[发明专利]一种基于生成对抗网络的带出血病症的眼底血管图像生成方法

说明书

本发明涉及一种基于生成对抗网络的带出血病症的眼底血管图像生成方法，其中眼底图像生成方法包括：首先用图像分割技术从现有真实眼底图片中分割出血管树和出血块，然后利用WGAN生成眼底血管树，利用CGAN生成出血块；再把生成的眼底血管树和出血块输入到本发明改进的CycleGAN中生成完整的带出血病症的眼底血管图像。本发明把图像生成过程分为两部分：第一部分用WGAN和CGAN生成血管树和出血块，旨在生成高质量的血管图像和出血块图像，使局部信息更加真实；第二部分把生成的眼底血管树和出血块输入到本发明改进的CycleGAN中，在生成完整带出血病症的眼底血管图像的同时，进一步提升生成样本多样性，且最终生成质量得到显著提升。

技术领域：

本发明涉及图像生成领域，尤其涉及一种基于生成对抗网络的带出血病症的眼底血管图像方法。

背景技术：

智能医疗诊断系统的研究需要大量标注样本，但在现实中，对于医疗数据尤其是眼底图像的获取以及标注困难重重且成本极高，眼底图像样本数据不足以及样本分布不均称为一大难题。

针对眼底图像数据样本分布不均问题，传统的数据集扩充方法主要有翻转、旋转、裁剪、添加噪声等数据增强技术，以及过采样技术，但只能对现有数据集进行扩充，扩充结果对现有数据集具有很强的依赖性。在Ian Goodfellow提出GAN后，大量学者把GAN用于扩充数据集，且已有很多成功案例，但也存在细节丢失、生成样本单一等不足。在GAN在扩充数据集应用中，可大致分为两方面，一种是基于无监督学习的GAN及其改进模型DCGAN等，理论上可以生成丰富的图片数据，但实际训练过程却十分艰难，且Mode Collapse问题十分严重，生成效果也大多不尽人意。之后Guibas等提出的两步生成眼底血管图像的方法可以生成较高质量的图像，但仍然存在Mode Collapse问题，且训练过程不稳定；另一种是把无监督学习的GAN改进为有监督的CGAN以及改进的pix2pix，其中具有代表性的就是Appan等提出的生成带病组织的眼底血管图像方法，这种方法能够生成高质量的图像，但过于依赖成对的数据集，在成对数据集又十分有限的情况下，难以生成丰富的眼底图像。

发明内容：

本发明的目的是克服现有方法的不足，提出一种基于生成对抗网络的带出血病症的眼底血管图像方法,特别是涉及一种基于改进的CycleGAN的带出血病症的眼底血管图像方法，以解决眼底图像样本不足以及样本分布不均的问题。

一种基于生成对抗网络的带出血病症的眼底血管图像生成方法，其特征在于，包括如下步骤：

步骤1：利用图像分割技术对真实眼底图像进行图像分割，得到真实血管树和出血块；

步骤2：把真实血管树输入到WGAN中生成血管树图像，把真实出血块输入到CGAN中生成出血块图像；

步骤3：把生成的血管树和出血块输入到改进的CycleGAN中，得到完整带出血病症的眼底血管图像。

步骤1的实现包括：

步骤1.1：对真实眼底图像进行预处理，预处理包括去除噪声和等比例缩放及中心裁剪；

步骤1.2：利用图像分割技术对处理过的图像进行分割，得到真实血管树和出血块。

步骤2的实现包括：

步骤2.1：由于原始GAN训练困难，其中重要原因是由于梯度消失，即在接近最优的判别器下，生成数据和真实数据没有不可忽略重合时，由于优化生成器损失函数相当于优化P_g与P_data之间的JS散度，而此时此JS散度近似为常数log2，即生成器面临梯度消失，无法继续训练下去。WGAN模型是在GAN的基础上，引入Wassertein距离代替原损失函数，解决了梯度消失问题，目标函数：