【技术实现步骤摘要】
用于病理数据转换的双向GAN模型及其构建和应用方法
本专利技术涉及医学影像合成
，特别涉及一种用于病理数据转换的双向GAN模型及其构建和应用方法。
技术介绍
生成式对抗网络(GAN)，由Goodfellow在2014年提出，旨在解决如何从训练样本中学习出新样本，使得深度学习在数据生成领域的应用有了质的突破。以训练样本为图像为例，GAN模型中的生成式模型基于输入图像生成一个模拟图像，判别模型再去判断这个模拟图像和真实图像之间的差异，两个模型一起对抗训练最终达到符合训练目标要求的GAN模型。GAN模型在医疗影像合成领域有着广泛的应用，比如CN109493308A提供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，该方法利用两个网络在对抗过程中进行训练，同时使用加入条件的多个判别网络对生成图像进行综合判断，旨在生成具有更多附加信息的合成影像；再比如CN110458786A提供一种先验GAN模型医学影像生成方法，该方法寻找未标注图像和已标注图像上的类似区域，对未标注图像进行标注和修正，以减少或取消后期专家参与数...
【技术保护点】
1.一种用于病理数据转换的双向GAN模型，其特征在于，包括：/n结构相同但参数组不同的正向生成器(11)以及反向生成器(12)；/n结构相同的反向语义判别器(21)以及正向语义判别器(31)，在分类模型的基础上增加像素加权模块，反向语义判别器(21)的输入端连接反向生成器(12)的输出端，正向语义判别器(31)的输入端连接正向生成器(11)的输出端；/n结构相同的反向形态判别器(22)以及正向形态判别器(32)，在分类模型的基础上增加通道加权模块，反向形态判别器(22)的输入端连接反向生成器(12)的输出端，正向形态判别器(32)的输入端连接正向生成器(11)的输出端。/n
【技术特征摘要】 【专利技术属性】
1.一种用于病理数据转换的双向GAN模型，其特征在于，包括：
结构相同但参数组不同的正向生成器(11)以及反向生成器(12)；
结构相同的反向语义判别器(21)以及正向语义判别器(31)，在分类模型的基础上增加像素加权模块，反向语义判别器(21)的输入端连接反向生成器(12)的输出端，正向语义判别器(31)的输入端连接正向生成器(11)的输出端；
结构相同的反向形态判别器(22)以及正向形态判别器(32)，在分类模型的基础上增加通道加权模块，反向形态判别器(22)的输入端连接反向生成器(12)的输出端，正向形态判别器(32)的输入端连接正向生成器(11)的输出端。
2.根据权利要求1所述的用于病理数据转换的双向GAN模型，其特征在于，利用针对同一病理情况的病理数据进行训练，其中没有发生病变的病理数据为阴性数据，发生病变的病理数据为阳性数据，阴性数据和阳性数据统称为训练数据，经过训练后的正向生成器(11)设置第一参数组，反向生成器(12)设置第二参数组。
3.根据权利要求2所述的用于病理数据转换的双向GAN模型，其特征在于，训练数据在训练过程中经过正向生成器和反向生成器的双向转换，得到生成损失，训练数据生成的假性数据经过判别器判别后，得到判别损失，加权生成损失和判别损失得到优化目标，同步优化生成器和判别器。
4.根据权利要求1所述的用于病理数据转换的双向GAN模型，其特征在于，其训练方法如下：
准备训练数据集：准备针对同一病理情况的多组病理数据，其中没有发生病变的病理数据定位为阴性数据集，阴性数据集由多个阴性数据组成，发生病变的病理数据定义为阳性数据集，阳性数据集由多个阳性数据组成；
构建双向GAN模型；
训练双向GAN模型：阴性数据至少输入正向生成器(11)的输入端以及反向判别器，阳性数据B至少输入反向生成器(12)的输入端和正向判别器，阴性数据在训练过程中得到正向判别损失和正向判别损失，加权正向判别损失和正向生成损失得到待优化目标，同时优化正向生成器和正向判别器，阳性数据在训练过程中得到反向判别损失和反向生成损失，加权反向判别损失和反向生成损失得到待优化目标，同时优化反向生成器和反向判别器。
技术研发人员：程国华，罗梦妍，何林阳，季红丽，
申请(专利权)人：杭州健培科技有限公司，
类型：发明
国别省市：浙江;33
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。