[发明专利]一种可用于生成MR图像的模型及其建立方法

权利要求书

1.一种可用于生成MR图像的模型的建立方法，其特征在于，包括以下步骤：

步骤1：将32维随机向量输入生成器，生成器输出模拟MR图像；

步骤2、将真实MR图像或模拟MR图像输入判别器，判别器判断输入图像属于真实MR图像的概率并输出概率值；

步骤3、利用损失函数计算判别器和生成器的损失值，若不满足预设条件，则利用反向传播算法，自动优化生成器和判别器的参数，并重复步骤1-3，若满足预设条件,则转入下一步骤；所述判别器的损失值计算公式为：

所述生成器的损失值计算公式为：

其中，D(x)表示将真实图像x输入判别器时判别器输出的概率，G(z)表示生成器生成的图像，D(G(z))表示将生成器生成的图像输入判别器的时候判别器输出的概率，p_data(x)代表真实图像的数据分布，p_z(z)代表生成图像的数据分布；

步骤4、此时得到的生成器即为可用于生成MR图像的模型。

2.根据权利要求1所述的可用于生成MR图像的模型的建立方法，其特征在于，所述预设条件为，判别器的损失值小于第一预设阈值且生成器的损失值小于第二预设阈值。

3.根据权利要求1所述的可用于生成MR图像的模型的建立方法，其特征在于，所述生成器包括从上到下顺次设置的成图卷积层、增量卷积层、放大卷积层、第四卷积层、第五卷积层和输出层，所述成图卷积层用于将32维随机向量变成多个特征图；所述增量卷积层用于将特征图的数量扩大一倍，大小不变；所述放大卷积层用于在原有图像像素的基础上在采用最近零插值算法插入新的元素，将图像进行放大；图像经过第四卷积层和第五卷积层处理后大小和数量均不发生变化；输出层用于输出图像。

4.根据权利要求1所述的可用于生成MR图像的模型的建立方法，其特征在于，所述判别器包括从上到下顺次设置的转换卷积层、缩小卷积层、二次缩小卷积层、三次缩小卷积层、四次缩小卷积层、展平层、丢弃层和隐藏层；所述转换卷积层用于将MR图像转换为多个特征图；所述缩小卷积层用于将特征图的大小缩小，数量不变；所述二次缩小卷积层用于将特征图的大小再次缩小，数量不变；所述三次缩小卷积层用于将特征图的大小进行第三次缩小，数量不变；所述四次缩小卷积层用于将特征图的大小进行第四次缩小，数量不变；所述展平层用于将图像转换为一维向量；所述丢弃层用于按照预设比例随机丢弃神经元；所述隐藏层用于判断输入图像属于真实MR图像的概率并输出概率值。

5.一种可用于生成MR图像的模型，其特征在于，包括生成器，所述生成器由模型训练模块训练完成后得到，所述模型训练模块包括判别器、损失值计算模块和优化器，所述生成器用于利用32维随机向量生成模拟MR图像，所述判别器用于对输入的模拟MR图像或真实MR图像进行判断，判断输入图像属于真实MR图像的概率并输出概率值；所述损失值计算模块用于利用概率值和损失函数计算生成器和判别器的损失值，并将损失值向后传播到优化器；所述判别器的损失值计算公式为：

所述生成器的损失值计算公式为：

其中，D(x)表示将真实图像x输入判别器时判别器输出的概率，G(z)表示生成器生成的图像，D(G(z))表示将生成器生成的图像输入判别器的时候判别器输出的概率，p_data(x)代表真实图像的数据分布，p_z(z)代表生成图像的数据分布；所述优化器用于根据损失值自动优化生成器和判别器的参数，直到损失值小于预设阈值后停止优化，停止优化后训练完成。

6.根据权利要求5所述的可用于生成MR图像的模型，其特征在于，所述生成器包括从上到下顺次设置的成图卷积层、增量卷积层、放大卷积层、第四卷积层、第五卷积层和输出层，所述成图卷积层用于将32维随机向量变成多个特征图；所述增量卷积层用于将特征图的数量扩大一倍，大小不变；所述放大卷积层用于在原有图像像素的基础上在采用最近零插值算法插入新的元素，将图像进行放大；图像经过第四卷积层和第五卷积层处理后大小和数量均不发生变化；输出层用于输出图像。

7.根据权利要求5所述的可用于生成MR图像的模型，其特征在于，所述判别器包括从上到下顺次设置的转换卷积层、缩小卷积层、二次缩小卷积层、三次缩小卷积层、四次缩小卷积层、展平层、丢弃层和隐藏层；所述转换卷积层用于将MR图像转换为多个特征图；所述缩小卷积层用于将特征图的大小缩小，数量不变；所述二次缩小卷积层用于将特征图的大小再次缩小，数量不变；所述三次缩小卷积层用于将特征图的大小进行第三次缩小，数量不变；所述四次缩小卷积层用于将特征图的大小进行第四次缩小，数量不变；所述展平层用于将图像转换为一维向量；所述丢弃层用于按照预设比例随机丢弃神经元；所述隐藏层用于判断输入图像属于真实MR图像的概率并输出概率值。