基于生成對抗網(wǎng)絡(luò)（generative adversarial networks,GAN）,提出了面向肝臟腫瘤CT圖像仿真數(shù)據(jù)集生成深度學(xué)習(xí)算法.首先,將CT圖像數(shù)據(jù)文件進(jìn)行格式解析,單獨(dú)保存為PNG格式的圖像文件;然后,將肝臟病變區(qū)域統(tǒng)一標(biāo)注為白色,并結(jié)合肝臟CT原圖組成配對圖片;最后,用生成對抗網(wǎng)絡(luò)的pix2pix架構(gòu)仿真生成病變肝臟圖像.為將生成圖像與目標(biāo)圖像進(jìn)行定量分析、比較,本文采用了峰值信噪比和結(jié)構(gòu)相似性作為模型的評價(jià)指標(biāo).實(shí)驗(yàn)結(jié)果表明,本文算法所生成的肝臟腫瘤CT仿真數(shù)據(jù)集的平均峰值信噪比為64. 72 d B,平均結(jié)構(gòu)相似性為0. 997 3,證明了所生成的仿真圖像數(shù)據(jù)有著非常高的真實(shí)度. 

【文章來源】：東北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,41(03)北大核心EICSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

鑒別器網(wǎng)絡(luò)

2)本文模型是通過對pix2pixGAN[6]的改進(jìn)來實(shí)現(xiàn)含有腫瘤的肝臟CT圖像的仿真生成，如圖1所示，該模型需要將CT肝臟原圖與病變區(qū)域進(jìn)行配對，并將該配對圖像作為生成對抗網(wǎng)絡(luò)的輸入．因此，本文將肝臟CT圖像中被標(biāo)記為腫瘤的像素變?yōu)榘咨Q這個(gè)過程為“白化”，本文將原圖與“白化”后的圖像進(jìn)行配對，得到“配對一”;然后將其送入生成器中，得到1張合成的圖像，該合成圖像與“白化”圖像進(jìn)行配對，得到“配對二”;再將配對一和配對二同時(shí)送入鑒別器中，由鑒別器判斷兩個(gè)配對的相似程度．生成器和鑒別器在模型訓(xùn)練的過程中反復(fù)對抗，最終實(shí)現(xiàn)對“白化”區(qū)域中像素仿照肝臟腫瘤的灰度、紋理、形狀進(jìn)行填充，從而得到合成的有病變的肝臟CT圖像數(shù)據(jù)．圖1中，G表示生成器，D表示鑒別器，y表示原始圖像，x表示對原始圖像進(jìn)行“白化”操作后得到的結(jié)果，G(x)表示生成器得到的結(jié)果．3)將配對后的圖片送入生成對抗網(wǎng)絡(luò)中訓(xùn)練．生成對抗網(wǎng)絡(luò)中的生成器輸入病變白化的圖片，然后使生成的圖片中白化區(qū)域被智能填充而其他的區(qū)域則最大程度維持不變．生成的圖片與真實(shí)的圖片被送入鑒別器網(wǎng)絡(luò)中進(jìn)行真假鑒別，并且將損失反饋給生成器，兩者不斷對抗，相互優(yōu)化，直至生成圖片的質(zhì)量達(dá)到最佳效果．

算法整體方案流程圖

【參考文獻(xiàn)】：
期刊論文
[1]生成對抗網(wǎng)絡(luò)模型的基本介紹和應(yīng)用綜述[J]. 馮杰,班彪華.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2019(04)
[2]生成式對抗網(wǎng)絡(luò)在醫(yī)學(xué)圖像處理中的應(yīng)用[J]. 潘丹,賈龍飛,曾安,Song Xiaowei.  生物醫(yī)學(xué)工程學(xué)雜志. 2018(06)
[3]生成對抗網(wǎng)絡(luò)在醫(yī)學(xué)圖像處理中的應(yīng)用[J]. 陳錕,喬沁,宋志堅(jiān).  生命科學(xué)儀器. 2018(Z1)
[4]計(jì)算機(jī)圖像處理技術(shù)在醫(yī)學(xué)影像中的進(jìn)展與應(yīng)用研究[J]. 劉澤宇,郭煒婷.  中國衛(wèi)生標(biāo)準(zhǔn)管理. 2018(09)



本文編號：3498057