【技术实现步骤摘要】
本专利技术涉及图像处理，具体为基于图像分割网络unet和对抗生成网络gan进行分割结果优化的训练方法。
技术介绍
1、医学图像是疾病诊断的重要依据，传统的医学图像分割通常由医学专家手动完成，耗时长，分割精确度要求高且受主观和环境等多种因素影响，非常依赖医生的经验，随着日益增加的阅片量，出现了结合深度学习方法的自动分割方法，来缓解医生的图像分割压力。
2、随着图像处理技术的发展，半监督学习框架能够直接从有限的带标签数据和大量的未带标签数据中学习，得到高质量的分割结果，当前半监督医学图像分割方法可以分为三类：对抗性学习方法、一致性正则化方法和协同训练方法，对抗性学习方法利用鉴别器对齐嵌入空间中已标记和未标记数据的分布，需要数据满足分布假设，而很多对抗性学习模型难以训练。
3、且现有分割网络模型在完成训练的过程中，需要较大的训练集，而为了保证训练的效果，训练集需要由相关的医学专家手动制作，所以对于图像分割处理的精度不佳，影响图像处理准确性，故而提出基于图像分割网络unet和对抗生成网络gan进行分割结果优化的训练方法来
【技术保护点】
1.基于图像分割网络UNet和对抗生成网络GAN进行分割结果优化的训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图像分割网络UNet和对抗生成网络GAN进行分割结果优化的训练方法，其特征在于：所述步骤S1中损失函数的输入图像大小为mn，g(χij)为UNet网络对图像的分割结果，为对应的正确分割结果。
3.根据权利要求1所述的基于图像分割网络UNet和对抗生成网络GAN进行分割结果优化的训练方法，其特征在于：所述步骤S2的由公式(1)可以看出，从判别器D的角度来看，判别器D希望尽可能区分真实样本x和虚假样本G(Z)，因此D(...
【技术特征摘要】
1.基于图像分割网络unet和对抗生成网络gan进行分割结果优化的训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图像分割网络unet和对抗生成网络gan进行分割结果优化的训练方法，其特征在于：所述步骤s1中损失函数的输入图像大小为mn，g(χij)为unet网络对图像的分割结果，为对应的正确分割结果。
3.根据权利要求1所述的基于图像分割网络unet和对抗生成网络gan进行分割结果优化的训练方法，其特征在于：所述步骤s2的由公式(1)可以看出，从判别器d的角度来看，判别器d希望尽可能区分真实样本x和虚假样本g(z)，因此d(x)必须尽可能大而d(g(z))则尽可能小，即v(d，g)整体的值尽可能大。
4.根据权利要求...
【专利技术属性】
技术研发人员：朱剑波，
申请(专利权)人：漳州积垒医疗科技有限公司，
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。