[發明專利]一種數據擴充方法

有效

• 申請號: 202011194005.4
• 申請日: 2020-10-30
• 公開（公告）號: CN112257805B
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 李宏;孫航;鮑楠;馬賀;李晶;曾慶超;張春玲;蔣明寬;周石
• 申請（專利權）人: 東北大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/26;G06T7/10;G06T11/40;G06V10/82
• 代理公司: 北京易捷勝知識產權代理有限公司 11613
• 代理人: 韓國勝

本發明涉及一種數據擴充方法，包括如下步驟：S1、獲取原始圖像數據，并給出其標簽圖像數據；S2、分別將原始圖像數據和標簽圖像數據進行鏡像擴充，分別獲得n倍原始圖像鏡像數據集和n倍標簽圖像鏡像數據集；S3、將獲得的n倍原始圖像鏡像數據集和n倍標簽圖像鏡像數據集送入深度學習得到擴充n倍數據的腫瘤分割結果；S4、將擴充n倍數據的腫瘤分割結果進行數據重建得到原始圖像對應的圖像分割結果。本發明提供的數據擴充方法不僅提高了基于深度學習的腫瘤分割的準確性，而且擴充的數據完全是來源于真實的醫學影像數據，保證圖像像素之間的空間位置關系不變。

技術領域

本發明屬于影像數據分割技術領域，尤其涉及一種數據擴充方法。

背景技術

生成對抗網絡(Generative?Adversarial?Networks,GANs)是由Goodfellow等人在2014年提出的一種無監督學習方法^[1]。它有兩個網絡分支結構，分別是生成網絡和判別網絡，兩個分支不斷對抗來更新參數提升性能，可以生成人工樣本來達到數據擴充的目的，尤其是處理各分類樣本數目不平衡的圖像數據時效果顯著。例如，Wang等人利用GANs提升了ImageNet數據集的識別準確率，其中對狗和金魚的分類準確率由0.855提升到了0.915，但其他類別的準確率相比傳統方法提升不大^[2]；Shrivastava等人在MPIIGaze數據集上，使用GANs對已有的人工樣本進行再優化，將眼球角度預測錯誤率降至7.8％，將手勢識別任務的準確率提高到了83.3％^[3]；Lucic等人對原始GANs和眾多GANs的衍生模型在統一標準下進行了評價，實驗結果是原始GANs相比于當前多數衍生模型擁有更優秀的數據生成能力^[4]。雖然GANs在許多任務中取得了成效，但是由其生成的醫學影像數據的可信度存在質疑，在醫學圖像中，強度通常與某些含義相關聯，例如，可以基于CT數據的HU值粗略地對組織類型進行分類，而GANs中并沒有這種關聯和映射。此外，GANs生成的數據的訓練不穩定問題很難處理。

發明內容

(一)要解決的技術問題

為了解決現有技術的上述問題，本發明提供一種數據擴充方法。

(二)技術方案

為了達到上述目的，本發明采用的主要技術方案包括：

一種數據擴充方法，包括如下步驟：

S1、獲取原始圖像數據，并給出其標簽圖像數據；

S2、分別將原始圖像數據和標簽圖像數據進行鏡像擴充，分別獲得n倍原始圖像鏡像數據集和n倍標簽圖像鏡像數據集；

S3、將獲得的n倍原始圖像鏡像數據和n倍標簽圖像鏡像數據送入深度學習得到擴充n倍數據的圖像分割結果；

S4、將擴充n倍數據的圖像分割結果進行數據重建得到原始圖像對應的圖像分割結果。

優選地，所述步驟S2中將原始圖像數據進行鏡像擴充包括：

找出原始圖像數據的切割中心，沿切割中心以角度平均分成n份，然后將每份鏡像填充至整張圖像，得到n倍的原始圖像鏡像數據集；

所述原始圖像數據為原始腫瘤圖像數據。

優選地，所述步驟S2中將標簽圖像數據進行鏡像擴充包括：

找出標簽圖像數據的切割中心，沿切割中心以角度平均分成n份，然后將每份鏡像填充至整張圖像，得到n倍的標簽圖像鏡像數據集。

優選地，所述步驟S3還包括：

將鏡像擴充后的n倍原始圖像鏡像數據劃分為訓練集和測試集；

將訓練集及其對應的標簽圖像鏡像數據送入深度學習網絡進行訓練，獲得分割模型；