[发明专利]一种基于生成对抗网络的肝脏肿瘤图像增广方法

说明书

本发明公开了一种基于生成对抗网络的肝脏肿瘤图像增广方法，首先构建训练样本，然后构建生成对抗网络模型，生成对抗网络模型包括生成器和判别器，对生成对抗网络模型进行训练，利用得到的训练样本和生成肿瘤图像对构建的生成对抗网络模型进行迭代训练，通过混合损失函数对所述生成对抗网络模型进行优化得到训练完成的生成对抗网络模型，最后从肝脏肿瘤的CT切片数据集中提取一个随机肝脏肿瘤图像，输入到训练完成的生成对抗网络模型中，得到肝脏肿瘤图像集。本发明能够通过生成对抗网络模型生成随机肝脏肿瘤图像实现肝脏肿瘤数据集的增广，有助于增加肝脏肿瘤的可变性，为肝脏切片创建一个丰富真实肝脏肿瘤切片数据。

技术领域

本发明属于医学图像处理领域，具体涉及一种基于生成对抗网络的肝脏肿瘤图像增广方法。

背景技术

随着科学技术的进步，医学影像技术取得了长足的发展，图像分割是提取医学图像中特殊组织的定量信息不可缺少的手段，为了可以准确分辨医学图像中的正常组织结构和异常病变，需要对医学图像进行分割，医学图像的分割是医学图像处理的关键步骤。

由于图像分割模型训练中需要对大量参数进行调优，因此对训练样本的数量有较高的需求。因此对训练数据进行数据增广成为应用深度学习技术的主要手段之一，该方法主要是对图像进行变换操作，如平移或旋转、镜像等，来增加训练数据的数量。但是对图像进行简单的变换操作得出的样本图像与实际图像存在有较大的误差。

发明内容

为了解决现有技术的上述问题，本发明提供一种基于生成对抗网络的肝脏肿瘤图像增广方法，能够通过生成对抗网络模型生成随机肝脏肿瘤图像实现肝脏肿瘤数据集的增广。本发明的技术方案如下：

一种基于生成对抗网络的肝脏肿瘤图像增广方法，该方法包括：

S1，构建训练样本；

包括获取包含肝脏肿瘤的CT切片，并在所述CT切片中选定的肿瘤位置和形状以形成肿瘤掩模，并根据选定的肿瘤掩模与肝脏肿瘤的CT切片进行融合得到训练样本；

S2，构建生成对抗网络模型，所述生成对抗网络模型包括生成器和判别器；

所述生成器用于根据训练样本通过编码部分和解码部分得到生成肿瘤图像，所述编码部分用于对输入的训练样本进行特征提取与分析，所述解码部分用于将训练样本所提取出的特征进行还原；

所述判别器用于得到所述生成肿瘤图像中感兴趣区域的真实概率，所述真实概率用于表征所述生成肿瘤图像由所述训练样本生成的概率；

S3，对生成对抗网络模型进行训练；

利用得到的训练样本和生成肿瘤图像对构建的生成对抗网络模型进行迭代训练，通过每一次迭代所得到的损失函数对所述生成对抗网络模型进行优化，得到训练完成的生成对抗网络模型；

S4，从肝脏肿瘤的CT切片数据集中提取一个随机肝脏肿瘤图像，对所述随机肝脏肿瘤图像进行预处理，并输入到训练完成的生成对抗网络模型中，得到肝脏肿瘤图像集。

进一步地，所述混合损失函数包括对抗损失函数、多掩模损失函数、感知损失函数、样式损失函数。

本发明的有益效果在于：

能够通过生成对抗网络模型生成随机肝脏肿瘤图像实现肝脏肿瘤数据集的增广，有助于增加肝脏肿瘤的可变性，为肝脏切片创建一个丰富真实肝脏肿瘤切片数据集。

附图说明

图1是本发明基于生成对抗网络的肝脏肿瘤图像增广方法流程示意图；

图2是本发明生成对抗网络模型的结构图；

图3是本发明生成对抗网络模型中生成器的结构图；

图4是本发明生成器中的GConv的结构图；