[发明专利]一种数据扩充方法

说明书

本发明涉及一种数据扩充方法，包括如下步骤：S1、获取原始图像数据，并给出其标签图像数据；S2、分别将原始图像数据和标签图像数据进行镜像扩充，分别获得n倍原始图像镜像数据集和n倍标签图像镜像数据集；S3、将获得的n倍原始图像镜像数据集和n倍标签图像镜像数据集送入深度学习得到扩充n倍数据的肿瘤分割结果；S4、将扩充n倍数据的肿瘤分割结果进行数据重建得到原始图像对应的图像分割结果。本发明提供的数据扩充方法不仅提高了基于深度学习的肿瘤分割的准确性，而且扩充的数据完全是来源于真实的医学影像数据，保证图像像素之间的空间位置关系不变。

技术领域

本发明属于影像数据分割技术领域，尤其涉及一种数据扩充方法。

背景技术

生成对抗网络(Generative Adversarial Networks,GANs)是由Goodfellow等人在2014年提出的一种无监督学习方法^[1]。它有两个网络分支结构，分别是生成网络和判别网络，两个分支不断对抗来更新参数提升性能，可以生成人工样本来达到数据扩充的目的，尤其是处理各分类样本数目不平衡的图像数据时效果显著。例如，Wang等人利用GANs提升了ImageNet数据集的识别准确率，其中对狗和金鱼的分类准确率由0.855提升到了0.915，但其他类别的准确率相比传统方法提升不大^[2]；Shrivastava等人在MPIIGaze数据集上，使用GANs对已有的人工样本进行再优化，将眼球角度预测错误率降至7.8％，将手势识别任务的准确率提高到了83.3％^[3]；Lucic等人对原始GANs和众多GANs的衍生模型在统一标准下进行了评价，实验结果是原始GANs相比于当前多数衍生模型拥有更优秀的数据生成能力^[4]。虽然GANs在许多任务中取得了成效，但是由其生成的医学影像数据的可信度存在质疑，在医学图像中，强度通常与某些含义相关联，例如，可以基于CT数据的HU值粗略地对组织类型进行分类，而GANs中并没有这种关联和映射。此外，GANs生成的数据的训练不稳定问题很难处理。

发明内容

(一)要解决的技术问题

为了解决现有技术的上述问题，本发明提供一种数据扩充方法。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

一种数据扩充方法，包括如下步骤：

S1、获取原始图像数据，并给出其标签图像数据；

S2、分别将原始图像数据和标签图像数据进行镜像扩充，分别获得n倍原始图像镜像数据集和n倍标签图像镜像数据集；

S3、将获得的n倍原始图像镜像数据和n倍标签图像镜像数据送入深度学习得到扩充n倍数据的图像分割结果；

S4、将扩充n倍数据的图像分割结果进行数据重建得到原始图像对应的图像分割结果。

优选地，所述步骤S2中将原始图像数据进行镜像扩充包括：

找出原始图像数据的切割中心，沿切割中心以角度平均分成n份，然后将每份镜像填充至整张图像，得到n倍的原始图像镜像数据集；

所述原始图像数据为原始肿瘤图像数据。

优选地，所述步骤S2中将标签图像数据进行镜像扩充包括：

找出标签图像数据的切割中心，沿切割中心以角度平均分成n份，然后将每份镜像填充至整张图像，得到n倍的标签图像镜像数据集。

优选地，所述步骤S3还包括：

将镜像扩充后的n倍原始图像镜像数据划分为训练集和测试集；

将训练集及其对应的标签图像镜像数据送入深度学习网络进行训练，获得分割模型；