[发明专利]一种基于U-Net条件生成对抗网络的微血管树生成方法

说明书

本发明提供了一种基于U‑Net条件生成对抗网络的微血管树生成方法，首先从血管网络中提取微血管分叉对数据构建训练集，所述微血管分叉对数据为一组母系和子系血管分叉数据，然后利用条件生成对抗网络和pair输入到判别器中来保证映射，进行高维数组特征的提取和比较训练获得基于上级母系血管分叉生成下级子系血管分叉的生成器，最后获取待生成微血管树的入口分叉，根据训练好的生成器逐级生成子系血管分叉同时进行微血管分叉树生长。本发明建立了基于U‑Net条件生成对抗网络的微血管树新生模型，该模型能够从真实血管网络结构中学习微血管树的形态与拓扑模式，进而生成与真实微血管树在形态和拓扑结构上相似的模拟微血管树。

技术领域

本发明涉及一种微血管树结构的人工生成方法，属于生物医学领域。

背景技术

血管网络新生是涉及多时间尺度的生理过程，动物实验较难通过控制实验条件来同时观察较短和较长时程上的生理过程，且获得真实的微血管网络的过程较为困难和复杂。传统方法多基于统计和分形理论生成微血管树，所生成的微血管树具有较高的同质性，不能反映具有高度异质性的真实微血管树结构。因此，研究者尝试模拟生成微血管树结构。如何生成符合实际生理结构与拓扑特性的微血管树具有重要的研究价值。

发明内容

灰度图、彩色图、梯度图等图像之间的转换称之为图像翻译。这些任务可以用同一种框架来解决，该框架的名称为Pix2Pix算法。该算法是基于条件生成对抗网络来实现的，且输入为图像而非随机向量。本发明正是参考并且借鉴了Pix2Pix算法的基本思想，利用条件生成对抗网络和pair输入到判别器中来保证映射，进行高维数组特征的提取和比较。针对传统方法的不足，本发明建立了基于条件生成对抗网络的微血管树新生模型，该模型能够从真实血管网络结构中学习微血管树的形态与拓扑模式，进而生成与真实微血管树在形态和拓扑结构上相似的模拟微血管树。

本发明解决其技术问题所采用的技术方案是：

一种基于U-Net条件生成对抗网络的微血管树生成方法，包括以下步骤：

a.从血管网络中提取微血管分叉对数据，所述微血管分叉对数据为一组母系和子系血管分叉数据，其中，母系血管分叉数据包括母系血管分叉的母系主分支节点坐标及管径信息、母系左分支节点坐标及管径信息、母系右分支节点坐标及管径信息，子系血管分叉数据为母系血管分叉数据中的一分支为主分支的血管分叉节点坐标及管径信息，包括子系主分支节点坐标及管径信息、子系左分支节点坐标及管径信息、子系右分支节点坐标及管径信息。

b.基于深度卷积神经网络构造由生成器和判别器组成的U-Net条件生成对抗网络；其中，生成器采用U-Net结构，输入为分叉对的母系血管分叉数据，输出为生成的子系血管分叉数据；判别器的输入为步骤a得到的真实的微血管分叉对和由生成器生成的假的子系血管分叉与真实母系血管分叉组成的分叉对，用于区分输入数据是来自真实样本还是生成器生成的假样本。

c.根据步骤a的分叉对数据对生成器和判别器进行训练，通过损失函数的博弈获得训练好的生成器；

d.根据训练好的生成器逐级生成子系血管分叉同时进行微血管分叉树生长。

进一步地，所述步骤a中，从血管网络中提取微血管分叉对数据，具体包括以下子步骤：

a1从原始微血管网络中分离出微动脉树，并将提取到的每条微血管分叉节点坐标及管径存储到一个二维数组array中；所述二维数组array的每一行为存储每条微血管分叉的主分支、左分支、右分支节点的x、y坐标及管径信息。

a2分别对节点坐标值和管径值进行归一化，使它们的数值在0-1之间。所述归一化公式为：

normValue＝(value-min)/(max-min)

其中，value表示管径值或坐标节点，min表示数据集中管径或节点坐标的最小值，max表示数据集中管径或节点坐标的最大值；