[发明专利]一种可用于生成MR图像的模型及其建立方法

说明书

本发明涉及一种可用于生成MR图像的模型及其建立方法，包括以下步骤：1：将32维随机向量输入生成器，生成器输出模拟MR图像；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；3、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,则此时得到的生成器即为可用于生成MR图像的模型。本发明可以对判别器和生成器进行多次优化，最终使生成器输出的模拟MR图像可以达到以假乱真的程度，训练完毕之后的生成器即可生成接近真实MR图像的模拟MR图像，从而达到扩充现有MR图像数据集的目的。

技术领域

本发明涉及模拟三维核磁共振图像的生成方法，具体涉及一种可用于生成MR图像的模型及其建立方法。

背景技术

近年来，医学与人工智能的结合越来越紧密，越来越多的研究人员开始研究医学图像与疾病诊断的关系，但由于很难获取实验中要求的图像质量，因此在研究中需要进行现有数据的数据集扩增。数据集扩增技术的核心思想是依据数据集的分布特点，合理有效地创造差异化的副本。所谓合理，指的是数据有真实存在的可能性，创造副本的方法是模拟了数据产生的天然规律。

仿射变换是在几何上定义为两个向量空间之间的一个仿射变换或者仿射映射由一个非奇异的线性变换(运用一次函数进行的变换)接上一个平移变换组成。仿射变换是一种二维坐标(x，y)到二维坐标(u，v)的线性变换，其数学表达式如式：

上式中的系数矩阵被称为仿射变换矩阵。其中:θ为图像旋转的角度，a为图像平移的横坐标移动距离，b为图像平移的纵坐标移动距离。随机生成x轴的位移为a，y轴的位移为b和旋转角度为θ的仿射变换矩阵A，作用在输入图像x上，变换后的新图像为Ax。

典型的仿射变换有平移、旋转、缩放。

尽管利用仿射变换能够生成真实有效的数据集，但由于该变换只是在原有图像上进行物理的变换，图像只是位置上发生了改变，导致生成的图像缺乏多样性。在利用仿射变换生成的图像训练模型时，模型不能很好的拟合，导致预测的准确率低。

现有的GAN模型生成图像的针对性较强，即一组数据集就要对应一个模型，如果换另一个数据集也需要重新训练一个模型，目前尚不存在可用于生成MR图像的模型。

发明内容

本发明所要解决的技术问题是提供一种可用于生成MR图像的模型及其建立方法，MR图像，即核磁共振图像。

本发明解决上述技术问题的技术方案如下：

一种可用于生成MR图像的模型的建立方法，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；

步骤4、此时得到的生成器即为可用于生成MR图像的模型。

进一步的，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。

进一步的，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。