一种基于生成对抗网络的胃镜图像生成方法技术

本发明专利技术涉及医学图像技术领域，具体为一种基于生成对抗网络的胃镜图像生成方法，包括以下步骤：S1：图像收集，通过合作医院收集脱敏后的胃镜图像数据；S2：图像标注，医务人员在有病变的胃镜图像上标注出病变具体位置；S3：图像预处理，通过标注数据在原始图像上取像素块；S4：创建生成对抗网络模型，使用不同病变类别的胃镜图像训练模型；S5：加载不同病变类别的模型，生成对应的新胃镜图像。本发明专利技术利用医务人员标注数据在原始图像上取像素块的方法可以突出病变位置对训练生成对抗模型的贡献，减少背景图像对模型的干扰，本发明专利技术通过训练能够生成数量足够且特征丰富的病变胃镜图像。

【技术实现步骤摘要】
一种基于生成对抗网络的胃镜图像生成方法
本专利技术涉及医学图像
，具体为一种基于生成对抗网络的胃镜图像生成方法。
技术介绍
胃癌是一种常见的恶性肿瘤，其严重影响着人类的身体健康，胃部病变的早期诊断和治疗可以有效降低癌变发生的概率。目前胃部病变的诊断主要是通过胃镜检查，传统的人工诊断方法存在着耗时长和主观差异性较大的缺点，其诊断精确度与医生的经验和医疗设备有着直接联系，故如何辅助医生快速准确地在病变早期发现病灶就具有重要的临床价值。随着计算机技术的快速发展，以深度学习为核心的人工智能技术在各个领域得到了深入研究与广泛的应用。近几年来，医疗健康领域的人工智能技术逐渐成熟，其应用场景也越发丰富。然而通常搭建一个有实用意义的人工智能医疗检测系统需要大量的样本数据，样本数据的质量和数量直接影响着模型的实用价值，一般来讲，训练样本数据的特征越丰富，噪声干扰越少，最终模型的鲁棒性也就越强。但在现实中，对于医疗数据尤其是胃部病变图像的获取困难重重且成本极高，很难得到大量且分布均匀的样本数据。鉴于此，我们提出一种基于生成对抗网络的胃镜图像生成方法。本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的胃镜图像生成方法，其特征在于，包括以下步骤：/nS1：图像收集，通过合作医院收集脱敏后的胃镜图像数据；/nS2：图像标注，医务人员在有病变的胃镜图像上标注出病变具体位置；/nS3：图像预处理，通过标注数据在原始图像上取像素块；/nS4：创建生成对抗网络模型，使用不同病变类别的胃镜图像训练模型；/nS5：加载不同病变类别的模型，生成对应的新胃镜图像。/n

【技术特征摘要】
1.一种基于生成对抗网络的胃镜图像生成方法，其特征在于，包括以下步骤：
S1：图像收集，通过合作医院收集脱敏后的胃镜图像数据；
S2：图像标注，医务人员在有病变的胃镜图像上标注出病变具体位置；
S3：图像预处理，通过标注数据在原始图像上取像素块；
S4：创建生成对抗网络模型，使用不同病变类别的胃镜图像训练模型；
S5：加载不同病变类别的模型，生成对应的新胃镜图像。


2.如权利要求1中所述的一种基于生成对抗网络的胃镜图像生成方法，其特征在于，所述步骤S1中，每一张病变胃镜图像都需有对应的病理报告，确保数据分类的准确性；数据脱敏处理要求只保留胃部图像，其他信息删除。


3.如权利要求1中所述的一种基于生成对抗网络的胃镜图像生成方法，其特征在于，所述步骤S2中，医务人员使用标注软件，在胃镜图像上准确画出病变组织的位置。


4.如权利要求1中所述的一种基于生成对抗网络的胃镜图像生成方法，其特征在于，所述步骤S3中，根据画出的胃部病变组织，将其转换成二值灰度图,其中病变位置像素值设为255.其余位置像素值设为0；进一步，根据二值灰度图确定像素块的上下左右四个坐标值，其中像素块须全部包含像素值为255的点，像素块大小根据实际情况确定；再进一步，根据确定的四个坐标值在对应的胃镜图像上取像素块；从而达到扩充数据集的目的。


5.如权利要求1中所述的一种基于生成对抗网络的胃镜图像生成方法，其特征在于，所述步骤S4包括以下步骤：
S4-1：将一个维度为256*1的随机向量输入给由六个依次连接的全连接层组成的转换网络，该转换网络的输出为与输入维度相同的特征向量；
S4-2：将特征向量分别输入到多个并列的全连接层，每个全连接层分别输出一组缩放因子α与偏置因子β；
S4-3：将一维度为8*8*256的固定特征图作为生成模型的输入值传入到输入层；生成模型由一系列卷积层，上采样层，归一化层和激活函数组成，其中通过上采样层将特征图的分辨率逐一放大，最后达到真实图像的分辨率，并在上采样过程中...

【专利技术属性】
技术研发人员：赵星，王宇，石一磊，金燕，孟淼，王洵，龚镭，王小云，
申请(专利权)人：脉得智能科技无锡有限公司，
类型：发明
国别省市：江苏;32