[发明专利]基于深度对抗网络的带边界标注信息乳腺肿块图生成方法

权利要求书

1.一种基于深度对抗网络的带边界标注信息乳腺肿块图生成方法，其特征在于，包括以下步骤：

S1：利用乳腺钼靶数据集中所有含有肿块病变的乳腺钼靶图片以及对应的肿块标注图片，分别提取肿块图片和肿块分割图片，并将提取的图片缩放到统一尺寸；

S2：利用步骤S1提取的图片，根据肿块的形状、大小、边缘、密度来设计肿块图片生成器G2，使该生成器能够生成高质量的多样性丰富的肿块图片；

S3：利用肿块分割图片，设计肿块分割图片生成器G1来模拟肿块分割区域的形状和大小，并生成无限多的肿块分割图片；

S4：利用步骤S3生成的肿块分割图片，模拟其对应于健康乳腺钼靶图片上的位置，并生成肿块标注图片，重复步骤S1中的操作得到提取的健康乳腺组织图片和肿块分割图片；

S5：利用步骤S2设计的肿块图片生成器G2在步骤S4中提取到的健康乳腺组织图片上生成肿块，并把生成的肿块还原到健康乳腺钼靶图片的原始位置；

对抗损失中，利用基于图像块的判别损失使生成器对图像的局部高频信息进行建模，对抗损失函数表示如下：

式中，x为三通道输入图像，R为真实肿块图像，G(x)代表生成器生成的肿块图像；

特征匹配损失能够使生成器对肿块图像的全局低频特征进行建模，假设用{Φ_l}表示VGG-19卷积神经网络Φ的不同卷积层的集合，特征匹配损失函数被定义如下：

式中，θ表示生成器的网络参数，Φ₀表示恒等映射，R代表真实的目标图像，x表示三通道输入图像，G(x,θ)代表生成的图像，超参数λ_l平衡每一层对特征损失的贡献；

对于Φ_l，l≥1，使用了VGG-19网络中的“conv1_2”、“conv2_2”、“conv3_2”、“conv4_2”和“conv5_2”五个卷积激活层，超参数{λ_l}是被自动设置的，并被初始化为每个层中元素数量的倒数；

所述步骤S4中，所述肿块标注图片的生成具体包括以下步骤：

S41：模拟真实肿块分割区域的大小：首先计算从数据集中提取的全部未经缩放的肿块分割图片高度的均值和方差；然后利用高斯分布函数生成大量的新的图片高度值；最后利用这些模拟的宽度或高度值对生成的肿块分割图片进行缩放；

S42：模拟肿块在健康乳腺钼靶图片上的位置：首先对所有的乳腺钼靶图片做翻转处理，使乳房都在图片的同一侧；假设w是乳腺钼靶图片的宽度，h是乳腺钼靶图片的高度，生成一张分辨率为w×h、像素值全为0的灰度图像，记为image_anno；然后使用均匀分布函数来选取生成的肿块分割图片对应于正常乳腺钼靶图片上的横坐标和纵坐标，其中横坐标x～U(w/10,w/2)，纵坐标y～U(h/4,×3h)/，最后根据坐标(x,y)，把肿块分割标签复原到图片image_anno上。

2.根据权利要求1所述的基于深度对抗网络的带边界标注信息乳腺肿块图生成方法，其特征在于，所述步骤S1的具体过程是：

S11：根据肿块标注图片，查找肿块分割区域轮廓，返回矩形边界框坐标(x₁,y₁,w,h)；

S12：取w和h的最大值作为边界框的长和宽；

S13：对正方形边界框向外扩充100个像素值，提取该区域并且记下新的坐标位置(x',y',w',h')；

S14：根据坐标(x',y',w',h')，提取肿块；

S15：把提取的肿块分割图片和肿块图片缩放到256×256。

3.根据权利要求2所述的基于深度对抗网络的带边界标注信息乳腺肿块图生成方法，其特征在于，所述步骤S2中，所述肿块图片生成器采用深度U-Net网络结构进行设计，生成器的输入为三通道图像，输出为生成的灰度肿块图像，生成器的目标损失函数由对抗损失和特征匹配损失组成；所述U-Net网络结构包括下采样和上采样两个过程：下采样是一系列卷积加池化操作，每经过一个池化层就有一个不同尺度的特征层，这也是对输入图像进行特征提取的过程；上采样是一系列反卷积操作，每上采样一次，就和特征提取部分对应的通道数相同的特征层进行融合；U-Net在图像生成过程中融入了不同尺度和级别的特征信息，使生成的肿块图片非常逼真。