[發(fā)明專利]一種基于GAN的無造影劑醫(yī)學圖像增強建模方法

在審

• 申請?zhí)枺?/td>: 202011455235.1
• 申請日: 2020-12-10
• 公開（公告）號: CN112508835A
• 公開（公告）日: 2021-03-16
• 發(fā)明（設計）人: 張娜;鄭海榮;劉新;李宗陽;胡戰(zhàn)利;梁棟;李燁;鄒超
• 申請（專利權(quán)）人: 深圳先進技術(shù)研究院
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06T7/00;G06T7/10
• 代理公司: 北京維正專利代理有限公司 11508
• 代理人: 任志龍

1.一種基于GAN的無造影劑醫(yī)學圖像增強建模方法，其特征在于：采用GAN增強算法，根據(jù)既往患者的無造影劑圖像，生成既往患者的虛擬有造影劑圖像，與既往患者的真實有造影劑圖像進行訓練，得到既往患者的最終虛擬有造影劑圖像；再與既往患者的無造影劑圖像進行融合，建立目標圖像分析模型。

2.根據(jù)權(quán)利要求1所述基于GAN的無造影劑醫(yī)學圖像增強建模方法，其特征在于：采用GAN增強算法，包括創(chuàng)建生成器模型、鑒別器模型，生成器模型用于根據(jù)無造影劑圖像生成虛擬有造影劑圖像，鑒別器模型用于鑒別被分析數(shù)據(jù)是虛擬有造影劑圖像數(shù)據(jù)或真實有造影劑圖像數(shù)據(jù)，根據(jù)鑒別結(jié)果，生成器模型修正下一次生成的虛擬有造影劑圖像數(shù)據(jù)，直至生成器模型生成的虛擬有造影劑圖像數(shù)據(jù)，被鑒別器模型鑒別為真，記錄為最終虛擬有造影劑圖像數(shù)據(jù)。

3.根據(jù)權(quán)利要求2所述基于GAN的無造影劑醫(yī)學圖像增強建模方法，其特征在于：基于無造影劑圖像數(shù)據(jù)學習得到生成器分布，生成器模型G構(gòu)建噪聲分布到數(shù)據(jù)空間的映射，生成虛擬有造影劑圖片；鑒別器模型D鑒別虛擬有造影劑圖片為真的概率，調(diào)整生成器模型G參數(shù)、鑒別器模型D參數(shù)，以最小化log(1-D(G(r)))與最小化log D(Q)，即滿足如下公式：

式中，q表示真實有造影劑圖像數(shù)據(jù)，r表示虛擬有造影劑圖像數(shù)據(jù)，E表示期望值，表示源自真實有造影劑圖像數(shù)據(jù)的期望，表示源自虛擬有造影劑圖像數(shù)據(jù)的期望，G(z)表示數(shù)據(jù)z放入到生成器模型中得到的結(jié)果，D(G(r))表示將G(r)放入鑒別器模型D中繼續(xù)鑒別，得到的結(jié)果；V表示包含有D/G兩個參數(shù)的函數(shù)。

4.根據(jù)權(quán)利要求1所述基于GAN的無造影劑醫(yī)學圖像增強建模方法，其特征在于：采用目標檢測算法，對既往患者的無造影劑圖像、有造影劑圖像進行分割，得到無造影劑圖像目標圖像、無造影劑圖像背景圖像、有造影劑圖像目標圖像、有造影劑圖像背景圖像。

5.根據(jù)權(quán)利要求4所述基于GAN的無造影劑醫(yī)學圖像增強建模方法，其特征在于：目標檢測算法包括拆分圖像為N個子圖像、預測子圖像邊界框、在子圖像中構(gòu)建多層卷積網(wǎng)絡提取特征。

6.根據(jù)權(quán)利要求5所述基于GAN的無造影劑醫(yī)學圖像增強建模方法，其特征在于：采用維度聚類作為錨框預測子圖像邊界框，預測每個邊界框的四個坐標為t_x，t_y，t_w，t_h，結(jié)合每次預測的坐標偏移量C_x、C_y，計算下一個預測框的坐標(b_x、b_y、b_w、b_h)為：

b_x＝σ(t_x)+C_x；

b_y＝σ(t_y)+C_y；

式中，σ()表示多個預測框的平均值分布；p_w表示前一預測框的寬度，p_h表示前一預測框的高度，(t_x、t_y)(b_x、b_y)表示錨框中心坐標，t_w、b_w表示錨框?qū)挾龋瑃_h、b_h表示錨框高度。

7.根據(jù)權(quán)利要求5所述基于GAN的無造影劑醫(yī)學圖像增強建模方法，其特征在于：多層卷積網(wǎng)絡包括卷積層、殘差層、池化層、全連接層；卷積層，用于特征提取，以獲取一定區(qū)域內(nèi)主要的像素點；殘差層，用于防止梯度爆炸；池化層，用于對輸入的特征圖進行壓縮，提取主要特征；全連接層，用于將學習到的特征映射到樣本標記空間，起分類器的作用。