基于GAN的医学图像仿真数据集生成算法

发布时间：2021-11-16 03:19

　　基于生成对抗网络（generative adversarial networks,GAN）,提出了面向肝脏肿瘤CT图像仿真数据集生成深度学习算法.首先,将CT图像数据文件进行格式解析,单独保存为PNG格式的图像文件;然后,将肝脏病变区域统一标注为白色,并结合肝脏CT原图组成配对图片;最后,用生成对抗网络的pix2pix架构仿真生成病变肝脏图像.为将生成图像与目标图像进行定量分析、比较,本文采用了峰值信噪比和结构相似性作为模型的评价指标.实验结果表明,本文算法所生成的肝脏肿瘤CT仿真数据集的平均峰值信噪比为64. 72 d B,平均结构相似性为0. 997 3,证明了所生成的仿真图像数据有着非常高的真实度. 

【文章来源】：东北大学学报(自然科学版). 2020,41(03)北大核心EICSCD

【文章页数】：5 页

【部分图文】：

鉴别器网络

2)本文模型是通过对pix2pixGAN[6]的改进来实现含有肿瘤的肝脏CT图像的仿真生成，如图1所示，该模型需要将CT肝脏原图与病变区域进行配对，并将该配对图像作为生成对抗网络的输入．因此，本文将肝脏CT图像中被标记为肿瘤的像素变为白色，称这个过程为“白化”，本文将原图与“白化”后的图像进行配对，得到“配对一”;然后将其送入生成器中，得到1张合成的图像，该合成图像与“白化”图像进行配对，得到“配对二”;再将配对一和配对二同时送入鉴别器中，由鉴别器判断两个配对的相似程度．生成器和鉴别器在模型训练的过程中反复对抗，最终实现对“白化”区域中像素仿照肝脏肿瘤的灰度、纹理、形状进行填充，从而得到合成的有病变的肝脏CT图像数据．图1中，G表示生成器，D表示鉴别器，y表示原始图像，x表示对原始图像进行“白化”操作后得到的结果，G(x)表示生成器得到的结果．3)将配对后的图片送入生成对抗网络中训练．生成对抗网络中的生成器输入病变白化的图片，然后使生成的图片中白化区域被智能填充而其他的区域则最大程度维持不变．生成的图片与真实的图片被送入鉴别器网络中进行真假鉴别，并且将损失反馈给生成器，两者不断对抗，相互优化，直至生成图片的质量达到最佳效果．

算法整体方案流程图

【参考文献】：
期刊论文
[1]生成对抗网络模型的基本介绍和应用综述[J]. 冯杰,班彪华.  现代计算机(专业版). 2019(04)
[2]生成式对抗网络在医学图像处理中的应用[J]. 潘丹,贾龙飞,曾安,Song Xiaowei.  生物医学工程学杂志. 2018(06)
[3]生成对抗网络在医学图像处理中的应用[J]. 陈锟,乔沁,宋志坚.  生命科学仪器. 2018(Z1)
[4]计算机图像处理技术在医学影像中的进展与应用研究[J]. 刘泽宇,郭炜婷.  中国卫生标准管理. 2018(09)



本文编号：3498057