[发明专利]一种基于GAN的无造影剂医学图像增强建模方法

说明书

本发明公开了一种基于GAN的无造影剂医学图像增强建模方法，涉及医学图像处理技术领域，本申请采用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，建立图像目标分析模型。本申请建立的虚拟有造影剂图像模型，实现了新增患者无需服用造影剂就能得到虚拟有造影剂图像，简化治疗程序，降低患者的治疗成本。

技术领域

本发明涉及医学图像处理技术领域，尤其是涉及一种基于GAN 的无造影剂医学图像增强建模方法。

背景技术

目前，医学上基于图像对人体部位进行判断，是一种常用的方法，为了得到人体某一部位的图像，需要给病人注入血管造影剂，在给病人造成痛苦的同时，由于血管造影剂在体内难以彻底排出，并存在多种过敏反应，给病人带来了已知与未知风险。

磁共振血管造影具有很高的临床价值，但是由于血管造影剂自身成分的问题，部分患者对其有不同程度不同类型的过敏反应，体内残留物对患者的病理影响还处于尚不明确的状态，存在一定未知隐患。单纯从改进血管造影剂的方面进行技术改进来看，尚无较大进展。

因此，如何基于既往患者的图像，得到新增患者的图像，是目前亟待解决的问题。

发明内容

本发明的目的是提供一种基于GAN的无造影剂医学图像增强建模方法，基于既往患者无造影剂图像与真实有造影剂图像，采用GAN 增强算法，由既往患者无造影剂图像创建虚拟有造影剂图像，并与真实有造影剂图像进行验证，实现从无造影剂图像，建立虚拟有造影剂图像模型，实现了新增患者无需服用造影剂就能得到虚拟有造影剂图像，简化治疗程序，降低患者的治疗成本。

第一方面，本发明的上述发明目的通过以下技术方案得以实现：

一种基于GAN的无造影剂医学图像增强建模方法，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，建立图像目标分析模型。

本发明进一步设置为：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。

本发明进一步设置为：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logD(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。

本发明进一步设置为：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。

本发明进一步设置为：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。