一种基于GAN的医疗CT图像数据扩增方法与流程

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。

技术特征：

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。

技术总结
本发明提出了一种基于GAN的医疗CT图像扩增方法，包括如下步骤：使用生成对抗网络模型进行标签扩增；使用图像处理技术融合生成新的标签图像；CT图像生成。本发明提供生成不同感染区域的标签并通过泊松融合以增加生成图像的多样性，通过训练生成对抗网络模型实现图像的转换生成，以达到扩增CT图像的目的。

技术研发人员：张越,赖春媚,周涛
受保护的技术使用者：广州图灵科技有限公司
技术研发日：
技术公布日：2024/1/13