[發明專利]用于病理數據轉換的雙向GAN模型及其構建和應用方法

在審

• 申請號: 202010627094.0
• 申請日: 2020-07-01
• 公開（公告）號: CN111860618A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 程國華;羅夢妍;何林陽;季紅麗
• 申請（專利權）人: 杭州健培科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 無錫市匯誠永信專利代理事務所(普通合伙) 32260
• 代理人: 高科

1.一種用于病理數據轉換的雙向GAN模型，其特征在于，包括：

結構相同但參數組不同的正向生成器(11)以及反向生成器(12)；

結構相同的反向語義判別器(21)以及正向語義判別器(31)，在分類模型的基礎上增加像素加權模塊，反向語義判別器(21)的輸入端連接反向生成器(12)的輸出端，正向語義判別器(31)的輸入端連接正向生成器(11)的輸出端；

結構相同的反向形態判別器(22)以及正向形態判別器(32)，在分類模型的基礎上增加通道加權模塊，反向形態判別器(22)的輸入端連接反向生成器(12)的輸出端，正向形態判別器(32)的輸入端連接正向生成器(11)的輸出端。

2.根據權利要求1所述的用于病理數據轉換的雙向GAN模型，其特征在于，利用針對同一病理情況的病理數據進行訓練，其中沒有發生病變的病理數據為陰性數據，發生病變的病理數據為陽性數據，陰性數據和陽性數據統稱為訓練數據，經過訓練后的正向生成器(11)設置第一參數組，反向生成器(12)設置第二參數組。

3.根據權利要求2所述的用于病理數據轉換的雙向GAN模型，其特征在于，訓練數據在訓練過程中經過正向生成器和反向生成器的雙向轉換，得到生成損失，訓練數據生成的假性數據經過判別器判別后，得到判別損失，加權生成損失和判別損失得到優化目標，同步優化生成器和判別器。

4.根據權利要求1所述的用于病理數據轉換的雙向GAN模型，其特征在于，其訓練方法如下：

準備訓練數據集：準備針對同一病理情況的多組病理數據，其中沒有發生病變的病理數據定位為陰性數據集，陰性數據集由多個陰性數據組成，發生病變的病理數據定義為陽性數據集，陽性數據集由多個陽性數據組成；

構建雙向GAN模型；

訓練雙向GAN模型：陰性數據至少輸入正向生成器(11)的輸入端以及反向判別器，陽性數據B至少輸入反向生成器(12)的輸入端和正向判別器，陰性數據在訓練過程中得到正向判別損失和正向判別損失，加權正向判別損失和正向生成損失得到待優化目標，同時優化正向生成器和正向判別器，陽性數據在訓練過程中得到反向判別損失和反向生成損失，加權反向判別損失和反向生成損失得到待優化目標，同時優化反向生成器和反向判別器。

5.根據權利要求3或4任一所述的用于病理數據轉換的雙向GAN模型，其特征在于，加權判別損失和生成損失時，判別器和生成器轉換損失權重為1.5：1；同一組內的語義判別器和形態判別器的損失權重一致。

6.根據權利要求2或4任一所述的用于病理數據轉換的雙向GAN模型，其特征在于，陰性數據和陽性數據為非配對數據。

7.一種用于病理數據轉換的雙向GAN模型的應用方法，其中雙向GAN模型如權利要求1到4任一所述，其特征在于，包括以下步驟：往訓練好的雙向GAN模型中輸入預處理后的CT影像數據對應的CT影像切片，得到轉換后的CT影像切片，若輸入的是未患病的CT影像切片則可轉換得到患病情況下的CT影像切片，若輸入的是患病的CT影像切片則可轉換為未患病情況下的CT影像切片。

8.一種用于病理數據轉換的雙向GAN模型的應用方法，其中雙向GAN模型如權利要求1到4任一所述，其中病理數據為肺炎數據，其特征在于，包括以下步驟：

輸入待轉換的CT影像數據，對CT影響數據進行預處理，其中預處理的步驟包括使用寬窗位對數據進行調整并進行歸一化操作；

利用肺部分割模型對CT影像數據進行分割，得到包含肺部區域的肺部切片；

將包含肺部區域的切片輸入適用于肺炎數據轉換的雙向GAN模型中進行轉換，若輸入的是未患病病患的肺部切片，則可得到患病后的肺部切片，若輸入的是患病病患的肺部切片，則可得到痊愈后的肺部切片。