基于CNN和GAN的CT图像数据自动分类方法及设备技术

本发明专利技术涉及数据处理技术领域，具体涉及一种基于CNN和GAN的CT图像数据自动分类方法及设备，方法包括以下步骤：S1获取待分类的CT图像数据；S2选择结节本身的图像进行数据增强处理得到公共扩充数据集；S3对公共扩充数据集利用GAN得到生成网络和鉴别网络，并同时进行训练得到GAN合成数据集；S4利用CNN网络对GAN合成数据集进行分类，得到最终图像数据集。本发明专利技术解决了大多数关于肺腺癌分类的现有研究集中于放射组学特征的建模和其他手动标记特征，都基于手工标注，给医生带来了更多的负担问题，且轻量级CNN模型也便于在医院诊断系统中安置，这有助于放射科医师的日常工作并促进精准医疗的发展，具有很强的市场应用前景。

【技术实现步骤摘要】
基于CNN和GAN的CT图像数据自动分类方法及设备
本专利技术涉及数据处理
，具体涉及一种基于CNN和GAN的CT图像数据自动分类方法及设备。
技术介绍
手术前对肺腺癌的高效准确诊断对临床医生具有重要意义。尽管计算机断层扫描(CT)检查在实践中被广泛使用，但放射科医师仍然难以区分不同类型的亚厘米肺结节。在本文中，本专利技术提出了一种针对亚厘米肺腺癌的自动分类系统，其结合卷积神经网络(CNN)和生成对抗网络(GAN)。该系统基于2D结节中心CT补片进行处理，无需手动标记信息。总共分析了206例术后病理标记的结节，其中30例为原位腺癌(AIS)，119例为微浸润腺癌(MIA)，57例为侵袭性腺癌(IAC)。GAN被用于增强数据集，视觉图灵测试表明，即使是放射科医生也无法分辨原始图像和GAN合成的图像(准确度：初级放射科医师56％，高级放射科医师65％)。此外，还采用和比较了几种流行的GAN技术，本专利技术逐渐生长式wGAN最有效地改善了CNN的性能(AUC＝0.83)。实验表明，与分别使用原始和传统增强的图像训练相比，所提出的GAN增本文档来自技高网...

【技术保护点】
1.一种基于CNN和GAN的CT图像数据自动分类方法，其特征在于，所述方法包括以下步骤：/nS1获取待分类的CT图像数据；/nS2选择结节本身的图像进行数据增强处理得到公共扩充数据集；/nS3对公共扩充数据集利用GAN得到生成网络和鉴别网络，并同时进行训练得到GAN合成数据集；/nS4利用CNN网络对GAN合成数据集进行分类，得到最终图像数据集。/n

【技术特征摘要】
1.一种基于CNN和GAN的CT图像数据自动分类方法，其特征在于，所述方法包括以下步骤：
S1获取待分类的CT图像数据；
S2选择结节本身的图像进行数据增强处理得到公共扩充数据集；
S3对公共扩充数据集利用GAN得到生成网络和鉴别网络，并同时进行训练得到GAN合成数据集；
S4利用CNN网络对GAN合成数据集进行分类，得到最终图像数据集。


2.根据权利要求1所述的基于CNN和GAN的CT图像数据自动分类方法，其特征在于，所述S2步骤中，仅使用结节本身的图像，其中每张CT扫描中的结节面积是根据放射科医师的注释计算，仅选择具有最大结节面积的三张CT，切割以结节为中心的64×64像素图像并命名为原始数据集。


3.根据权利要求1所述的基于CNN和GAN的CT图像数据自动分类方法，其特征在于，所述数据增强处理具体为首先按像素随机翻译图像，然后以结节为圆心进行旋转，并对图像重新调整，随机比率为80％至120％，最后将结节贴片上下左右翻转完成增强。


4.根据权利要求1所述的基于CNN和GAN的CT图像数据自动分类方法，其特征在于，使用GAN时包括截断后的wasserstein距离损失、渐进式生长和像素级归一化。


5.根据权利要求4所述的基于CNN和GAN的CT图像数据自动分类方法，其特征在于，所述Wasserstein距离，在概率密度的和之间，定义为



Γ(pX,pY)是pX和pY间所有变换的方式，c:X×Y→R+是变换的损失，其中模式崩溃问题通过用Wasserstein距离替换原始GAN框架中的Jensen-Shannon散度来解决。
...

【专利技术属性】
技术研发人员：刘雷，周凌霄，王云鹏，
申请(专利权)人：刘雷，周凌霄，王云鹏，
类型：发明
国别省市：上海;31