[发明专利]一种面向养老机器人的糖尿病性视网膜眼底图像合成方法

说明书

本发明公开了一种面向养老机器人的糖尿病性视网膜眼底图像合成方法，包括有S1将输入向量潜代码z、随机噪音N和DR等级类c输入styleGAN生成器得到生成图像；S2生成图像、真实图像输入到鉴别器中，由鉴别器来判别图像的真假，以提高styleGAN生成器的生成质量；S3生成图像、真实图像输入到血管分割网络中，将真实图像和生成图像进行血管分割，比较分割后图像以改进生成效果，基于StyleGAN生成器架构，对糖尿病性视网膜眼底图像进行合成，合成图像可用于帮助训练糖尿病性视网膜病变(DR)分类网络，从而可以提高性能并缓解过度拟合。

[技术领域]

本发明涉及一种图像处理领域的技术，特别涉及一种面向养老机器人的糖尿病性视网膜眼底图像合成方法。

[背景技术]

与其他深度学习任务相比，获取医学图像数据集通常会面临以下困难：一是样本数量较少且样本分布不均匀，缺乏足够的标记样本以及与患者有关的法律问题；二是高质量的带注释的视网膜图像成本昂贵且难以获得。

而糖尿病视网膜病变(DR)是糖尿病患者中常见的视力损害性疾病。眼科医生通常根据相关病变的类型和数量来识别DR的严重程度。但是，由于异常眼底图像仅占小部分，因此DR数据在不同等级上的分布极不平衡。采用此类不平衡数据进行训练将使模型对DR严重程度较高的样本不敏感，并导致过拟合。

[发明内容]

本发明克服了现有技术的不足，提供了一种面向养老机器人的糖尿病性视网膜眼底图像合成方法。

为实现上述目的，本发明采用了下列技术方案：

一种面向养老机器人的糖尿病性视网膜眼底图像合成方法，其特征在于：包括有以下步骤，

S1、将输入向量潜代码z、随机噪音N和DR等级类c输入styleGAN生成器得到生成图像；

S2、生成图像、真实图像输入到鉴别器中，由鉴别器来判别图像的真假，以提高styleGAN生成器的生成质量；

S3、生成图像、真实图像输入到血管分割网络中，将真实图像和生成图像进行血管分割，比较分割后图像以改进生成效果。

如上所述的一种面向养老机器人的糖尿病性视网膜眼底图像合成方法，其特征在于：S1中styleGAN生成器读取输入向量潜代码z、随机噪音N和DR等级类c，通过映射网络将其转化成中间向量w，w经过仿射变换后进入合成网络得到生成图像。

如上所述的一种面向养老机器人的糖尿病性视网膜眼底图像合成方法，其特征在于：映射网络是由八个全连接层组成的，映射网络的输出与输入层的大小相同；DR等级类c通过嵌入层获得长度为512的表示向量，将该表示向量添加到映射网络的每个线性层输出中，映射网络将输入向量潜代码z和DR等级类c转化成中间向量w，使得w＝f(embedding(c),z)。

如上所述的一种面向养老机器人的糖尿病性视网膜眼底图像合成方法，其特征在于：合成网络是由九个生成阶段组成的渐进式生成架构，从4*4变换到8*8，最终变换到1024*1024；采用混合正则化手段，在训练过程中使用两个随机潜码w，生成图像时在合成网络中随机选择一个交叉点，w1在某个交叉点之前应用，w2在交叉点之后应用；合成网络通过控制AdaIN操作的风格接收输入，并通过随机噪音N的输入改善结果。

如上所述的一种面向养老机器人的糖尿病性视网膜眼底图像合成方法，其特征在于：AdaIN操作是由中间向量通过可学习的仿射变换转换为放缩因子y_s,i和偏差因子y_b,i，这两个因子会与标准化之后的卷积输出进行加权求和的一个操作，具体如下：

如上所述的一种面向养老机器人的糖尿病性视网膜眼底图像合成方法，其特征在于：随机噪音N是由高斯噪声组成的单通道图像，在AdaIN模块之前向每个通道添加一个缩放过的噪声，并稍微改变其操作的分辨率级别特征的视觉表达方式。