[发明专利]一种基于GAN的无造影剂医学图像增强建模方法

权利要求书

1.一种基于GAN的无造影剂医学图像增强建模方法，其特征在于：采用GAN增强算法，根据既往患者的无造影剂图像，生成既往患者的虚拟有造影剂图像，与既往患者的真实有造影剂图像进行训练，得到既往患者的最终虚拟有造影剂图像；再与既往患者的无造影剂图像进行融合，建立目标图像分析模型。

2.根据权利要求1所述基于GAN的无造影剂医学图像增强建模方法，其特征在于：采用GAN增强算法，包括创建生成器模型、鉴别器模型，生成器模型用于根据无造影剂图像生成虚拟有造影剂图像，鉴别器模型用于鉴别被分析数据是虚拟有造影剂图像数据或真实有造影剂图像数据，根据鉴别结果，生成器模型修正下一次生成的虚拟有造影剂图像数据，直至生成器模型生成的虚拟有造影剂图像数据，被鉴别器模型鉴别为真，记录为最终虚拟有造影剂图像数据。

3.根据权利要求2所述基于GAN的无造影剂医学图像增强建模方法，其特征在于：基于无造影剂图像数据学习得到生成器分布，生成器模型G构建噪声分布到数据空间的映射，生成虚拟有造影剂图片；鉴别器模型D鉴别虚拟有造影剂图片为真的概率，调整生成器模型G参数、鉴别器模型D参数，以最小化log(1-D(G(r)))与最小化log D(Q)，即满足如下公式：

式中，q表示真实有造影剂图像数据，r表示虚拟有造影剂图像数据，E表示期望值，表示源自真实有造影剂图像数据的期望，表示源自虚拟有造影剂图像数据的期望，G(z)表示数据z放入到生成器模型中得到的结果，D(G(r))表示将G(r)放入鉴别器模型D中继续鉴别，得到的结果；V表示包含有D/G两个参数的函数。

4.根据权利要求1所述基于GAN的无造影剂医学图像增强建模方法，其特征在于：采用目标检测算法，对既往患者的无造影剂图像、有造影剂图像进行分割，得到无造影剂图像目标图像、无造影剂图像背景图像、有造影剂图像目标图像、有造影剂图像背景图像。

5.根据权利要求4所述基于GAN的无造影剂医学图像增强建模方法，其特征在于：目标检测算法包括拆分图像为N个子图像、预测子图像边界框、在子图像中构建多层卷积网络提取特征。

6.根据权利要求5所述基于GAN的无造影剂医学图像增强建模方法，其特征在于：采用维度聚类作为锚框预测子图像边界框，预测每个边界框的四个坐标为t_x，t_y，t_w，t_h，结合每次预测的坐标偏移量C_x、C_y，计算下一个预测框的坐标(b_x、b_y、b_w、b_h)为：

b_x＝σ(t_x)+C_x；

b_y＝σ(t_y)+C_y；

式中，σ()表示多个预测框的平均值分布；p_w表示前一预测框的宽度，p_h表示前一预测框的高度，(t_x、t_y)(b_x、b_y)表示锚框中心坐标，t_w、b_w表示锚框宽度，t_h、b_h表示锚框高度。

7.根据权利要求5所述基于GAN的无造影剂医学图像增强建模方法，其特征在于：多层卷积网络包括卷积层、残差层、池化层、全连接层；卷积层，用于特征提取，以获取一定区域内主要的像素点；残差层，用于防止梯度爆炸；池化层，用于对输入的特征图进行压缩，提取主要特征；全连接层，用于将学习到的特征映射到样本标记空间，起分类器的作用。