【技术实现步骤摘要】
一种基于生成对抗网络的医学图像数据生成与检测方法
本专利技术属于医学图像分析领域，具体涉及一种基于生成对抗网络的医学图像数据生成与检测方法。
技术介绍
机器学习算法被广泛用于医学图像分析，通过在给定数据集上训练模型来完成新数据上的特定任务，比如分类、分割和检测等。常用的算法有支持向量机(SVM)、隐马尔科夫(HMM)等。然而，传统的机器学习算法需要利用先验知识从原始数据中人工提取特征，从而训练模型。由于特征提取难度较大，模型可能存在拟合能力不够的问题；另一方面，医学图像在数据量上远远比不过传统图像，使用传统的模型过拟合现象严重。近年来，越来越多的研究者在医学图像上进行研究，以定位和分类肝脏疾病，如肝细胞癌(HCC)、转移肝腺癌、肝血管瘤等。其中对于医学图像的研究大概可以分为三类。一类是医学图像分类，对医学图像的进一步处理获得形状、颜色、纹理以及与周围组织的关系等数据信息来对图像进行准确的分类；通常使用更深的人工神经网络(NeuralNetwork)结构，提高目标的特征表示能力，提高分类速度，以达到更好的分类效果。第二...
【技术保护点】
1.一种基于生成对抗网络的医学图像数据生成与检测方法，其特征在于，具体为：/n设计生成对抗网络，包括生成器、判别器和约束器；/n训练生成对抗网络：先对生成对抗网络训练n次，再开始训练约束器，直到约束器的准确率达到稳定，约束器准确率最优时的生成对抗网络模型处理合成医学图像，具体为：所述生成器合成医学图像，所述判别器辨别合成医学图像与真实图像，预先训练好的约束器约束合成医学图像在Wasserstein距离上远离真实图像；/n将合成医学图像以不同比例与真实图像混合，形成多个数据集，利用检测器检测多个数据集，选择检测效果最好时的混合数据集，与预处理的医学图像数据集一起作为最终数据集...
【技术特征摘要】
1.一种基于生成对抗网络的医学图像数据生成与检测方法，其特征在于，具体为：
设计生成对抗网络，包括生成器、判别器和约束器；
训练生成对抗网络：先对生成对抗网络训练n次，再开始训练约束器，直到约束器的准确率达到稳定，约束器准确率最优时的生成对抗网络模型处理合成医学图像，具体为：所述生成器合成医学图像，所述判别器辨别合成医学图像与真实图像，预先训练好的约束器约束合成医学图像在Wasserstein距离上远离真实图像；
将合成医学图像以不同比例与真实图像混合，形成多个数据集，利用检测器检测多个数据集，选择检测效果最好时的混合数据集，与预处理的医学图像数据集一起作为最终数据集；
将所述最终数据集作为训练集，训练过程中将测试集检测效果最好时的检测网络模型作为最终检测网络模型，所述最终数据集输入最终检测网络模型，得到检测结果。
2.根据权利要求1所述的基于生成对抗网络的医学图像数据生成与检测方法，其特征在于，所述生成对抗网络最终的损失函数为：
其中：LWGAN为生成对抗网络原有损失，Lconstraint为约束器损失，G表示生成对抗网络对高斯噪声z的操作，D指的是判别器，x′表示真实数据分布，λ2为加权参数。
3.根据权利要求2所述的基于生成对抗网络的医学图像数据生成与检测方法，其特...
【专利技术属性】
技术研发人员：宋余庆，吴晶晶，刘哲，刘毅，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏;32
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。