本发明涉及数据处理,具体是一种基于gan的医疗ct图像数据扩增方法。
背景技术:
1、在现阶段新型冠状病毒给人类带来的挑战依然十分严峻,严重威胁着人类的健康问题。利用深度学习技术对肺部ct图像进行分析可以检测是否感染的情况,但训练检测模型需要大量带标注的图像,数据量过少容易出现过拟合的情况,往往因此导致模型检测准确度不高的问题。而传统的医学手段对数据进行采集和标注时,不仅耗时费力、成本高昂且容易导致患者暴露辐射以及涉及患者的隐私问题,使得短时间内无法获得大量的ct图像用于检测模型的训练。
2、针对医学图像缺乏的问题,目前常用的图像扩增方法大多是基于深度学习的方法,尤其是利用生成对抗网络来扩增图像。较为经典的是基于上下文感知的生成对抗网络的ct图像合成方法,该方法从配对的mr图像生成对应的ct图像,但却存在着不同模态图像匹配度结果会影响ct图像生成的弊端,且获取配对准确的mr图像和ct图像是十分困难且成本高昂的;为了解决此问题,又有人提出dualgan和cyclegan架构,从而实现无需配对的不同模态图像转化,然而该方法算可以实现ct图像的生成,却受限于需要同时具备两个不同模态的图像。
3、训练新型冠状病毒是否感染到肺部的检测模型,需要具有感染区域多样性的ct图像参与训练以应对位置ct图像感染区域的预测。但目前并没有可以用通过模态转化生成受感染的ct图像的其他模态数据,而且通过此类方法也会存在丢失部分特征信息的问题,因此难以实现批量扩增受感染的ct图像。针对ct图像稀缺现状,如何在低成本、低耗时的前提下,设计一种高质量的图像扩增的方法,是当下亟需解决的难题。
技术实现思路
1、针对上述背景技术中提出的目前肺部新型冠状病毒感染ct图像稀缺和难以批量扩增受感染的ct图像的问题,本发明提供了一种基于gan的医疗ct图像扩增方法。
2、为实现以上目的,本发明通过以下技术方案予以实现:
3、一种基于gan的医疗ct图像数据扩增方法,包括以下步骤:
4、步骤1、使用生成对抗网络模型进行标签扩增;
5、步骤2、使用图像处理技术融合生成新的标签图像;
6、步骤3、ct图像生成。
7、优选地,所述使用生成对抗网络模型进行标签扩增,具体为使用vae-gan来扩增图像区域的分割标签,增加数据多样性,并以扩增标签作为分割标签以减少标注的过程。
8、优选地,所述使用图像处理技术具体为使用泊松编辑的图像处理方法,实现不同区域、数量分割标签的插入,用于扩增分割标签的多样性以及生成图像的多样性。
9、优选地,所述ct图像生成,具体为引入erunet作为生成器结构以减少信息的损失,保留更多特征信息,使用cgan作为图像生成模型进行ct图像生成。
10、综上所述,本发明提供了一种基于gan的医疗ct图像扩增方法,通过使用生成对抗网络模型进行标签扩增、使用图像处理融合生成新的标签图像、ct图像生成共三个步骤实现了扩增ct图像的方法,避免了现有的不同模态图像之间转换方法的局限性,有效的实现了可编辑的ct图像扩增。
1.一种基于gan的医疗ct图像数据扩增方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于gan的医疗ct图像数据扩增方法,其特征在于,步骤1所述的生成对抗网络模型,具体为vae-gan模型,以此扩增图像区域的分割标签,增加数据多样性,并以扩增标签作为分割标签以减少标注的过程。
3.根据权利要求1所述的一种基于gan的医疗ct图像数据扩增方法,其特征在于,步骤2所述的图像处理技术为使用泊松编辑的图像处理方法,通过泊松编辑实现不同区域、数量分割标签的插入,用于扩增分割标签的多样性以及生成图像的多样性。
4.根据权利要求1所述的一种基于gan的医疗ct图像数据扩增方法,其特征在于,步骤3所述的ct图像生成,具体为引入erunet作为生成器结构以减少信息的损失,保留更多特征信息,使用cgan作为图像生成模型进行ct图像生成。