[發明專利]一種基于GAN的無造影劑醫學圖像增強建模方法

在審

• 申請號: 202011455235.1
• 申請日: 2020-12-10
• 公開（公告）號: CN112508835A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 張娜;鄭海榮;劉新;李宗陽;胡戰利;梁棟;李燁;鄒超
• 申請（專利權）人: 深圳先進技術研究院
• 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

本發明公開了一種基于GAN的無造影劑醫學圖像增強建模方法，涉及醫學圖像處理技術領域，本申請采用GAN增強算法，根據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，建立圖像目標分析模型。本申請建立的虛擬有造影劑圖像模型，實現了新增患者無需服用造影劑就能得到虛擬有造影劑圖像，簡化治療程序，降低患者的治療成本。

技術領域

本發明涉及醫學圖像處理技術領域，尤其是涉及一種基于GAN 的無造影劑醫學圖像增強建模方法。

背景技術

目前，醫學上基于圖像對人體部位進行判斷，是一種常用的方法，為了得到人體某一部位的圖像，需要給病人注入血管造影劑，在給病人造成痛苦的同時，由于血管造影劑在體內難以徹底排出，并存在多種過敏反應，給病人帶來了已知與未知風險。

磁共振血管造影具有很高的臨床價值，但是由于血管造影劑自身成分的問題，部分患者對其有不同程度不同類型的過敏反應，體內殘留物對患者的病理影響還處于尚不明確的狀態，存在一定未知隱患。單純從改進血管造影劑的方面進行技術改進來看，尚無較大進展。

因此，如何基于既往患者的圖像，得到新增患者的圖像，是目前亟待解決的問題。

發明內容

本發明的目的是提供一種基于GAN的無造影劑醫學圖像增強建模方法，基于既往患者無造影劑圖像與真實有造影劑圖像，采用GAN 增強算法，由既往患者無造影劑圖像創建虛擬有造影劑圖像，并與真實有造影劑圖像進行驗證，實現從無造影劑圖像，建立虛擬有造影劑圖像模型，實現了新增患者無需服用造影劑就能得到虛擬有造影劑圖像，簡化治療程序，降低患者的治療成本。

第一方面，本發明的上述發明目的通過以下技術方案得以實現：

一種基于GAN的無造影劑醫學圖像增強建模方法，采用GAN增強算法，根據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，建立圖像目標分析模型。

本發明進一步設置為：采用GAN增強算法，包括創建生成器模型、鑒別器模型，生成器模型用于根據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據是虛擬有造影劑圖像數據或真實有造影劑圖像數據，根據鑒別結果，生成器模型修正下一次生成的虛擬有造影劑圖像數據，直至生成器模型生成的虛擬有造影劑圖像數據，被鑒別器模型鑒別為真，記錄為最終虛擬有造影劑圖像數據。

本發明進一步設置為：基于無造影劑圖像數據學習得到生成器分布，生成器模型G構建噪聲分布到數據空間的映射，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，調整生成器模型G參數、鑒別器模型D參數，以最小化log(1-D(G(r)))與最小化logD(Q)，即滿足如下公式：

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

本發明進一步設置為：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。

本發明進一步設置為：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、在子圖像中構建多層卷積網絡提取特征。