[发明专利]一种基于UNet-GAN网络的肺炎CT图像生成方法

说明书

本发明公开了一种基于UNet‑GAN网络的肺炎CT图像生成方法。属于计算机视觉技术领域，本发明中生成式对抗网络包括生成器和判别器两个主体；首先使用现有新冠肺炎公开数据集图像，并对数据集进行预处理操作；其次建立U‑Net和DCGAN联合的卷积神经网络，改进后的U‑Net嵌入DCGAN的生成器部分，实现真实图像分析再生成的过程，DCGAN中的判别结构实现网络判别真实图像与生成图像的过程；然后将训练数据输入搭建的生成对抗网络，使模型能够产生与真实图片相似的高质量图像；最后将真实图像输入训练好的网络，得到所需的肺炎CT图像。本发明新生成的图像能够更清晰的保留样本图像中小目标的特征信息，提升图像生成质量和网络收敛速度，为广大网络模型训练提供数据。

技术领域

本发明属于计算机视觉技术领域，涉及一种基于UNet-GAN网络的肺炎CT图像生成方法。

背景技术

现有技术中，神经网络训练需要大量数据集，但是因为医疗图像的私密性，新冠肺炎公开的检测数据集少之又少。利用深度卷积生成式对抗网络对图像进行生成是解决该问题切实可行的办法。目前也有其他医学影像数据扩充方法，如专利号为CN201910028616.2提出的算法，其训练步骤复杂，网络训练时间较长。

生成式对抗网络(Generative Adversarial Networks)又称为GAN网络,它主要由生成器和判别器两部分组成。生成器是一个上采样结构，它的的作用是将输入的随机噪声z，经过反卷积生成一个与真实图像相似的图像，然后将生成图像与真实的图像一起输入到判别器。判别器是一个下采样结构，对输入的两种图片进行判断，并通过判断的结果输出相应概率。如果判断为真实图像,则输出概率结果为1；如果判断为直接生成图像,则概率输出为0。当生成器与判别器之间互相抗衡,判别器的输出概率达到0.5时，判别器无法判断真假，模型达到最优。

通常网络模型对大尺度的物体识别更准确，大尺度物体一般来讲分别率高，局部信息清晰，即使在深层卷积过程中，依然保留丰富的特征。而小目标物体分辨率低，在深层卷积过程中，随着高层特征的提取，局部信息逐渐边缘化，导致小目标特征表达能力弱。因此模型能够敏感的提取小目标特征尤为重要。当前因为检测算法采样率过大、感受野过大、空间与语义存在矛盾，这非常不利于小目标的检测，严重影响了判别准确性。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明目的是提供了一种基于UNet-GAN网络的肺炎CT图像生成方法。

技术方案：本发明所述的一种基于UNet-GAN网络的肺炎CT图像生成方法，具体操作步骤如下：

(1)、使用现有新冠肺炎公开数据集图像，并对数据集进行预处理操作；

(2)、根据改进的U-Net和GAN网络结构搭建训练模型；

(3)、训练生成对抗网络模型，将肺炎CT图像分批次送入搭建好的模型，并设置参数，生成质量多样性不同的数据；

(4)、将肺炎真实图像输入训练好的模型，最终得到生成的肺炎图像。

进一步的，在步骤(1)中，所述对数据集进行预处理操作具体是：

首先，对图像进行平移、裁剪、旋转及翻转扩充数据样本；

然后，对样本进行灰度处理及图像锐化，从而增强图像中病灶明暗对比度。

进一步的，在步骤(2)中，所述改进的U-Net和GAN网络结构具体是：

GAN网络结构中的生成器模型采用改进的U-Net网络，对U-Net添加残差结构和多尺度特征融合；

网络结构中的判别器模型包括五层卷积层和一个全局池化层，尺度大小顺次为三个5*5，两个3*3卷积层，最后一层的输出结果是尺度为1*1的一个概率值。