[发明专利]一种医学影像的增强方法、装置、设备和介质

权利要求书

1.一种医学影像增强方法，其特征在于：包括下述步骤：

S1、获取待处理医学影像的输入特征图作为数据集，将数据集随机选取部分图像作为训练集，并构建ACGAN改进模型；所述ACGAN改进模型使用Wasserstein距离计算生成数据和真实数据的差别进行真假判别，并使用梯度惩罚来代替权值裁剪实现K-Lipschitz条件，在损失函数加入梯度惩罚项L_gp，使整体训练的损失函数为：

公式2中，L_s为记录数据真假判断的损失，L_c为记录数据分类的损失，D代表判别器，G代表生成器，P_data代表真实分布，P_z代表随机分布；表示判别器对真实数据的预测与真实数据之间的差距，表示判别器对生成数据的预测与真实数据之间的差距，表示判别器对真实数据的分类结果与真实数据的类别之间的差距，表示判别器对生成数据的分类结果与生成数据的类别之间的差距；为梯度惩罚项L_gp，表示梯度；||·||₂为2范数；λ为惩罚系数,其中x～P_data,ε～U[0，1]，为生成样本，U为均匀分布；为采样分布；

S2、将所述训练集输入到所述ACGAN改进模型进行训练，保存最佳模型；最佳模型即利用深度学习框架训练网络，将训练完成后的最佳权值保存下来得到的，其训练过程如下：

首先生成器接收一组带标签的随机噪声作为输入，输出一组同真实样本相同大小的伪样本，输入判别器中，同时，抽取部分带标签的样本输入判别器中，判别器接收真实样本和伪样本，输出样本的真假性以及类别概率，并根据损失函数计算判别器网络损失值，使用RMSProp优化器更新网络参数；

训练判别器后，组合结构开始训练，在这一阶段，保持判别器网络权重不变，同样基于损失函数计算生成器网络损失值，采用RMSprop优化器更新网络参数，在每一次更新生成器网络参数之前，先执行判别器网络参数的更新以提高训练速度；

在训练完组合结构后，即一个epoch结束，训练过程重新开始，通过足够多次数的迭代训练，整个模型在判别器和生成器损失函数的损失值上达到纳什均衡；

S3、将数据集输入训练好的ACGAN改进模型中，通过生成器输出合成图像，将合成图像加入所述数据集中进行数据增强，得到增强后数据集；

S4、将所述ACGAN改进模型中的判别器作为样本特征提取器，对所述增强后数据集进行特征提取，得到样本特征图；

S5、将所述样本特征图与所述输入特征图进行融合，生成所述待处理医学影像的增强图像。

2.根据权利要求1所述的一种医学影像增强方法，其特征在于：所述步骤S1获取待处理图像的输入特征图后，还对所述输入特征图进行增广处理，包括旋转、平移、缩放、亮度变换中的一种或多种方法得到新样本图像，将新样本图像加入到数据集中，将数据集处理成相同尺寸的图像并进行分类，再转化为h5格式文件；其中数据集随机选取部分图像将放入另一文件中，并将格式转化为h5格式文件作为所述训练集。

3.根据权利要求1所述的一种医学影像增强方法，其特征在于：所述ACGAN改进模型的优化器使用RMSProp方法进行优化。

4.根据权利要求1所述的一种医学影像增强方法，其特征在于：所述步骤S2中的最佳模型为权值最佳的模型；所述步骤S4中，所述样本特征图为所述判别器的中间层数据作为原始样本的另一种表达。