[发明专利]一种基于深度卷积生成式对抗网络的甲状腺结节病灶区生成的数据增强方法

说明书

本发明公开了一种基于深度卷积生成式对抗网络的甲状腺结节病灶区生成的数据增强方法，该方法将真实病人的甲状腺超声图像按照良性结节和恶性结节进行分类，然后利用深度卷积生成式对抗网络生成病灶区图像，从中挑出生成比较接近真实病灶的图像，与正常人的甲状腺图像相融合，以达到数据增强的目的，这种病灶区生成图像融合的方法提高了增强数据的质量和多样性，使生成的图像最大程度接近真实图像，更具有可信性。

技术领域

本发明属于人工智能和深度学习领域，具体涉及一种基于深度卷积生成式对抗网络 (DCGAN,Deep Convolution Generative Adversarial Networks)的甲状腺结节病灶区生成 的数据增强方法。

背景技术

近年来，甲状腺结节发病率呈现出逐年增长的趋势。超声成像技术是当前最常用的肿瘤 早期检查手段之一。并且超声以其廉价性，无辐射，费用低等优点，被广泛应用于临床诊断 中。目前对于甲状腺结节性质的检查主要依靠对超声波图像的分析完成，影像师总结了甲状 腺结节一系列超声图像特性作为癌变征兆，包括低回声反射性，光晕缺失，微钙化点，硬度 高，结节内流和形状等。由于诊断的主观性，对于不同的诊断医生，超声图像的判断通常存 在很多差异。即使是具有丰富经验的专家也可能是错误的。因此，甲状腺结节的精确定位识 别超声诊断是一项具有挑战性的任务。高性能的计算机辅助诊断系统，可进一步提高甲状腺 结节诊断定位的准确性，给医生提供参考。以前这种辅助系统都是基于传统的图像分割方法， 随着深度学习的发展，越来越多的人用深度学习技术去解决这个问题。

但是，深度学习技术是依靠大量的数据作为支撑，由于现实原因医院隐私保护，不共享 数据。就算与医院合作去收集，也很难在短时间内收集到这么多病例数据，长时间少单位也 很难达到深度学习大数据的标准。就算能收集到数据，在标注上也只有经验丰富的医生才能 完成。缺少有标注的高质量数据这是医学图像深度学习研究延缓的一大原因。

生成式对抗网络(GAN,Generative Adversarial Networks)是一种深度学习模型，是近 年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中的至少两个模块：生成模 型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好 的输出。2014年Ian J.Goodfellow等人提出了Generative Adversarial Nets网络。他们 使用了一种对抗方式来训练神经网络能够学习训练数据的分布，实现以假乱真，但同时GAN 存在着训练不稳定，学习特征不可控制，图像分辨率不高等缺点。2016年Alec Radford等 人提出了深度卷积生成式对抗网络(DCGAN,Deep ConvolutionGenerative Adversarial Networks),DCGAN借鉴了在图像分类任务中表现优秀的卷积神经网络，判别器和生成器都采 用全卷积神经网络。该模型极大地提高了生成器的图像生成能力，能够生成更加清晰的图像。

发明内容

本发明的目的在于提供一种基于深度卷积生成式对抗网络(DCGAN)的甲状腺结节病灶区 生成的数据增强方法，该方法无需人为标注，能够自动生成甲状腺病灶区图像，并且融合到 正常甲状腺图像中，以此达到医疗图像数据增强的目的。

本发明的发明目的通过如下技术方案实现：一种基于深度卷积生成式对抗网络的甲状腺 结节病灶区生成的数据增强方法，其特征是，将真实病人的甲状腺超声图像按照良性结节和 恶性结节进行分类，然后利用深度卷积生成式对抗网络生成病灶区图像，从中挑选出生成比 较接近真实病灶区的图像，与正常人的甲状腺图像相融合，最终生成病灶在甲状腺不同部位 的甲状腺超声图像，具体包括以下步骤：

S1：在用XML文件标注出结节的位置和类型之后,将图像上影像科医生对结节位置标注的 标签去除；

S2：按照结节的类型，把病灶区截图出来然后存放于不同的文件夹；