一种流形约束的医学图像合成方法技术

本发明专利技术请求保护一种流形约束的医学图像合成方法。包括：1)一种新颖的流形约束的半监督医学图像合成方法，该方法的网络模型由分布生成器、分布校正器和分布鉴别器组成；2)为实现流形匹配的目标，定义了三个距离度量，包括形心之间的距离、全局成对点之间的欧氏距离和全局成对点之间的测地距离。随着生成图像的流形结构变得更接近真实图像的流形结构，流形匹配损失在训练过程中单调减小，这反映了网络的训练效果；3)引入分布校正器用于校正图像对的流形值差异。分布校正器和分布生成器被联合优化，以减少生成图像和真实图像之间的流形值差异，从而使生成图像的纹理细节更加清晰；4)为使模型适应数据缺失的应用场景，引入了流形仿射变换一致性正则化以半监督模式训练模型。本发明专利技术能够利用一种模态的图像实现跨模态合成，合成的图像具有清晰的纹理细节。合成的图像具有清晰的纹理细节。合成的图像具有清晰的纹理细节。

【技术实现步骤摘要】
一种流形约束的医学图像合成方法


[0001]本专利技术属于图像生成领域，结合全局流形结构保持、局部流形值保持、流形仿射变换一致性保持、内容保持实现跨模态医学图像合成。

技术介绍

[0002]医生在对患者进行诊断时往往会参考多种模态的图像，由于硬件设备条件、成像时间、成像成本等各方面因素的限制，临床上很难快速获得某些特定模态的影像，因此精准的模态间或模态内转换能帮助快速且经济地获得某些特定模态信息，同时也能补充多种模态的数据，用于分割等任务。利用已有数据进行不同图像域的转换，一方面可以补充部分缺失数据，提高诊断信息的完整性，另一方面也能扩充医学影像库，作为其他医学图像分析任务的数据扩充。
[0003]目前的医学合成方法虽然能实现一个模态到另一个模态的转换，但要实现这一目标仍存在三个主要的挑战：(1)主流的医学图像合成方法以生成对抗网络作为模型的基础结构，模型的训练过程不能保证稳定性与收敛性。想要实现稳定的训练需要借助额外的技巧，如谱归一化，梯度裁剪等。(2)方法的性能受数据集的影响大，无法自适应数据集中图像对的流形值差异(如训练图像不配对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种流形约束的医学图像合成方法，其特征在于，包括以下步骤：1)将训练数据划分为配对数据和非配对数据，然后对这两类数据进行采样，采样得到的数据作为分布生成器的输入。2)将配对的源模态图像和非配对的源模态图像分别作为分布生成器的输入，得到目标模态的图像。分别对源模态的图像做随机仿射变换，得到变换后的图像，变换后的图像作为分布生成器的输入，得到输出的目标模态的图像。引入流形仿射变换一致性正则化
[1]
，约束约束模态间对应图像在流形上等距，实现半监督训练。3)在合成图像和真实图像之间构建全局流形结构保持损失，包括流形匹配损失和流形相似度保持损失，实现跨模态图像合成。4)在合成图像和真实图像之间构建局部流形值校正损失，包括校正损失和光滑性损失，用于保持合成图像和真实图像局部流形值的一致性。5)在合成图像和真实图像之间构建内容一致性保持损失，包括像素级L1损失和深度特征损失，用于保持合成图像与真实图像在内容上的一致性。2.根据权利要求1所述的一种流形约束的医学图像合成方法，其特征在于：步骤1)使用两个不同的小批量数据采样器，包括小批量配对数据采样器SA和小批量非配对数据采样器SA
un
。其中，SA从配对数据中采样得到图像对(x,y)，SA
un
从非配对数据中采样得到源模态图像u。3.根据权利要求2所述的一种流形约束的医学图像合成方法，其特征在于：步骤2)引入了流形仿射变换一致性正则化，具体可以表示为：根据权利要求2所述的一种流形约束的医学图像合成方法，其特征在于：所述步骤3)，在合成图像和真实图像之间构建全局流形结构一致性保持损失，具体表示如下：L
gm
＝λ1L
mm
+λ2L
ml
其中，λ1和λ2是控制不同损失项的权重的超参数，L
mm
是流形匹配损失，L
ml
是流形相似度保持损...

【专利技术属性】
技术研发人员：曾宪华，李彪，卢博文，王新宇，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：