【技术实现步骤摘要】
类别感知的对抗肺结节合成
本专利技术一般地涉及类别感知的对抗肺结节合成，并且更具体地涉及使用生成对抗网络（GAN）根据用户定义的类别标签来合成描绘良性或恶性结节的肺结节图像块。
技术介绍
肺结节是早期肺癌的决定性指标。在当前的临床实践中，通过识别计算机断层扫描（CT）图像中的结节来执行肺癌筛查。然而，绝大多数结节被确定为良性的。已经证明深度卷积神经网络（CNN）对于诸如例如图像分割、对象检测和分类的与图像相关的任务执行得很好。已经提出深度CNN用于肺结节检测和分类。然而，这种基于深度CNN的肺结节检测和分类方法的性能受到可用训练数据的数量和多样性的约束。由于绝大多数的现实世界的训练数据属于良性结节，因此在训练数据中通常没有充分表示恶性模块的癌性样例。此外，各个结节的复杂性在于它们的不同外观和生理环境两者，其难以利用这样有限的训练数据来捕获。大型放射图像数据集的收集和注释也是耗时且昂贵的任务，并且所得到的数据集可能仍缺少来自各种结节形态和大小的表示。在一种常规方法中，提出了生成对抗网络（GAN）来合成医学图像块...
【技术保护点】
1.一种用于生成结节的合成医学图像块的方法，包括：/n接收1）具有掩盖部分和未掩盖部分的初始医学图像块，以及2）与要合成的结节相关联的类别标签；/n使用经训练的生成对抗网络生成合成医学图像块，所述合成医学图像块包括所述初始医学图像块的未掩盖部分和替换所述初始医学图像块的掩盖部分的合成结节，所述合成结节是根据所述类别标签而合成的；以及/n输出所述合成医学图像块。/n
【技术特征摘要】
20190619 US 16/4454351.一种用于生成结节的合成医学图像块的方法，包括：
接收1）具有掩盖部分和未掩盖部分的初始医学图像块，以及2）与要合成的结节相关联的类别标签；
使用经训练的生成对抗网络生成合成医学图像块，所述合成医学图像块包括所述初始医学图像块的未掩盖部分和替换所述初始医学图像块的掩盖部分的合成结节，所述合成结节是根据所述类别标签而合成的；以及
输出所述合成医学图像块。
2.根据权利要求1所述的方法，其中，所述类别标签将所述合成结节定义为是合成恶性结节或合成良性结节中之一，并且使用经训练的生成对抗网络生成合成医学图像块包括：
生成所述合成医学图像块，所述合成医学图像块包括：所述初始医学图像块的未掩盖部分；以及根据所述类别标签的、替换所述初始医学图像块的掩盖部分的合成恶性结节或合成良性结节中之一。
3.根据权利要求1所述的方法，其中，所述初始医学图像块最初描绘现有结节，并且所述初始医学图像块的掩盖部分掩盖所述现有结节。
4.根据权利要求1所述的方法，其中，使用经训练的生成对抗网络生成合成医学图像块包括：
使用所述生成对抗网络的粗略生成器从所述初始医学图像块生成粗略医学图像块；以及
使用所述生成对抗网络的细化生成器从所生成的所述粗略医学图像块生成所述合成医学图像块。
5.根据权利要求4所述的方法，还包括：
利用基于合成的训练医学图像块和真实医学图像块之间的比较的对抗损失来训练所述细化生成器。
6.根据权利要求5所述的方法，还包括：
利用基于所述合成的训练医学图像块的分类的类别感知损失来训练所述细化生成器。
7.根据权利要求1所述的方法，还包括：
基于所述合成医学图像块训练机器学习网络，以用于对输入医学图像块中的目标结节进行分类。
8.根据权利要求1所述的方法，还包括：
接收描绘目标结节的输入医学图像块；
使用基于所述合成医学图像块训练的经训练的机器学习网络将所述目标结节分类为恶性或良性中之一；以及
输出所述目标结节的分类。
9.根据权利要求8所述的方法，其中，所述经训练的机器学习网络是经训练的深度卷积神经网络。
10.一种设备，包括：
用于接收1）具有掩盖部分和未掩盖部分的初始医学图像块，以及2）与要合成的结节相关联的类别标签的构件；
用于使用经训练的生成对抗网络生成合成医学图像块的构件，所述合成医学图像块包括所述初始医学图像块的未掩盖部分和替换所述初始医学图像块的掩盖部分的合成结节，所述合成结节是根据所述类别标签而合成的；以及
用于输出所述合成医学图像块的构件。
11.根据权利要求10所述的设备，其中，所述类别标签将所述合成结节...
【专利技术属性】
技术研发人员：杨洁，刘思奇，S格尔比奇，AA阿迪约索，徐宙冰，E吉布森，G沙邦，B乔治斯库，D科马尼丘，
申请(专利权)人：西门子医疗有限公司，
类型：发明
国别省市：德国;DE
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。