【技术实现步骤摘要】
基于CycleGAN网络的针对肝脏US
‑
CT医学图像转换方法
[0001]本专利技术涉及机器学习
,具体地涉及基于
CycleGAN
网络的针对肝脏
US
‑
CT
医学图像转换方法
。
技术介绍
[0002]超声检测
(US)
和电子计算机断层扫描检测
(CT)
是医学上常用的两种检查和观测脏器情况的手段
。
二者成像原理存在一定差异
。US
是利用超声波成像的原理,显示机体各个组织超声波的形象,发现异常,诊断疾病
。CT
则是利用放射线,通过计算机的逐层扫描
、
图像的处理,来检查各个器官的异常,诊断和鉴别诊断疾病
。
这两者在针对肝脏的临床治疗方面同样十分常用
。
[0003]从医学的角度判断,
CT
检测在图像的呈现方面具有一定的优越性
。
将超声检测得到的影响或图像称为
US
图像
。
将计算机断层扫描检测得到的影响或图像称为
CT
图像
。
相较于
US
图像,
CT
图像的分辨率更高,且不同于
US
图像的固定切面视角,
CT
图像能够从各个角度查看肝脏的情况
。
[0004]然而相比
US
检测,
【技术保护点】
【技术特征摘要】
1.
一种基于
CycleGAN
网络的针对肝脏
US
图像与
CT
图像的转换方法,其特征在于,包括:步骤
S1
,肝脏
US
图像与
CT
图像处理,包括:获取多份肝脏
US
图像数据与肝脏
CT
图像数据,从中分割出包括肝脏图像本身的区域,作为肝脏
US
图像与肝脏
CT
图像;步骤
S2
,构建
CycleGAN
网络,包括构建生成器
G、
生成器
F、
判别器
Dx
与判别器
Dy
;其中,生成器
G
用于将输入的肝脏
US
图像转换为伪肝脏
CT
图像,以及用于将输入的伪肝脏
US
图像转换为环回肝脏
CT
图像;生成器
F
用于将输入的肝脏
CT
图像转换为伪肝脏
US
图像,以及用于将输入的伪肝脏
CT
图像转换为环回肝脏
US
图像;判别器
Dx
用于判断向其输入的图像是否是肝脏
US
图像;判别器
Dy
用于判断向其输入的图像是否是肝脏
CT
图像;步骤
S3
,将步骤
S1
得到的肝脏
US
图像
x
作为训练样本输入给所述生成器
G
;所述生成器
G
根据肝脏
US
图像
x
生成肝脏伪
CT
图像
y
’
;将生成的肝脏伪
CT
图像
y
’
作为训练样本输入给所述生成器
F
;所述生成器
F
根据肝脏伪
CT
图像
y
’
生成环回肝脏
US
图像
x”;步骤
S4
,计算损失
Loss1
=
Loss1
GAN
+LOSS1
cycle
,其中根据判别器
Dy
判别肝脏伪
CT
图像
y
’
的结果计算
Loss1
GAN
,而用肝脏
US
图像
X
与环回肝脏
US
图像
x”之间的差异计算
LOSS1
cycle
;用损失
Loss1
更新所述生成器
G
的网络参数,并且保持所述生成器
F
和判别器
Dy
的网络参数不变;步骤
S5
,将步骤
S3
得到的肝脏伪
CT
图像
y
’
作为训练样本提供给判别器
Dy
,以及将步骤1得到的肝脏
CT
图像
y
作为训练样本提供给判别器
Dy
;其中肝脏伪
CT
图像
y
’
与肝脏
CT
图像
Y
无需代表相同肝脏的图像;计算损失
Loss2
=
Loss2
GAN
,其中根据判别器
Dy
判别肝脏伪
CT
图像
y
’
与肝脏
CT
图像
y
的结果计算
Loss2
GAN
;用损失
Loss2
更新所述判别器
Dy
的网络参数,并且保持所述生成器
G、
生成器
F
和判别器
Dx
的网络参数不变;步骤
S6
,将步骤
S1
得到的肝脏
CT
图像
y
作为训练样本输入给所述生成器
F
;所述生成器
G
根据肝脏
CT
图像
y
生成肝脏伪
US
图像
x
’
;将生成的肝脏伪
US
图像
x
’
作为训练样本输入给所述生成器
G
;所述生成器
G
根据肝脏伪
US
图像
x
’
生成环回肝脏
CT
图像
y”;步骤
S7
,计算损失
Loss3
=
Loss3
GAN
+LOSS3
cycle
,其中根据判别器
Dx
判别肝脏伪
US
图像
x
’
的结果计算
Loss3
GAN
,而用肝脏
CT
图像
y
与环回肝脏
CT
图像
y”之间的差异计算
LOSS3
cycle
;用损失
Loss3
更新所述生成器
F
的网络参数,并且保持所述生成器
G
和判别器
Dx
的网络参数不变;步骤
S8
,将步骤
S6
得到的肝脏伪
US
图像
x
’
作为训练样本提供给判别器
Dx
,以及将步骤1得到的肝脏
US
图像
x
作为训练样本提供给判别器
Dx
;其中肝脏伪
US
图像
x
’
与肝脏
US
图像
x
无需代表相同肝脏的图像;计算损失
Loss4
=
Loss4
GAN
,其中根据判别器
Dx
判别肝脏伪
US
图像
x
’
与肝脏
US
图像
x
的结果计算
Loss4
GAN
;用损失
Loss4
更新所述判别器
Dx
的网络参数,并且保持所述生成器
G、
生成器
F
和判别器
Dy
的网络参数不变;步骤
S9
,将待转换的肝脏
US
图像提供给经训练的所述生成器
G
,所述生成器
G
输出与所述待转换的肝脏
US
图像对应的肝脏
CT
图像;和
/
或将待转换的肝脏
CT...
【专利技术属性】
技术研发人员:王磊,张建,王自锄,范培华,姚宇航,陈奎,
申请(专利权)人:无锡艾米特智能医疗科技有限公司,
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。