本发明专利技术提供一种支持生成医学分割数据对的多阶段式生成对抗网络，属于医学图像生成领域，方法包括：对分割数据集内的医学图像进行解耦；将医学图像生成分为三个阶段；利用人体结构对称性获取无病灶的医学图像；使用多阶段式生成对抗网络生成多样的逼真数据对。图像解耦指利用分割掩码将医学图像分为病灶和非病灶区域，图像生成的三个阶段指非病灶区域生成、病灶区域形状的生成、非病灶和病灶区域纹理的加强。本发明专利技术为了缓解医学图像分割数据集稀缺问题，将医学图像生成过程解耦，构建了能同时生成医学图像和对应分割掩码的多阶段式生成对抗网络，通过阶段性生成复杂医学图像的不同部分，有效提升了生成图像的质量。有效提升了生成图像的质量。有效提升了生成图像的质量。
【技术实现步骤摘要】
一种支持生成医学分割数据对的多阶段式生成对抗网络
[0001]本专利技术属于医学图像生成
，尤其涉及一种支持生成医学分割数据对的多阶段式生成对抗网络。
技术介绍
[0002]医学图像在疾病诊疗中发挥着重要作用，特别是核磁共振图像(MRI)以及计算机断层扫描图像(CT)在许多肿瘤诊疗尤其是肿瘤切割中显示了它们的效果。例如，MRI由于能显示出高分辨率图像常常在脑肿瘤诊断中被使用，而CT由于更低的设备损耗常在一些如肺部，肾脏等结构简单的器官成像中被使用。然而，在医疗资源分配不均、医疗影像数据连年增长的情况下，传统的手工标注逐渐暴露出了标定周期长、标定精度参差不齐的问题，这也使得自动化标注成为了人们关注的重点。由于医学图像样式单一，界限模糊，传统的语义分割方法在医学图像分割上效果不佳且需要人为辅助，无法实现全自动化的标注。为减轻医生负担、提高分割准确率，近年来以深度学习为基础的计算机辅助诊疗技术逐渐得到了广泛应用。然而，这些方法的进展十分依赖于大量逐像素标注的数据集，这些数据集通常既昂贵又费力。为了解决这个问题，主要采用两种方法。一种是弱监督方法，它使用边界框等弱注释来训练基于CNN的模型，成本较低，训练速度相对较快。另一种是基于生成对抗网络(Generative Adversarial Network,GAN)的生成方法，它生成大量的假数据对，并利用生成的数据构建庞大的数据集然后应用于有监督分割方法。由于这些数据对可以构建一个巨大的分割数据集，通过使用新构建的庞大数据集训练有监督分割网络通常比弱监督方法获得更好的表现。GAN特殊的对抗训练方式，使其在数据拟合方面具有出色的性能，GAN也因此被广泛应用于图像生成任务。由于GAN生成3D医学图像的时间成本很高，因此大多数基于GAN的医学生成方法都专注于2D医学图像。
技术实现思路
[0003]本专利技术的目的在于提供一种支持生成医学分割数据对的多阶段式生成对抗网络，其特征在于，包括如下步骤：
[0004]S1：对分割数据集内的医学图像进行解耦；
[0005]S2：将解耦后的医学图像分为三个阶段过程，三个阶段过程分别为：非病灶区域生成、病灶区域形状的生成以及非病灶区域与病灶区域纹理的加强；
[0006]S3：利用人体结构对称性获取无病灶的医学图像；
[0007]S4：使用多阶段式生成对抗网络生成多样的逼真数据对。
[0008]进一步地，S1中，解耦为：利用分隔掩码将医学图像分为病灶区域和非病灶区域，病灶区域通过将医学图像与对应的分隔掩码相乘得到；非病灶区域通过将医学图像与对应的分隔掩码逆相乘得到。
[0009]进一步地，S3具体为：通过人体结构的对称性，得到医学图像中组织器官具有对称性，基于组织器官的对称性，将病灶区域像素替换为对称坐标的非病灶像素，并替换病灶区
域边界像素的相邻像素，得到无病灶的医学图像。
[0010]进一步地，S4中，使用多阶段式生成对抗网络生成多样的逼真数据对的同时，还生成有医学图像和对应的分割掩码，具体包括如下步骤：
[0011]S41：将得到的无病灶的医学图像与相对应的分割掩码和医学图像构成一组训练数据对；
[0012]S42：构建多阶段式生成对抗网络；
[0013]S43：训练阶段式生成对抗网络；
[0014]S44：生成医学图像和对应的分割掩码。
[0015]进一步地，S42中，构建多阶段式生成对抗网络包括如下步骤：
[0016]S421：根据生成目标的不同，将生成对抗网络结构分为背景阶段、掩码阶段和增强阶段；
[0017]S422：构建三阶段式生成对抗网络，三阶段式对抗网络包括三个VAEGAN架构和一个BiDiscriminator判别器，VAEGAN架构包括一个编码器、一个解码器以及一个判别器，编码器将输入图像映射至潜在向量空间，解码器把潜在向量重建为图像，解码器和判别器共同约束VAEGAN架构的生成过程；BiDiscriminator判别器通过判别包括有潜在向量和真实图像的数组以及包括有真实向量和生成图像的数组来提高图像空间与潜在向量空间的相关性；
[0018]S423：通过背景阶段生成无病灶图像，通过掩码阶段生成分割掩码，通过增强阶段生成病灶区域和非病灶区域的增强纹理，所有生成过程由多阶段生成对抗网络中的编解码器和判别器进行约束；
[0019]S424：通过设计消融实验来验证三阶段生成的必要性。
[0020]进一步地，S43中，训练阶段式生成对抗网络具体包括如下步骤：
[0021]S431：将合成的无病灶图像以及对应的分割掩码和医学图像作为输入数据与生成目标，即输入样本；
