[发明专利]一种医学影像的增强方法、装置、设备和介质

说明书

本发明提供一种医学影像增强方法、装置、设备和介质，方法包括：获取待处理医学影像的输入特征图作为数据集，并构建ACGAN改进模型，使用Wasserstein距离计算生成数据和真实数据的差别进行真假判别，并使用梯度惩罚来代替权值裁剪实现K‑Lipschitz条件，在损失函数加入梯度惩罚项；ACGAN改进模型经训练后，输入数据集通过生成器输出合成图像后并加入数据集中进行数据增强，得到增强后数据集；将判别器作为样本特征提取器，对增强后数据集进行特征提取，得到样本特征图，再与输入特征图进行融合，生成待处理医学影像的增强图像，从而解决了医学影像由于过度曝光或曝光不足带来的图像的细节模糊的问题。

技术领域

本发明涉及计算机技术领域，特别涉及一种医学影像的增强方法、装置、设备和介质。

背景技术

医学影像作为一种辅助医生诊断的技术，但不同的影像设备拍摄出的图像质量参差不齐。部分影像清晰度较低，从图像上看，某些部位组织处于连通状态的，这些都为图像的诊断造成极大的困难。且基层医生经手的病例数有限，缺乏培训，很难有较高的诊断水平。因此，近年来关于医学影像诊断的计算机辅助诊断算法研究一直在进行。

图像增强技术是研究计算机辅助诊断算法的关键技术之一，该技术用于改善和提升原图像质量，甚至揭示原图像中隐藏的信息，使之更适于人类视觉系统的观测或后续其他功能模块的处理，图像增强技术在高清电视、监控设备、卫星图像和医学影像等领域有重要的应用价值。

如图2所示，ACGAN是GAN(Generative AdversarialNetwork，生成对抗网络)的一种变体，能够利用辅助分类标签生成更高质量的样本，并将判别器与分类器结合，使改进的判别器不仅可以识别数据真假，还可以区分数据的不同类别。其具有如下特点：使用一维卷积层对维度进行缩减，每个一维卷积层后采用ReLU作为激活函数，在输出层采用tanh激活函数，能使模型更快地进行学习；判别器网络基本与生成器网络对称，在对标签进行分类的功能上，使用Softmax激活函数进行分类。

ACGAN框架能够有效针对医学影像的数据集进行图像质量增强，实现数据平衡，进而有效提高计算机的自动诊断的准确性。ACGAN的损失函数包含两个部分，分别如下所示：

式1中：L_s为记录数据真假判断的损失，L_c为记录数据分类的损失，D代表判别器，G代表生成器，P_data代表真实分布，P_z代表随机分布；表示判别器对真实数据的预测与真实数据之间的差距，表示判别器对生成数据的预测与真实数据之间的差距，表示判别器对真实数据的分类结果与真实数据的类别之间的差距，表示判别器对生成数据的分类结果与生成数据的类别之间的差距；

由于判别器应尽可能区分生成数据和真实数据并有效地对数据进行分类，因此判别器能被训练的最大值为L_s+L_c；同时希望生成器生成的数据被判别器识别为真实数据且被有效分类，因此生成器能被训练的最大值为L_c-L_s。但在训练的过程中，判别器与分类器很难训练到一个平衡状态，而且训练过程中的稳定性也不佳。

发明内容

本发明要解决的技术问题，在于提供一种医学影像的增强方法、装置、设备和介质，以解决医学影像由于过度曝光或曝光不足带来的图像的细节模糊，提高图像增强质量，从而提高计算机的自动诊断的准确性。

第一方面，本发明提供了一种医学影像增强方法，包括下述步骤：

S1、获取待处理医学影像的输入特征图作为数据集，将数据集随机选取部分图像作为训练集，并构建ACGAN改进模型；所述ACGAN改进模型使用Wasserstein距离计算生成数据和真实数据的差别进行真假判别，并使用梯度惩罚来代替权值裁剪实现K-Lipschitz条件，在损失函数加入梯度惩罚项L_gp，使整体训练的损失函数为：