一種腦血管圖像-標簽兩階段生成方法、裝置及存儲介質制造方法及圖紙

本發明專利技術一種腦血管圖像

【技術實現步驟摘要】
一種腦血管圖像
?
標簽兩階段生成方法、裝置及存儲介質


[0001]本專利技術屬于圖像生成
，具體涉及一種腦血管圖像
?
標簽兩階段生成方法、裝置及存儲介質。

技術介紹

[0002]腦血管圖像分割任務中，有監督的深度學習分割方法需要使用大量成對的圖像
?
標簽數據訓練網絡模型。然而大量的訓練數據難以獲取，網絡模型分割性能受到了數據量不足的制約。盡管裁剪、翻轉等傳統的數據增強方法在一定程度上解決了數據量不足問題，但是此類方法產生的樣本多樣性有限，難以包含訓練樣本以外的解剖變異，因此需要一種自動圖像生成方法大量生成所需的訓練數據。
[0003]現有的腦血管圖像
?
標簽生成方法為將隨機噪聲輸入生成器直接生成圖像和標簽，即單階段生成方式。這種方式生成的圖像
?
標簽數據分布接近于訓練數據的總體分布，然而在樣本多樣性得到提升的同時犧牲了一部分的圖像局部信息。在腦血管分割任務中，分割網絡更關注血管及周邊部分的體素，這部分體素決定了分割血管的邊緣。圖像中血管處的紋理結構不夠清晰，生成的標簽連通性較差，無法保證生成血管部分體素的精確度。同時，現有的方法進行的訓練依然需求龐大的數據量。