[0022]S432：使用输入样本训练阶段式生成对抗网络，并设定训练次数，训练次数满足当阶段式生成对抗网络训练该次数后模型趋于稳定；
[0023]S433：保存最终模型。
[0024]进一步地，S44具体包括如下步骤：
[0025]S441：随机生成潜在向量空间的三个向量和一个噪声向量；
[0026]S442：加载训练完成的阶段式生成对抗网络的三个生成器；
[0027]S443：将潜在向量空间的任意两个向量与噪声向量相连得到两个合成向量，两个合成向量分别为第一合成向量和第二合成向量；将潜在向量空间的剩余的向量作为第三合成向量；
[0028]S444：将第一合成向量输入背景阶段中的生成器，得到无病灶图像；将第二合成向量输入掩码阶段中的生成器，得到掩码图像，并将掩码图像与无病灶图像相乘得到仅包含非病灶区域的图像；将第三合成向量输入增强阶段的生成器，得到增强图像，将增强图像与无病灶图像相叠加得到逼真的医学图像。
[0029]进一步地，S424中，设计消融实验包括如下步骤：
[0030]S4241：设计两阶段生成模型，包括以下步骤：
[0031]S42411：提取三阶段式生成对抗网络的前两个阶段；
[0032]S42412：将医学图像作为第一个阶段的输入数据和生成目标，将分割掩码作为第二个阶段的输入数据和生成目标；
[0033]S41423：将第一阶段的生成数据作为医学图像，第二阶段的生成数据作为对应分割掩码，构成一个医学图像分割数据对；
[0034]S4242：设计四阶段生成模型，包括以下步骤：
[0035]S42421：在三阶段式生成对抗网络的后面增加一个与第三阶段完全一致的结构作为第四阶段；
[0036]S42422：将合成的无病灶图像作为第一个阶段的输入数据和生成目标，得到分割掩码作为第二个阶段的输入数据，医学图像作为第三和第四阶段的输入数据；
[0037]S42423：将第四阶段的生成数据作为医学图像，第二阶段的生成数据作为对应分割掩码，构成一个医学图像分割数据对；
[0038]S4243：训练两阶段生成模型、三阶段生成模型和四阶段生成模型，冰粉别得到生成结果，通过对三个生成结果进行比较，完成验证三阶段生成本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种支持生成医学分割数据对的多阶段式生成对抗网络，其特征在于，包括如下步骤：S1：对分割数据集内的医学图像进行解耦；S2：将解耦后的医学图像分为三个阶段过程，三个阶段过程分别为：非病灶区域生成、病灶区域形状的生成以及非病灶区域与病灶区域纹理的加强；S3：利用人体结构对称性获取无病灶的医学图像；S4：使用多阶段式生成对抗网络生成多样的逼真数据对。2.根据权利要求1所述的支持生成医学分割数据对的多阶段式生成对抗网络，其特征在于，所述S1中，所述解耦为：利用分隔掩码将医学图像分为病灶区域和非病灶区域，所述病灶区域通过将医学图像与对应的分隔掩码相乘得到；所述非病灶区域通过将医学图像与对应的分隔掩码逆相乘得到。3.根据权利要求2所述的支持生成医学分割数据对的多阶段式生成对抗网络，其特征在于，所述S3具体为：通过人体结构的对称性，得到医学图像中组织器官具有对称性，基于组织器官的对称性，将病灶区域像素替换为对称坐标的非病灶像素，并替换病灶区域边界像素的相邻像素，得到无病灶的医学图像。4.根据权利要求3所述的支持生成医学分割数据对的多阶段式生成对抗网络，其特征在于，所述S4中，使用多阶段式生成对抗网络生成多样的逼真数据对的同时，还生成有医学图像和对应的分割掩码，具体包括如下步骤：S41：将得到的无病灶的医学图像与相对应的分割掩码和医学图像构成一组训练数据对；S42：构建多阶段式生成对抗网络；S43：训练所述阶段式生成对抗网络；S44：生成医学图像和对应的分割掩码。5.根据权利要求4所述的支持生成医学分割数据对的多阶段式生成对抗网络，其特征在于，所述S42中，所述构建多阶段式生成对抗网络包括如下步骤：S421：根据生成目标的不同，将生成对抗网络结构分为背景阶段、掩码阶段和增强阶段；S422：构建三阶段式生成对抗网络，所述三阶段式对抗网络包括三个VAEGAN架构和一个BiDiscriminator判别器，所述VAEGAN架构包括一个编码器、一个解码器以及一个判别器，所述编码器将输入图像映射至潜在向量空间，所述解码器把潜在向量重建为图像，所述解码器和判别器共同约束VAEGAN架构的生成过程；所述BiDiscriminator判别器通过判别包括有潜在向量和真实图像的数组以及包括有真实向量和生成图像的数组来提高图像空间与潜在向量空间的相关性；S423：通过背景阶段生成无病灶图像，通过掩码阶段生成分割掩码，通过增强阶段生成病灶区域和非病灶区域的增强纹理，所有生成过程由多阶段生成对抗网络中的编解码器和判别器进行约束；S424：通过设计消融实验来验证三阶段生成的必要性。6.根据权利要求4所述的支持生成医学分割数据对的多阶段式生成对抗网络，其特征在于，所述S...
【专利技术属性】
技术研发人员：刘钦源，柴露，程大伟，王成，
申请(专利权)人：同济大学，
类型：发明
国别省市：
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。