【技术实现步骤摘要】
本专利技术涉及图像生成，尤其涉及一种局部病变医疗图像生成模型的训练方法、系统及应用。
技术介绍
1、医疗图像是一种在各种医疗任务过程中通过专用医疗电子成像设备获取的图像信息，在医疗领域具有重要作用。不同类型的医疗图像，如放射影像、病理学图像和内窥镜图像，可用于不同的医疗任务，包括肿瘤检测、手术引导、病情追踪和流行病学研究。同时，医疗图像作为宝贵的数据资源，有着重要的医学和科研价值。例如，x射线、ct扫描、mri和超声图像帮助医生诊断和治疗疾病，还支持了早期疾病迹象的识别，促进了预防和早期干预。这些数据还对医学研究起到至关重要的作用，科研人员可以利用它们来深入研究疾病机制、寻找新的治疗途径，以及评估药物的疗效。医疗图像在医学教育和医生培训方面发挥了重要作用，为医学生和医研人员提供了宝贵的实际案例和实践经验。近年来，医疗图像已成为基于大数据的人工智能领域的关键数据资源，为人工智能算法的训练和发展提供了丰富的素材。然而，获取有效的医疗图像数据却是一项较为挑战的任务，特别是具有参考价值的病变的医疗图片。一方面，获取带有病变的医疗图像必须遵守严格的隐私和伦理法规，确保患者的隐私得到充分保护，可能需要复杂的许可程序和伦理审查；另外一方面，某些疾病或病变相对较罕见，因此难以收集到足够的相关图像数据，进而限制该类疾病相关图像信息的深入研究。
2、近年来，生成式模型已在图像合成领域经历了显著的发展，在一定程度上改变了图像创作和合成的方式。多项技术，例如扩散模型(diffusion model)、生成对抗网络(gans)以及变分自动编码
技术实现思路
1、针对现有技术的不足，本专利技术的目的在于提供一种局部病变医疗图像生成模型的训练方法、系统及应用。
2、为实现前述专利技术目的，本专利技术采用的技术方案包括：
3、第一方面，本专利技术提供一种局部病变医疗图像生成模型的训练方法，其包括：
4、获取带病变图像及其对应的病变指示掩码，所述病变指示掩码用于指示所述带病变图像中的病变区域；
5、以所述病变区域为目标，进行多尺度生成，获得不同图像尺寸的一系列的多尺度图像以及对应的多尺度掩码，任一所述多尺度图像和多尺度掩码中均完整地包含所述病变区域；
6、对所述多尺度掩码进行模糊化处理，获得模糊化掩码，所述模糊化处理至少使所述多尺度掩码中的对应病变区域的边缘产生模糊；
7、利用所述多尺度图像和模糊化掩码作为训练集，对初始扩散模型进行训练，获得一阶生成模型；
8、获取无病变图像及其对应的生成指示掩码，所述生成指示掩码用于指示所述无病变图像中期望生成伪病变图形的区域，并利用所述一阶生成模型基于所述生成指示掩码在所述无病变图像中生成所述伪病变图形并拼接获得对应的伪病变图像；
9、基于对所述伪病变图像的评价，迭代优化所述一阶生成模型的参数，获得二阶生成模型，所述局部病变医疗图像生成模型源自所述二阶生成模型。
10、第二方面，本专利技术还提供一种局部病变医疗图像的生成方法，其包括：
11、获取无病变图像及其对应的生成指示掩码，所述生成指示掩码用于指示所述无病变图像中期望生成伪病变图形的区域；
12、利用上述训练方法获得的局部病变医疗图像生成模型，在所述无病变图像中以所述生成指示掩码为标准生成伪病变图形并拼接至所述无病变图像中，获得对应的伪病变图像。
13、第三方面，本专利技术还提供一种局部病变医疗图像生成模型的训练系统，其包括：
14、样本获取模块，用于获取带病变图像及其对应的病变指示掩码，所述病变指示掩码用于指示所述带病变图像中的病变区域；
15、多尺度生成模块，用于以所述病变区域为目标，进行多尺度生成，获得不同图像尺寸的一系列的多尺度图像以及对应的多尺度掩码，任一所述多尺度图像和多尺度掩码中均完整地包含所述病变区域；
