[发明专利]一种树状结构数据的图像与分割标签生成模型及应用

说明书

本发明提供一种树状结构数据的图像与分割标签生成模型及应用。所述模型包含基于少量专家知识设计的树状结构图像仿真器模型和基于形态损失函数的生成网络模型。本发明无需任何人工标注信息，即可以生成与真实目标图像风格极为相似的有标签仿真树状结构图像。此项技术可以针对各类医学图像中树状目标(如：大脑神经元，视网膜血管，肺部气管等)进行图像与分割标签生成，数据质量可达到人工标注数据的水平。本发明是首个具备自动生成分割级数据的模型，具有模型配置简单灵活、生成数据质量高，应用范围广泛的优势，可用于取代高成本高耗时的人工标注数据过程，有望彻底解决深度学习在处理医学树状图像分割问题时缺乏标注数据的瓶颈。

技术领域

本发明属于生物医学工程领域，涉及一种树状结构数据的图像与分割标签生成模型及应用。无需任何人工标注信息，即可以生成与真实树状结构图像极为相似的有标签仿真图像，是一种极具潜力的可以解决神经网络依赖高质量标注数据问题的技术，该项技术可以应用在大脑神经元，视网膜血管，肺部气管等多种场景，具有极为广泛的实用价值。

背景技术

树状结构的基本形态可以表示为一种层次的嵌套结构，具有多级分支、三维伸展的形态特征。从一个根节点出发，沿枝干生长形成分支，在每层的分叉节点进行一次分裂后继续生长，以此形成多层次的树结构。在生物医学图像处理中，树结构图像的分割具有广泛的应用场景，例如包括大脑神经元重建，视网膜血管分割，肺部气管分割等多种场景。

基于数据驱动的深度神经网络是一种可以对树结构图像进行高精确度分割的模型。但实现一个强鲁棒性的深度网络需要大量高质量的专家标注数据作为训练数据。然而，这种树结构图像的标注，尤其是3D图像的标注是极为费时费力的。不同的生物学家在对枝干图像进行分析时可能遗漏某些细微的结构，对一些由于显微镜成像水平限制造成前景的枝干信号淹没在背景噪声的区域，标注人员很难将其区分开。

为了降低获取标注数据的难度，从而帮助这类树结构图像可以使用深度学习这一强有力的模型，我们期望使用计算机模拟生成具有丰富特征的标注数据，来代替繁琐的手工标注工作。

基于计算机模拟的方法包含两大类：基于模型的方法和基于模拟的方法。

基于模型的方法对整个成像过程进行建模。为了使模拟图像更真实，必须仔细考虑许多细节，包括枝干的长度，枝干半径、图像像素强度(或颜色)、成像的特征、噪声等，即使需要从真实图像中详细了解或统计一些参数。用这种方法模拟图像是一项较为耗时耗力的任务，每当图像的条件发生变化时，参数都必须由专家进行调整。

基于学习的方法利用新兴的深度学习技术生成视觉逼真的图像。这类方法通过生成对抗网络学习真实图像中的特征。生成对抗模型主要包含生成器与判别器两个深度神经网络。生成器G的输入为随机数据z，其目标是尽可能的学习真实数据中学习相关知识，输出为G(z)。判别器D的输入为生成器的生成图像G(z)和真实图像x这两类，其作用使最大可能的区分真实图像与生成图像。在模型的每次迭代中，生成器尽可能的想生成与真实图像的相似图像，从而骗过判别器。而判别器尽可能的对真实图像与合成图像进行区分。通过对模拟图像的图像风格进行调整，使得模拟图像足够逼真。但这类方法生成的模拟图像均没有提供像素或体素级的标签，导致其在分割任务中的应用受限。

发明内容

针对上述树状图像分割任务缺乏高质量的训练数据的问题，本发明的目的是提供一种树状结构数据的图像与分割标签生成模型，是一种树状结构图像与分割标签的生成模型，该模型包含两个模块，第一模块为基于少量专家知识设计的树状结构图像仿真器模型，用于生成粗粒度的树状结构图像，第二模块为基于形态损失函数的生成网络模型，用于学习真实树状结构图像风格，对仿真图像细节进行调整。通过两个模块的树状结构图像生成模型，实现自动生成大量高质量的有标签的分割级训练数据，彻底解决深度学习中训练数据缺乏的瓶颈。

为实现上述目的，本发明所设计的一种树状结构数据的图像与分割标签生成模型，包括的两个模块如下：