[发明专利]一种基于GAN的医学图像病变区域弱监督定位方法

权利要求书

1.一种基于GAN的医学图像病变区域弱监督定位方法，其特征在于，所述方法包括：

步骤1：制作数据集，采集正常人和病人的胸部CT图像并将对其进行预处理，将预处理后的CT扫描图像保存为NPY格式并按比例分为训练数据集和验证数据集；

步骤2：预训练分类器网络，将训练数据集输入到构建好的分类器网络中进行训练，训练完成后使用验证数据集进行验证，保存验证效果最好的网络模型，该预训练的分类器将作为后续生成对抗网络模型中的关键附加组件；

步骤3：训练生成对抗网络，所述生成对抗网络包括用于生成伪图像的生成器和用于判别真实图像和伪图像的判别器，还包括步骤2中训练好的分类器；训练方法具体包括：将训练数据集中的病人数据样本输入到生成器，然后将训练数据集中的正常人数据样本和生成器生成的伪图像输入到判别器，同时将生成器生成的伪图像输入到步骤2训练好的分类器，交替训练生成器和判别器；

具体的训练步骤如下：

步骤31：将训练数据集中的病人CT图像输入到生成器，生成一幅指示病变区域的图像；

步骤32：将生成器生成的病变区域图像叠加到步骤31中的所述病人CT图像上获得类似正常人CT图像的伪正常人CT图像；

步骤33：训练生成器，冻结判别器的参数，将所述伪正常人CT图像和所述正常人CT图像输入到判别器，同时将所述伪正常人CT图像输入到步骤2训练好的分类器中；

生成器的优化目标是真实数据分布和伪数据分布之间的JS散度，当所述JS散度足够小时，说明两者的分布近似，即生成器生成的伪正常人CT图像和正常人CT图像具有相同的数据分布，此步要求判别器把输入的伪图像判断为真实图像，即生成器成功的伪造出数据来“欺骗”判别器；

生成器的目标函数由四种误差项构成，通过反向传播算法计算梯度，并使用梯度下降法更新生成器的参数；

生成器的目标函数的四种误差项具体如下：

第一误差项为判别器的输出，即伪正常人CT图像和真实正常人CT图像在数据的概率分布上的误差；

第二误差项是分类器的输出，即分类器提取输入数据的高级语义特征并依据这些高级语义特征来判断输入数据是正常人数据的可能性，并表述成输入分类器的伪正常人CT图像和正常人CT图像之间在高级语义特征上的误差；

第三误差项是在生成器的输入数据和输出的伪正常人CT图像之间施加了1范数的约束来作为重构误差，目的是保证输入和输出的相似性，减少无关区域的噪声表达；

第四误差项是在生成器生成的病变区域图上施加了1范数约束，目的是保证尽量少的病变区域覆盖就可以转化为一个正常人，同样是为了减少无关噪声表达；

步骤34：训练判别器，冻结生成器的参数，在步骤32后，将所述伪正常人CT图像和所述正常人CT图像输入到判别器，与步骤33相反，此步要求判别器对伪造图像判断为假，即判别器能成功的识破生成器的造假行为；

判别器定义为由一组参数参数化的函数，对于伪正常人CT图像判别器应当将其判断为假，对于正常人CT图像判别器应当判断为真，通过下述公式计算误差，并更新判别器的参数使其能做出更准确的判断；误差计算公式如下：

其中，其中D,G分别代表生成器和判别器，，分别代表正常人的分布和生成器生成的伪正常人的分布；

当判别器对于所述伪正常人CT图像和正常人CT图像的输出概率达到平衡状态，且分类器对于所述伪正常人CT图像分类为正常人的概率较高时，表示生成对抗网络训练完成；

步骤4：验证训练好的弱监督定位网络性能，将验证数据集中的病人CT数据输入到训练完成的生成器中，获得其病变区域，具体步骤包括：

步骤41：使用与步骤1中相同的预处理方式处理病人CT数据，然后将其输入到步骤3已经训练完成的生成器中；

步骤42：将生成器的输出叠加到生成器的输入图像上并通过Tanh激活函数限制像素值的范围，然后减去输入图像并取绝对值后便可获得病变区域定位图。