[發(fā)明專利]一種基于條件生成對抗網(wǎng)絡的MR圖像分割方法及裝置

有效

• 申請?zhí)枺?/td>: 202010055252.X
• 申請日: 2020-01-17
• 公開（公告）號: CN111242953B
• 公開（公告）日: 2023-02-28
• 發(fā)明（設計）人: 艾玲梅;石康珍;李艷玲
• 申請（專利權(quán)）人: 陜西師范大學
• 主分類號: G06T7/10
• 分類號: G06T7/10
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 房鑫

1.一種基于條件生成對抗網(wǎng)絡的MR圖像分割方法，其特征在于，包括以下步驟：

通過低級MR圖像y和分割掩膜x訓練cGAN網(wǎng)絡，得到訓練好的cGAN模型；

根據(jù)輸入的分割掩膜x，使用訓練好的cGAN模型自動生成人工圖像y’；

利用人工圖像y’和分割掩膜x預訓練U-net網(wǎng)絡；

通過低級MR圖像y和分割掩膜x繼續(xù)訓練U-net網(wǎng)絡，得到訓練好的U-net模型；

利用訓練好的U-net模型進行MR圖像分割。

2.根據(jù)權(quán)利要求1所述基于條件生成對抗網(wǎng)絡的MR圖像分割方法，其特征在于：cGAN網(wǎng)絡由生成器和判別器兩部分組成，生成器采用U-net架構(gòu)，判別器采用CNN架構(gòu)。

3.根據(jù)權(quán)利要求2所述基于條件生成對抗網(wǎng)絡的MR圖像分割方法，其特征在于：所述的U-net架構(gòu)由編碼器和解碼器組成，在編碼器和解碼器堆棧中的鏡像層之間設置跳躍連接；所述的跳躍連接用于在輸入和輸出之間直接通過網(wǎng)絡傳輸?shù)图壍膱D像信息。

4.根據(jù)權(quán)利要求2所述基于條件生成對抗網(wǎng)絡的MR圖像分割方法，其特征在于：

所述的cGAN網(wǎng)絡的損失函數(shù)為：

L_cGAN(G,D)＝E_x,y[logD(x,y)]+E_x,z[log(1-D(x,G(x,z)))]

式中，x為分割掩膜，y為低級MR圖像，z為隨機噪聲，D(x,y)表示輸入的圖像來自于真實圖像的概率，D(x,G(x,z))表示輸入圖像來自生成圖像的概率；

G(x,z)為分割掩膜x對應的人工生成圖像。

5.根據(jù)權(quán)利要求4所述基于條件生成對抗網(wǎng)絡的MR圖像分割方法，其特征在于：所述的隨機噪聲z為Dropout的形式，應用于生成器的d1-d4層；

生成器和判別器的損失函數(shù)通過將GAN的目標函數(shù)與L1距離函數(shù)相結(jié)合得到；

所述的L1距離計算式為L_L1(G)＝E_x,y[||y-G(x,z)||₁]；

生成器和判別器的損失函數(shù)計算式如下：

上式中，λ為超參數(shù)，設定為100；G為生成器，D為判別器。

6.根據(jù)權(quán)利要求1所述基于條件生成對抗網(wǎng)絡的MR圖像分割方法，其特征在于：

設y_true為手工分割掩膜，y_pred為U-net網(wǎng)絡的分割結(jié)果，U-net網(wǎng)絡的Dice損失函數(shù)為：

訓練過程使用敏感性、特異性、總體準確性、Dice相似系數(shù)、雅爾卡指數(shù)和馬修斯相關(guān)系數(shù)來評估分割性能；所有定量測量均在手工分割掩膜和預測分割結(jié)果之間按像素計算；

上述度量指標分別表示如下：

良好的分割效果具有較高的敏感性和特異性；利用Dice和Jaccard指標來衡量預測結(jié)果和金標準之間的相似性，這些指標代表了精度和靈敏度的調(diào)和平均值，最大值為1表示最優(yōu)結(jié)果，0表示最差結(jié)果；MCC用來衡量分類質(zhì)量，包括真陽性和假陽性以及真陰性和假陰性。

7.根據(jù)權(quán)利要求1所述基于條件生成對抗網(wǎng)絡的MR圖像分割方法，其特征在于：判別器中使用PatchGAN，圖像分割的U-net模型采用改進的U-net架構(gòu)，改進的U-net架構(gòu)有以下特點：(1)在卷積過程中填充所有圖層以保持圖像大小不變，獲得一個與輸入圖像大小相同的分割映射；(2)解碼路徑中的每一步都包含與編碼路徑對應的特征映射的拼接；(3)將最后一層的softmax函數(shù)替換為sigmoid函數(shù)來處理每個像素是黑色還是白色的二分類問題。