一种基于生成对抗网络的肝脏肿瘤图像增广方法技术

本发明专利技术公开了一种基于生成对抗网络的肝脏肿瘤图像增广方法，首先构建训练样本，然后构建生成对抗网络模型，生成对抗网络模型包括生成器和判别器，对生成对抗网络模型进行训练，利用得到的训练样本和生成肿瘤图像对构建的生成对抗网络模型进行迭代训练，通过混合损失函数对所述生成对抗网络模型进行优化得到训练完成的生成对抗网络模型，最后从肝脏肿瘤的CT切片数据集中提取一个随机肝脏肿瘤图像，输入到训练完成的生成对抗网络模型中，得到肝脏肿瘤图像集。本发明专利技术能够通过生成对抗网络模型生成随机肝脏肿瘤图像实现肝脏肿瘤数据集的增广，有助于增加肝脏肿瘤的可变性，为肝脏切片创建一个丰富真实肝脏肿瘤切片数据。切片创建一个丰富真实肝脏肿瘤切片数据。切片创建一个丰富真实肝脏肿瘤切片数据。

【技术实现步骤摘要】
一种基于生成对抗网络的肝脏肿瘤图像增广方法


[0001]本专利技术属于医学图像处理领域，具体涉及一种基于生成对抗网络的肝脏肿瘤图像增广方法。

技术介绍

[0002]随着科学技术的进步，医学影像技术取得了长足的发展，图像分割是提取医学图像中特殊组织的定量信息不可缺少的手段，为了可以准确分辨医学图像中的正常组织结构和异常病变，需要对医学图像进行分割，医学图像的分割是医学图像处理的关键步骤。
[0003]由于图像分割模型训练中需要对大量参数进行调优，因此对训练样本的数量有较高的需求。因此对训练数据进行数据增广成为应用深度学习技术的主要手段之一，该方法主要是对图像进行变换操作，如平移或旋转、镜像等，来增加训练数据的数量。但是对图像进行简单的变换操作得出的样本图像与实际图像存在有较大的误差。

