[发明专利]基于CNN和GAN的CT图像数据自动分类方法及设备

权利要求书

1.一种基于CNN和GAN的CT图像数据自动分类方法，其特征在于，所述方法包括以下步骤：

S1获取待分类的CT图像数据；

S2选择结节本身的图像进行数据增强处理得到公共扩充数据集；

S3对公共扩充数据集利用GAN得到生成网络和鉴别网络，并同时进行训练得到GAN合成数据集；

S4利用CNN网络对GAN合成数据集进行分类，得到最终图像数据集。

2.根据权利要求1所述的基于CNN和GAN的CT图像数据自动分类方法，其特征在于，所述S2步骤中，仅使用结节本身的图像，其中每张CT扫描中的结节面积是根据放射科医师的注释计算，仅选择具有最大结节面积的三张CT，切割以结节为中心的64×64像素图像并命名为原始数据集。

3.根据权利要求1所述的基于CNN和GAN的CT图像数据自动分类方法，其特征在于，所述数据增强处理具体为首先按像素随机翻译图像，然后以结节为圆心进行旋转，并对图像重新调整，随机比率为80％至120％，最后将结节贴片上下左右翻转完成增强。

4.根据权利要求1所述的基于CNN和GAN的CT图像数据自动分类方法，其特征在于，使用GAN时包括截断后的wasserstein距离损失、渐进式生长和像素级归一化。

5.根据权利要求4所述的基于CNN和GAN的CT图像数据自动分类方法，其特征在于，所述Wasserstein距离，在概率密度的和之间，定义为

Γ(p_X,p_Y)是p_X和p_Y间所有变换的方式，c:X×Y→R⁺是变换的损失，其中模式崩溃问题通过用Wasserstein距离替换原始GAN框架中的Jensen-Shannon散度来解决。

6.根据权利要求5所述的基于CNN和GAN的CT图像数据自动分类方法，其特征在于，Wasserstein距离修改包括从鉴别器的最后一层删除sigmoid激活函数，从损失函数中删除对数，并将更新后的权重截断到特定的范围内，采用梯度惩罚来限制Lipschitz的连续性，在损失函数中加入梯度，使得权重分布更加平滑。

7.根据权利要求1所述的基于CNN和GAN的CT图像数据自动分类方法，其特征在于，所述生成网络和鉴别网络是对称的，同时进行训练，每当添加一个新的层时，将平滑地将其淡化加入，以防止对已经训练有素、分辨率较小的网络产生影响。

8.根据权利要求1所述的基于CNN和GAN的CT图像数据自动分类方法，其特征在于，所述CNN网络由四个卷积层、四个最大池层、一个完连接层组成，选择RELU作为激活函数，网络以一个softmax层结束，预测图像的类别在每个最大池化层之后，采用随机丢失来防止过拟合。

9.根据权利要求8所述的基于CNN和GAN的CT图像数据自动分类方法，其特征在于，所述CNN网络使用Adam作为优化函数，选择交叉熵作为损失函数，并训练500个周期，CNN的实施基于Keras框架，训练过程由四个图形处理单元加速。

10.一种基于CNN和GAN的CT图像数据自动分类设备，所述设备用于实现如权利要求1-9任一所述的方法，其特征在于，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如权利要求1-9中任一所述的方法；

包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如权利要求1-9中任一所述的方法。