第三判别器输出结果；
根据所述第三判别器输出结果分别计算所述生成器的第二生成器损失误差以及所述判别器的第二判别器损失误差，以根据所述第二生成器损失误差调整所述生成器的网络参数，根据所述第二判别器损失误差调整所述判别器的网络参数。


5.如权利要求4所述的生成式对抗网络的训练方法，其特征在于，根据所述第三判别器输出结果计算所述第二生成器损失误差，包括：
根据所述第三判别器输出结果计算第一类误差期望值，根据所述第一类误差期望值确定所述第二生成器损失误差；
根据所述第三判别器输出结果计算所述第二判别器损失误差，包括：
根据所述第三判别器输出结果计算第二类误差期望值，根据所述第二类误差期望值确定所述第二判别器损失误差。


6.如权利要求1-5任一项所述的生成式对抗网络的训练方法，其特征在于，根据所述第一损失误差调整所述生成式对抗网络的网络参数，包括：
将所述第一损失误差在所述生成式对抗网络中进行反向传播操作，并根据所述随机梯度下降方法调整所述网络参数；
和/或，根据所述第二损失误差调整所述生成式对抗网络的网络参数，包括：
将所述第二损失误差在所述生成式对抗网络中进行反向传播操作，并根据所述随机梯度下降方法调整所述网络参数。


7.一种图像增强方法，其特征在于，所述图像增强方法包括：
获取待增强图像数据；
将所述待增强图像数据输入所述生成式对抗网络，其中，所述生成式对抗网络由权利要求1-6中任一项所述的生成式对抗网络的训练方法得到；
经过所述生成式对抗网络对输入的待增强图像数据进行图像增强，得到增强图像数据。


8.一种用于图像增强的生成式对抗网络的训练装置，其特征在于，所述训练装置包括：
获取模块，用于获取第一样本集合和第二样本集合，所述第一样本集合包括第一图像数据和所述第一图像数据的增强图像数据，所述第二样本集合包括第二图像数据；
第一网络训练模块，用于分别将每一第一图像数据输入生...

【专利技术属性】
技术研发人员：黄峰，
申请(专利权)人：东软医疗系统股份有限公司，
类型：发明
国别省市：辽宁;21