技术实现思路

[0004]为了解决现有技术的上述问题，本专利技术提供一种基于生成对抗网络的肝脏肿瘤图像增广方法，能够通过生成对抗网络模型生成随机肝脏肿瘤图像实现肝脏肿瘤数据集的增广。本专利技术的技术方案如下：
[0005]一种基于生成对抗网络的肝脏肿瘤图像增广方法，该方法包括：
[0006]S1，构建训练样本；
[0007]包括获取包含肝脏肿瘤的CT切片，并在所述CT切片中选定的肿瘤位置和形状以形成肿瘤掩模，并根据选定的肿瘤掩模与肝脏肿瘤的CT切片进行融合得到训练样本；
[0008]S2，构建生成对抗网络模型，所述生成对抗网络模型包括生成器和判别器；
[0009]所述生成器用于根据训练样本通过编码部分和解码部分得到生成肿瘤图像，所述编码部分用于对输入的训练样本进行特征提取与分析，所述解码部分用于将训练样本所提取出的特征进行还原；
[0010]所述判别器用于得到所述生成肿瘤图像中感兴趣区域的真实概率，所述真实概率用于表征所述生成肿瘤图像由所述训练样本生成的概率；
[0011]S3，对生成对抗网络模型进行训练；
[0012]利用得到的训练样本和生成肿瘤图像对构建的生成对抗网络模型进行迭代训练，通过每一次迭代所得到的损失函数对所述生成对抗网络模型进行优化，得到训练完成的生成对抗网络模型；
[0013]S4，从肝脏肿瘤的CT切片数据集中提取一个随机肝脏肿瘤图像，对所述随机肝脏肿瘤图像进行预处理，并输入到训练完成的生成对抗网络模型中，得到肝脏肿瘤图像集。
[0014]进一步地，所述混合损失函数包括对抗损失函数、多掩模损失函数、感知损失函数、样式损失函数。
[0015]本专利技术的有益效果在于：
DGConv1256
×
163GConv13 1
×
643[0033]其中[，]表示串联操作；Conv表示卷积；Up代表Up抽样；GConv表示门卷积；DGConv表示扩张卷积，操作前具体是指发送到解码器中的相应层之前的预操作，其中每个GConv的结构具体如图4所示。
[0034]对于测试过程中的视觉伪影，如颜色差异、模糊和明显的边缘反应。如图4所示，提出了三维门卷积来解决这个问题，给定输入特征、选通卷积滤波器和正常卷积滤波器，扩张卷积层用于通过分层有效地扩大感受野，通过扩大卷积可以提取更多的信息。
[0035]如图5，生成器分支由1
×1×
1的卷积层和插值层组成，用于累积选通卷积和相关多级边界特征的输出。对于解码过程中的前两个卷积集，每个3D选通卷积层的输出连接到1
×1×
1卷积层。然后进行三线性插值，对特征图进行上采样，对于解码器中的最后一个卷积，选通卷积层首先连接到1
×1×
1的卷积层，最后，将这三组卷积的输出串联在一起，并输入一个1
×1×
1个卷积层融合特征图，即将串联得到
[0036]并将最终得到的生成肿瘤图像输入到判别器中，判别器评估真实肿瘤图像和恢复的合成肿瘤图像之间的差异，通过混合损失函数其量化为对抗性损失。
[0037]在本申请实施例中，与常用的鉴别器不同，本申请判别器随机选择N
×
N
×
N的感兴趣区域，并将所选感兴趣区域分类为“真”或“假”。通过这样做，判别器被限制集中在高频率的结构上，提高判别效率。
[0038]判别器，即混合损失函数由四个块组成，分别包括了对抗损失函数、多掩模损失函数、感知损失函数和样式损失函数。每个块中有一个卷积层、一个ReLU函数和批量归一化，判别器的输出表示输入数据是否来自真实肿瘤/病变分布的概率。
[0039]在本申请实施例中，混合损失函数具体表示为：
[0040]L
GAN
＝L
adv
+λL
mm
+σL
percep
+ηL
sty
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0041]L
adv
为对抗损失函数，L
mm
为多掩模损失函数，L
percep
为感知损失函数，L
sty
为样式损失函数λ，σ，η为平衡参数。
[0042]其中对抗损失函数具体为：
[0043][0044]E[]表示期望，G表示Gram矩阵，D表示方差，x表示输入图像，y表示输出图像。
[0045]多掩模损失函数具体为：
[0046]L
mm
＝αL
cw
+βL
st
+γL
sb
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0047]其中，α，β，γ为平衡参数，L
cw
内容方面损失率，L
st
表示合成肿瘤方面损失率，L
sb
表示边界损失率，其中，示边界损失率，其中，表示解码器输出，M表示掩模位置。
[0048]由于多掩模损失函数可能无法保持感知质量，因此引入了感知损失。此外，为了减轻重建过程中肿瘤边界周围可能出现的模糊，通过最小化生成的肿瘤和真实肿瘤之间的差异的以下范数来计算感知损失，感知损失函数具体为:
[0049][0050]y
d
，y'
d
分别表示真实位置和训练位置，φ
(p)
表示该位置为病变的概率。
[0051]引入样式损失是为了最小化目标和生成的样式之间的偏差，样式损失函数具体为：
[0052][0053]y
d
，y'
d
分别表示真实位置和训练位置，G
d(p)
表示表示第p层的输出与第d输入的Gram矩阵。
[0054]步骤3，对生成对抗网络模型进行训练；
[0055]利用得到的训练样本和生成肿瘤图像对构建的生成对抗网络模型进行迭代训练，通过每一次迭代所得到的混合损失函数对生成对抗网络模型进行优化，得到训练完成的生成对抗网络模型。
[0056]在本申请实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的肝脏肿瘤图像增广方法，其特征在于，所述方法包括：S1，构建训练样本；包括获取包含肝脏肿瘤的CT切片，并在所述CT切片中选定的肿瘤位置和形状以形成肿瘤掩模，并根据选定的肿瘤掩模与肝脏肿瘤的CT切片进行融合得到训练样本；S2，构建生成对抗网络模型，所述生成对抗网络模型包括生成器、判别器；所述生成器用于根据训练样本通过编码部分和解码部分得到生成肿瘤图像，所述编码部分用于对输入的训练样本进行特征提取与分析，所述解码部分用于将训练样本所提取出的特征进行还原；所述判别器用于得到所述生成肿瘤图像中感兴趣区域的真实概率，所述真实概率用于表征所述生成肿瘤图像由所述训练样本生成的概率；S3，对生...

【专利技术属性】
技术研发人员：金烁，董家鸿，王博，赵威，申建虎，张伟，徐正清，
申请(专利权)人：西安智诊智能科技有限公司，
类型：发明
国别省市：