[发明专利]生成式对抗网络的训练方法及装置、图像增强方法及设备

说明书

本发明公开了生成式对抗网络的训练方法及装置、图像增强方法及设备、电子设备、存储介质。训练方法包括：获取第一样本集合和第二样本集合，所述第一样本集合包括第一图像数据和对应的增强图像数据，所述第二样本集合包括第二图像数据；将第一图像数据输入生成式对抗网络，根据所述增强图像数据与所述生成式对抗网络的输出结果计算第一损失误差，以调整所述生成式对抗网络的网络参数；将第二图像数据输入生成式对抗网络，根据所述生成式对抗网络的输出结果计算第二损失误差，以调整所述生成式对抗网络的网络参数。本发明基于半监督深度学习训练生成式对抗网络，在减轻了样本数据收集难度的同时，提高了生成式对抗网络的精确度和鲁棒性。

技术领域

本发明涉及医学成像技术领域，特别涉及生成式对抗网络的训练方法及装置、图像增强方法及设备、电子设备、存储介质。

背景技术

医学图像增强(Image Enhancement)是一类逆问题，包括图像去噪(Denoising)，伪影去除(Artifact Reduction)，去模糊(De-blur)，图像复原(Recovery)等范畴，属于由果求因的过程。

目前，一般基于深度学习的图像增强算法实现图像增强，传统的基于深度学习的算法需要大量结构信息完全匹配的由低质量图像和高质量图像共同构成的图像对作为训练集合，但是这类图像对在实际应用中是很难获取到的，特别是在医学图像处理领域，例如，对于低剂量CT图像的增强任务而言，不可能实现对同一个病人即进行低剂量扫描也进行正常剂量扫描。

鉴于医学图像的特殊性，医学图像的样本数据获取难度大，不能满足网络训练的样本数据的多样性的要求，导致基于深度学习的图像增强算法建立的模型准确度不高，对医学影像边缘轮廓等细节信息的重建效果不够理想，不利于医生诊断。

发明内容

针对现有方法的不足，本发明提供一种生成式对抗网络的训练方法及装置、图像增强方法及设备、电子设备、存储介质。

具体地，本发明是通过如下技术方案实现的：

第一方面，提供一种用于图像增强的生成式对抗网络的训练方法，所述训练方法包括：

获取第一样本集合和第二样本集合，所述第一样本集合包括第一图像数据和所述第一图像数据的增强图像数据，所述第二样本集合包括第二图像数据；

分别将每一第一图像数据输入生成式对抗网络，根据所述增强图像数据与所述生成式对抗网络的第一网络输出结果计算第一损失误差，并根据所述第一损失误差调整所述生成式对抗网络的网络参数；

分别将每一第二图像数据输入生成式对抗网络，根据所述生成式对抗网络的第二网络输出结果计算第二损失误差，并根据所述第二损失误差调整所述生成式对抗网络的网络参数。

可选地，所述生成式对抗网络包括生成器和判别器；

将所述第一图像数据输入生成式对抗网络，根据所述增强图像数据与所述生成式对抗网络的第一网络输出结果计算第一损失误差，包括：

将所述第一图像数据输入所述生成器，得到所述生成器输出的待判别图像数据；

将所述待判别图像数据输入所述判别器，得到所述判别器的第一判别器输出结果；

根据所述增强图像数据、所述待判别图像数据和所述第一判别器输出结果计算所述生成器的第一生成器损失误差，以根据所述生成器的第一生成器损失误差调整所述生成器的网络参数；

将所述增强图像数据输入判别器，得到所述判别器的第二判别器输出结果；

根据所述第二判别器输出结果和所述第一判别器输出结果计算所述判别器的第一判别器损失误差，以根据所述判别器的第一判别器损失误差调整所述判别器的网络参数。