一种脑血管图像-标签两阶段生成方法、装置及存储介质制造方法及图纸

本发明专利技术一种脑血管图像

【技术实现步骤摘要】
一种脑血管图像
‑
标签两阶段生成方法、装置及存储介质


[0001]本专利技术属于图像生成
，具体涉及一种脑血管图像
‑
标签两阶段生成方法、装置及存储介质。

技术介绍

[0002]脑血管图像分割任务中，有监督的深度学习分割方法需要使用大量成对的图像
‑
标签数据训练网络模型。然而大量的训练数据难以获取，网络模型分割性能受到了数据量不足的制约。尽管裁剪、翻转等传统的数据增强方法在一定程度上解决了数据量不足问题，但是此类方法产生的样本多样性有限，难以包含训练样本以外的解剖变异，因此需要一种自动图像生成方法大量生成所需的训练数据。
[0003]现有的脑血管图像
‑
标签生成方法为将随机噪声输入生成器直接生成图像和标签，即单阶段生成方式。这种方式生成的图像
‑
标签数据分布接近于训练数据的总体分布，然而在样本多样性得到提升的同时牺牲了一部分的图像局部信息。在脑血管分割任务中，分割网络更关注血管及周边部分的体素，这部分体素决定了分割血管的边缘。图像中血管处的纹理结构不够清晰，生成的标签连通性较差，无法保证生成血管部分体素的精确度。同时，现有的方法进行的训练依然需求庞大的数据量。

