[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

说明书

本发明公开了一种基于GAN的医学图像病变区域弱监督定位方法。该方法具体包括以下步骤：收集数据并制作数据集，将每一次CT扫描的成像文件重采样成固定分辨率并保存为NPY格式并保存对应的标签信息；构建基于卷积神经网络的分类器，使用上述的数据集对分类器进行预训练，学习高级语义特征；构建基于生成对抗网络的框架，使用生成器学习正常人与病人的检查结果的影像学差异，使用判别器和预训练的分类器来强化生成器的学习效果并使生成器能够捕捉到病人的病变区域；本发明可以自动学习病人与正常人之间的差别，实现了无需对病变区域进行标注而能有效的对病变的区域进行定位，提供辅助诊断信息。

技术领域

本发明涉及医学图像领域，尤其涉及一种GAN的医学图像病变区域弱监督定位方法。

背景技术

随着计算机技术的发展，电子计算机断层扫描(CT)和磁共振成像(MRI)广泛的用于辅助医生对疾病的诊断。对部分疾病而言，可以观察到明显的影像学改变，通过专业的影像科医师阅读患者的CT或MRI图像可以给医生提供有效的临床诊断信息，辅助医生对疾病进行诊断。

目前，图像分割方法在医学图像领域已经取得了巨大的进展，然而图像分割方法面临的一个巨大问题是需要事先对图像进行密集标注，而这项工作通常会耗费资深的影像科医师大量的时间和精力来完成。且在面临突发的新型疾病时，通常没有时间来完成数据的密集标注工作。针对图像分割方法需要大量标注数据的缺点，目前有一种称为弱监督定位的技术也开始应用于医学图像领域。与图像分割方法不同，弱监督定位方法只需要进行图像级的标注而不是像素级的标注，这将大幅度减少数据标注工作的强度。对于医学图像来说，虽然某种疾病的病变特征可能相同，但不同病人的器官存在大小，形态等差异，且病变区域的位置和大小也存在随机性，对图像的弱监督定位方法的研究仍然是一项具有挑战的工作。

目前大部分弱监督定位方法基于类激活映射CAM技术及其改进方法，此类方法利用训练好的分类器生成的特征图结合其与各个类别的权重来生成目标区域的热力图。但此类方法需要分类器能成功学习到病变区域的高级语义特征并依据此类特征做出正确的分类决策，并且需要较高分辨率的特征图才能取得较好的效果。其不足之处在于：基于分类器的分类决策特征来决定病变区域，然而分类器的又是只会依据一些显著特征便可做出分类决策，这可能会忽视部分不明显特征而导致定位不完全，且CAM技术的定位区域较为粗略。

此外还有基于生成对抗网络的图像分割方法，该方法利用生成器生成一幅图像叠加到病人的图像上来获得病人与正常人之间的差异，并认为此类差异即可代表病人的病变区域，但此方法需要预先对数据进行分割、配准等处理，消除无关背景区域的干扰，否则会产生大量噪声，严重影响分割性能。

因此，如何进一步提高医学图像的病变区域弱监督定位精度和性能，仍然是医学图像处理领域研究的热点和难点。

发明内容

针对现有技术之不足，提出一种基于GAN的医学图像病变区域弱监督定位方法，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，训练方法具体包括：

步骤21：将训练数据集中的胸部CT图像输入到ResNet网络中，提取输入图像的高级语义特征并生成特征图；其中，高级语义特征包括边缘，线条，纹理，颜色等人类视觉可以理解的特征以及更为抽象的人类无法理解但机器能做出判断的高级特征。