[發明專利]圖像生成網絡的訓練方法、圖像預測方法和計算機設備

有效

• 申請號: 201911106039.0
• 申請日: 2019-11-13
• 公開（公告）號: CN110866909B
• 公開（公告）日: 2022-09-27
• 發明（設計）人: 李青峰;石峰
• 申請（專利權）人: 武漢中科醫療科技工業技術研究院有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/08;G06N3/04;G16H30/20
• 代理公司: 北京華進京聯知識產權代理有限公司 11606
• 代理人: 喬改利

1.一種圖像生成網絡的訓練方法，其特征在于，包括：

獲取訓練樣本圖像；

將所述訓練樣本圖像輸入初始圖像生成網絡，得到初始差異圖像，并將所述初始差異圖像與所述訓練樣本圖像進行融合，得到初始預測圖像；其中，所述初始預測圖像包括預設的仿真標記，所述初始預測圖像表征所預測的受測對象在預設的時間間隔后的變化情況；

將所述初始預測圖像和第一真實樣本圖像輸入初始判別網絡，得到所述初始預測圖像的判別結果；所述第一真實樣本圖像為所述初始預測圖像的參考圖像；所述判別結果表征所述初始預測圖像屬于仿真圖像的概率以及屬于真實圖像的概率；

計算所述判別結果與所述仿真標記之間的損失，根據所述損失對所述初始判別網絡和所述初始圖像生成網絡進行訓練；當所述損失達到收斂時，所述初始圖像生成網絡訓練完成，得到圖像生成網絡。

2.根據權利要求1所述的方法，其特征在于，所述方法還包括：

獲取第二真實樣本圖像，所述第二真實樣本圖像為對所述受測對象在所述時間間隔后進行掃描得到的真實醫學圖像；

計算所述初始預測圖像與所述第二真實樣本圖像之間的差異，根據所述差異對所述初始圖像生成網絡進行訓練。

3.根據權利要求2所述的方法，其特征在于，所述方法還包括：

根據損失函數、所述差異、所述初始預測圖像以及對所述損失函數的值的數學期望、對所述差異的值的數學期望，構建網絡模型優化函數；

當所述網絡模型優化函數的值小于或者等于預設閾值時，表征所述損失達到收斂。

4.根據權利要求3所述的方法，其特征在于，所述網絡模型優化函數包括圖像生成網絡優化函數和判別網絡優化函數；

所述網絡模型優化函數的值小于或者等于預設閾值，包括：

所述圖像生成網絡優化函數的值與所述判別網絡優化函數的值之和小于或者等于所述預設閾值。

5.根據權利要求1所述的方法，其特征在于，根據所述損失對所述初始判別網絡和所述初始圖像生成網絡進行訓練，包括：

根據所述損失調整所述初始判別網絡的網絡參數，調整后的初始判別網絡使得所述損失的值減小；

根據所述損失調整所述初始圖像生成網絡的網絡參數，調整后的初始圖像生成網絡使得所述損失的值增大。

6.根據權利要求5所述的方法，其特征在于，根據所述損失調整所述初始圖像生成網絡的網絡參數，包括：

在所述初始判別網絡的網絡參數調整完成之后，根據所述損失，調整所述初始圖像生成網絡的網絡參數。

7.根據權利要求1-6任一項所述的方法，其特征在于，初始差異圖像表征所述訓練樣本圖像與所述初始預測圖像之間的差異。

8.根據權利要求1-6任一項所述的方法，其特征在于，所述訓練樣本圖像為所述受測對象的腦部磁共振圖像。

9.一種圖像預測方法，其特征在于，包括：

獲取待預測圖像；

將所述待預測圖像輸入圖像生成網絡，得到預測圖像；其中，所述圖像生成網絡的訓練方式包括：

獲取訓練樣本圖像；

將所述訓練樣本圖像輸入初始圖像生成網絡，得到初始差異圖像，并將所述初始差異圖像與所述訓練樣本圖像進行融合，得到初始預測圖像；其中，所述初始預測圖像包括預設的仿真標記，表征所預測的受測對象在預設的時間間隔后的變化情況；

將所述初始預測圖像和第一真實樣本圖像輸入初始判別網絡，得到所述初始預測圖像的判別結果；所述第一真實樣本圖像為所述初始預測圖像的參考圖像；所述判別結果表征所述初始預測圖像屬于仿真圖像的概率以及屬于真實圖像的概率；

計算所述判別結果與所述仿真標記之間的損失，根據所述損失對所述初始判別網絡和所述初始圖像生成網絡進行訓練；當所述損失達到收斂時，所述初始圖像生成網絡訓練完成，得到圖像生成網絡。

10.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求9所述方法的步驟。