技术实现思路

[0004]针对现有技术的不足，本专利技术提出一种脑血管图像
‑
标签两阶段生成方法，包括以下步骤：
[0005]步骤1、将有标签脑血管图像的图像数据及标签数据进行预处理，并随机生成N维噪声，将N维噪声、预处理后的图像数据及标签数据做为训练集1；
[0006]步骤2、将无标签脑血管图像进行拓扑结构约束分割出伪标签，将伪标签数据做为训练集2；
[0007]步骤3、构建脑血管图像
‑
标签两阶段生成对抗网络模型，所述模型包括串级的标签生成网络及图像生成网络；
[0008]步骤4、将训练集1及训练集2分别输入脑血管图像
‑
标签两阶段生成对抗网络模型进行训练，获得训练完成的脑血管图像
‑
标签两阶段生成对抗网络模型；
[0009]步骤5、将N维噪声输入到训练完成的脑血管图像
‑
标签两阶段生成对抗网络模型，获得图像
‑
标签数据对，进而生成完整的脑血管图像。
[0010]进一步地，所述的步骤1具体如下：对图像数据及标签数据进行归一化处理及数据增强，并利用随机分布生成N维噪声，将N维噪声、数据增强后的图像数据及标签数据均转换为并行训练形式，构成训练集1。
[0011]进一步地，步骤2所述的拓扑结构约束采用U
‑
Net结合混合损失函数约束。
[0012]进一步地，所述的步骤3中，
[0013]标签生成网络：包括标签生成器及标签判别器；用于将随机噪声的分布映射至脑
血管标签的分布并进行训练，生成脑血管标签发送到图像生成网络；
[0014]图像生成网络：包括图像生成器及图像判别器；用于对接收到的脑血管标签添加纹理结构，并通过训练增加纹理的真实性，进而生成完整的脑血管图像。
[0015]进一步地，所述的标签生成网络中，
[0016]标签生成器由多个解码模块及一个特征融合模块组成，每个解码模块包含一个固定步长的三维反卷积，并连接批次归一化(Batch Normalization)及Leaky ReLU激活函数；最后一层特征融合模块采用固定步长的三维反卷积，输出通道大小固定的图像并使用激活函数限定输出值范围；
[0017]标签判别器由多个特征提取模块及一个全连接层组成，每个特征提取模块包含一个固定步长的三维卷积、实例归一化(Instance Normalization)及一个Leaky ReLU激活函数；最后一层模块输出的特征图经过压平(flatten)操作输入全连接层。
[0018]进一步地，所述的图像生成网络中，
[0019]图像生成器由编码模块及解码模块组成；编码模块由多个卷积块连接组成；每个卷积块由固定步长的三维卷积连接实例归一化及Leaky ReLU激活函数组成；解码模块由多个固定步长的三维反卷积相连接组成；三维反卷积之间通过批实例归一化
‑
Leaky ReLU激活函数连接；最后一层解码模块采用固定步长的三维反卷积，输出通道值与标签图像通道值一致并使用激活函数限定输出值范围；
[0020]图像判别器由多个特征提取模块及一个特征融合模块组成：每个特征提取模块包含一个固定步长的三维卷积、实例归一化及一个Leaky ReLU激活函数；特征融合模块包含一个固定步长的三维卷积。
[0021]进一步地，所述图像判别器中的特征提取模块的数目由输出的特征图决定，输出的特征图在三个维度上不全为1。
[0022]进一步地，所述的步骤4具体如下：
[0023]步骤4.1、参数初始化，包括：设定训练次数阈值、训练批次大小、网络参数生成器学习率、判别器学习率及随机初始化网络权重；
[0024]步骤4.2、将N维随机噪声输入脑血管图像
‑
标签两阶段生成对抗网络模型进行前向传播，获得生成的脑血管标签及图像；
[0025]步骤4.3根据生成的脑血管标签及图像，对比真实的脑血管标签及图像，利用损失函数计算脑血管图像
‑
标签两阶段生成对抗网络模型的训练误差。
[0026]步骤4.4、根据获得的训练误差反向传播更新优化网络参数；
[0027]步骤4.5、判断训练次数是否达到所设定的训练次数阈值，若是，则训练完成，保存网络模型参数，否则，返回执行步骤4.2。
[0028]一种脑血管图像
‑
标签两阶段生成装置，包括：
[0029]处理器；
[0030]存储介质：用于存储一个或多个程序；
[0031]当所述一个或多个程序被处理器执行时，使得所述处理器实现如权利要求1至8中任一项所述的方法。
[0032]一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现如权利要求1至8中任一项所述的方法。
[0033]本专利技术的优点：
[0034]本专利技术脑血管图像
‑
标签两阶段生成方法，利用伪标签与真实数据输入两阶段生成对抗网络模型分别生成脑血管图像与标签，生成出的脑血管图像在血管周围体素更清晰，血管标签连通性强；应用于分割任务中的数据增强可以使从脑血管图像分割出的脑血管结构精度更高，便于辅助后续的病理图像诊断；同时，伪标签的使用缓和了医学图像标签数据不足的情况。
附图说明
[0035]图1为本专利技术一种实施例的脑血管图像
‑
标签两阶段生成方法流程图；
[0036]图2为本专利技术一种实施例的脑血管图像
‑
标签两阶段生成对抗网络模型的结构示意图；
[0037]图3为本专利技术一种实施例的单阶段生成方法，两阶段生成方法和真实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脑血管图像
‑
标签两阶段生成方法，其特征在于：包括以下步骤：步骤1、将有标签脑血管图像的图像数据及标签数据进行预处理，并随机生成N维噪声，将N维噪声、预处理后的图像数据及标签数据做为训练集1；步骤2、将无标签脑血管图像进行拓扑结构约束分割出伪标签，将伪标签数据做为训练集2；步骤3、构建脑血管图像
‑
标签两阶段生成对抗网络模型，所述模型包括串级的标签生成网络及图像生成网络；步骤4、将训练集1及训练集2分别输入脑血管图像
‑
标签两阶段生成对抗网络模型进行训练，获得训练完成的脑血管图像
‑
标签两阶段生成对抗网络模型；步骤5、将N维噪声输入到训练完成的脑血管图像
‑
标签两阶段生成对抗网络模型，获得图像
‑
标签数据对，进而生成完整的脑血管图像。2.根据权利要求1所述的脑血管图像
‑
标签两阶段生成方法，其特征在于：所述的步骤1具体如下：对图像数据及标签数据进行归一化处理及数据增强，并利用随机分布生成N维噪声，将N维噪声、数据增强后的图像数据及标签数据均转换为并行训练形式，构成训练集1。3.根据权利要求1所述的脑血管图像
‑
标签两阶段生成方法，其特征在于：步骤2所述的拓扑结构约束采用U
‑
Net结合混合损失函数约束。4.根据权利要求1所述的脑血管图像
‑
标签两阶段生成方法，其特征在于：所述的步骤3中，标签生成网络：包括标签生成器及标签判别器；用于将随机噪声的分布映射至脑血管标签的分布并进行训练，生成脑血管标签发送到图像生成网络；图像生成网络：包括图像生成器及图像判别器；用于对接收到的脑血管标签添加纹理结构，并通过训练增加纹理的真实性，进而生成完整的脑血管图像。5.根据权利要求4所述的脑血管图像
‑
标签两阶段生成方法，其特征在于：所述的标签生成网络中，标签生成器由多个解码模块及一个特征融合模块组成，每个解码模块包含一个固定步长的三维反卷积，并连接批次归一化(Batch Normalization)及Leaky ReLU激活函数；最后一层特征融合模块采用固定步长的三维反卷积，输出通道大小固定的图像并使用激活函数限定输出值范围；标签判别器由多个特征提取模块及一个全连接层组成，每个特征提取模块包含一个固定步长的三...

【专利技术属性】
技术研发人员：李孟歆，李松昂，朴东辉，吕凡，
申请(专利权)人：沈阳建筑大学，
类型：发明
国别省市：