技術實現思路

[0004]針對現有技術的不足，本專利技術提出一種腦血管圖像
?
標簽兩階段生成方法，包括以下步驟：
[0005]步驟1、將有標簽腦血管圖像的圖像數據及標簽數據進行預處理，并隨機生成N維噪聲，將N維噪聲、預處理后的圖像數據及標簽數據做為訓練集1；
[0006]步驟2、將無標簽腦血管圖像進行拓撲結構約束分割出偽標簽，將偽標簽數據做為訓練集2；
[0007]步驟3、構建腦血管圖像
?
標簽兩階段生成對抗網絡模型，所述模型包括串級的標簽生成網絡及圖像生成網絡；
[0008]步驟4、將訓練集1及訓練集2分別輸入腦血管圖像
?
標簽兩階段生成對抗網絡模型進行訓練，獲得訓練完成的腦血管圖像
?
標簽兩階段生成對抗網絡模型；
[0009]步驟5、將N維噪聲輸入到訓練完成的腦血管圖像
?
標簽兩階段生成對抗網絡模型，獲得圖像
?
標簽數據對，進而生成完整的腦血管圖像。
[0010]進一步地，所述的步驟1具體如下：對圖像數據及標簽數據進行歸一化處理及數據增強，并利用隨機分布生成N維噪聲，將N維噪聲、數據增強后的圖像數據及標簽數據均轉換為并行訓練形式，構成訓練集1。
[0011]進一步地，步驟2所述的拓撲結構約束采用U
?
Net結合混合損失函數約束。
[0012]進一步地，所述的步驟3中，
[0013]標簽生成網絡：包括標簽生成器及標簽判別器；用于將隨機噪聲的分布映射至腦
血管標簽的分布并進行訓練，生成腦血管標簽發送到圖像生成網絡；
[0014]圖像生成網絡：包括圖像生成器及圖像判別器；用于對接收到的腦血管標簽添加紋理結構，并通過訓練增加紋理的真實性，進而生成完整的腦血管圖像。
[0015]進一步地，所述的標簽生成網絡中，
[0016]標簽生成器由多個解碼模塊及一個特征融合模塊組成，每個解碼模塊包含一個固定步長的三維反卷積，并連接批次歸一化(Batch Normalization)及Leaky ReLU激活函數；最后一層特征融合模塊采用固定步長的三維反卷積，輸出通道大小固定的圖像并使用激活函數限定輸出值范圍；
[0017]標簽判別器由多個特征提取模塊及一個全連接層組成，每個特征提取模塊包含一個固定步長的三維卷積、實例歸一化(Instance Normalization)及一個Leaky ReLU激活函數；最后一層模塊輸出的特征圖經過壓平(flatten)操作輸入全連接層。
[0018]進一步地，所述的圖像生成網絡中，
[0019]圖像生成器由編碼模塊及解碼模塊組成；編碼模塊由多個卷積塊連接組成；每個卷積塊由固定步長的三維卷積連接實例歸一化及Leaky ReLU激活函數組成；解碼模塊由多個固定步長的三維反卷積相連接組成；三維反卷積之間通過批實例歸一化
?
Leaky ReLU激活函數連接；最后一層解碼模塊采用固定步長的三維反卷積，輸出通道值與標簽圖像通道值一致并使用激活函數限定輸出值范圍；
[0020]圖像判別器由多個特征提取模塊及一個特征融合模塊組成：每個特征提取模塊包含一個固定步長的三維卷積、實例歸一化及一個Leaky ReLU激活函數；特征融合模塊包含一個固定步長的三維卷積。
[0021]進一步地，所述圖像判別器中的特征提取模塊的數目由輸出的特征圖決定，輸出的特征圖在三個維度上不全為1。
[0022]進一步地，所述的步驟4具體如下：
[0023]步驟4.1、參數初始化，包括：設定訓練次數閾值、訓練批次大小、網絡參數生成器學習率、判別器學習率及隨機初始化網絡權重；
[0024]步驟4.2、將N維隨機噪聲輸入腦血管圖像
?
標簽兩階段生成對抗網絡模型進行前向傳播，獲得生成的腦血管標簽及圖像；
[0025]步驟4.3根據生成的腦血管標簽及圖像，對比真實的腦血管標簽及圖像，利用損失函數計算腦血管圖像
?
標簽兩階段生成對抗網絡模型的訓練誤差。
[0026]步驟4.4、根據獲得的訓練誤差反向傳播更新優化網絡參數；
[0027]步驟4.5、判斷訓練次數是否達到所設定的訓練次數閾值，若是，則訓練完成，保存網絡模型參數，否則，返回執行步驟4.2。
[0028]一種腦血管圖像
?
標簽兩階段生成裝置，包括：
[0029]處理器；
[0030]存儲介質：用于存儲一個或多個程序；
[0031]當所述一個或多個程序被處理器執行時，使得所述處理器實現如權利要求1至8中任一項所述的方法。
[0032]一種計算機可讀存儲介質，其存儲有計算機程序，該程序被處理器執行時實現如權利要求1至8中任一項所述的方法。
[0033]本專利技術的優點：
[0034]本專利技術腦血管圖像
?
標簽兩階段生成方法，利用偽標簽與真實數據輸入兩階段生成對抗網絡模型分別生成腦血管圖像與標簽，生成出的腦血管圖像在血管周圍體素更清晰，血管標簽連通性強；應用于分割任務中的數據增強可以使從腦血管圖像分割出的腦血管結構精度更高，便于輔助后續的病理圖像診斷；同時，偽標簽的使用緩和了醫學圖像標簽數據不足的情況。
附圖說明
[0035]圖1為本專利技術一種實施例的腦血管圖像
?
標簽兩階段生成方法流程圖；
[0036]圖2為本專利技術一種實施例的腦血管圖像
?
標簽兩階段生成對抗網絡模型的結構示意圖；
[0037]圖3為本專利技術一種實施例的單階段生成方法，兩階段生成方法和真實本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種腦血管圖像
?
標簽兩階段生成方法，其特征在于：包括以下步驟：步驟1、將有標簽腦血管圖像的圖像數據及標簽數據進行預處理，并隨機生成N維噪聲，將N維噪聲、預處理后的圖像數據及標簽數據做為訓練集1；步驟2、將無標簽腦血管圖像進行拓撲結構約束分割出偽標簽，將偽標簽數據做為訓練集2；步驟3、構建腦血管圖像
?
標簽兩階段生成對抗網絡模型，所述模型包括串級的標簽生成網絡及圖像生成網絡；步驟4、將訓練集1及訓練集2分別輸入腦血管圖像
?
標簽兩階段生成對抗網絡模型進行訓練，獲得訓練完成的腦血管圖像
?
標簽兩階段生成對抗網絡模型；步驟5、將N維噪聲輸入到訓練完成的腦血管圖像
?
標簽兩階段生成對抗網絡模型，獲得圖像
?
標簽數據對，進而生成完整的腦血管圖像。2.根據權利要求1所述的腦血管圖像
?
標簽兩階段生成方法，其特征在于：所述的步驟1具體如下：對圖像數據及標簽數據進行歸一化處理及數據增強，并利用隨機分布生成N維噪聲，將N維噪聲、數據增強后的圖像數據及標簽數據均轉換為并行訓練形式，構成訓練集1。3.根據權利要求1所述的腦血管圖像
?
標簽兩階段生成方法，其特征在于：步驟2所述的拓撲結構約束采用U
?
Net結合混合損失函數約束。4.根據權利要求1所述的腦血管圖像
?
標簽兩階段生成方法，其特征在于：所述的步驟3中，標簽生成網絡：包括標簽生成器及標簽判別器；用于將隨機噪聲的分布映射至腦血管標簽的分布并進行訓練，生成腦血管標簽發送到圖像生成網絡；圖像生成網絡：包括圖像生成器及圖像判別器；用于對接收到的腦血管標簽添加紋理結構，并通過訓練增加紋理的真實性，進而生成完整的腦血管圖像。5.根據權利要求4所述的腦血管圖像
?
標簽兩階段生成方法，其特征在于：所述的標簽生成網絡中，標簽生成器由多個解碼模塊及一個特征融合模塊組成，每個解碼模塊包含一個固定步長的三維反卷積，并連接批次歸一化(Batch Normalization)及Leaky ReLU激活函數；最后一層特征融合模塊采用固定步長的三維反卷積，輸出通道大小固定的圖像并使用激活函數限定輸出值范圍；標簽判別器由多個特征提取模塊及一個全連接層組成，每個特征提取模塊包含一個固定步長的三...

【專利技術屬性】
技術研發人員：李孟歆，李松昂，樸東輝，呂凡，
申請(專利權)人：沈陽建筑大學，
類型：發明
國別省市：