16、模糊化处理模块，用于对所述多尺度掩码进行模糊化处理，获得模糊化掩码，所述模糊化处理至少使所述多尺度掩码中的对应病变区域的边缘产生模糊；
17、一阶训练模块，用于利用所述多尺度图像和模糊化掩码作为训练集，对初始扩散模型进行训练，获得一阶生成模型；
18、伪病变生成模块，用于获取无病变图像及其对应的生成指示掩码，所述生成指示掩码用于指示所述无病变图像中期望生成伪病变图形的区域，并利用所述一阶生成模型基于所述生成指示掩码在所述无病变图像中生成所述伪病变图形并拼接获得对应的伪病变图像；
19、二阶训练模块，用于基于对所述伪病变图像的评价，迭代优化所述一阶生成模型的参数，获得二阶生成模型，所述局部病变医疗图像生成模型源自所述二阶生成模型。
20、基于上述技术方案，与现有技术相比，本专利技术的有益效果至少包括：
21、本专利技术通过实际病变图像及对应的掩码标签进行一阶训练，并配合多尺度生成和模糊化处理的技术手段加强训练和生成效果，获得一阶生成模型，然后对该一阶生成模型进行实际生成合成的二阶训练，最终获得能够在无病变图像中的指定区域中生成并拼接伪病变图形的生成模型，克服了医疗领域大量的原始图像获取较为困难的问题，应用在实际图片生成过程中后，相较于原始扩散模型，能够大幅度提升带有局部病变的医疗图像生成效果的质量。
22、上述说明仅是本专利技术技术方案的概述，为了能够使本领域技术人员能够更清楚地了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合详细附图说明如后。
本文档来自技高网...【技术保护点】
1.一种局部病变医疗图像生成模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的训练方法，其特征在于，多个所述带病变图像及其对应的病变指示掩码组成图像数据集X＝{I，M}，其中I＝{i1，...，ia|a∈N+}为所述图像数据集中所有的带病变图像的集合，M＝{m1，...，mb|b∈N+}为所述图像数据集中所有对应的病变指示掩码的集合，a为数据集中的带病变图像的数量，b为数据集中病变区域的总数量；
3.根据权利要求2所述的训练方法，其特征在于，所述多尺度阶数t的取值为不小于1的正整数；
4.根据权利要求2所述的训练方法，其特征在于，所述模糊化处理具体包括：
5.根据权利要求4所述的训练方法，其特征在于，所述算子k为可变算子；
6.根据权利要求5所述的训练方法，其特征在于，ksize＝min(w，h)/kernel_scale，其中w，h分别为所述多尺度掩码的图像宽和高，kernel_scale为动态比例；
7.根据权利要求1所述的训练方法，其特征在于，具体包括：
8.根据权利要求7所述的训
9.一种局部病变医疗图像的生成方法，其特征在于，包括：
10.一种局部病变医疗图像生成模型的训练系统，其特征在于，包括：
...【技术特征摘要】
1.一种局部病变医疗图像生成模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的训练方法，其特征在于，多个所述带病变图像及其对应的病变指示掩码组成图像数据集x＝{i，m}，其中i＝{i1，...，ia|a∈n+}为所述图像数据集中所有的带病变图像的集合，m＝{m1，...，mb|b∈n+}为所述图像数据集中所有对应的病变指示掩码的集合，a为数据集中的带病变图像的数量，b为数据集中病变区域的总数量；
3.根据权利要求2所述的训练方法，其特征在于，所述多尺度阶数t的取值为不小于1的正整数；
4.根据权利要求2所述的训练方法，其特征在于，所述模糊化...
【专利技术属性】
技术研发人员：陈齐磊，曹鱼，刘本渊，
申请(专利权)人：苏州慧维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。