[发明专利]基于生成对抗模型识别肝肿瘤的方法及装置

权利要求书

1.一种基于生成对抗模型识别肝肿瘤的方法，其特征在于，包括如下步骤：

S1、建立并训练生成对抗模型；

S2、基于所述生成对抗模型，训练分类网络；

S3、将待判别图像输入所述分类网络，其输出即为判别结果。

2.根据权利要求1所述的基于生成对抗模型识别肝肿瘤的方法，其特征在于，所述生成对抗模型包括第一变分自编码器模型VAE1、第二变分自编码器模型VAE2、第一判别网络D1和第二判别网络D2，S1具体包括如下步骤：

S11、固定第一变分自编码器模型VAE1的参数，以公共图片数据库中的数据集为输入生成模型输出图片，结合肝肿瘤数据集中的非肿瘤图片，对第一判别网络D1进行训练；

S12、固定第二变分自编码器模型VAE2的参数，以公共图片数据库中的数据集为输入生成模型输出图片，结合肝肿瘤数据集中的肿瘤图片，对第二判别网络D2进行训练；

S13、分别固定所述第一判别网络D1和第二判别网络D2的参数，使用所述公共图片数据库中的数据集，对所述第一变分自编码器模型模型VAE1和第二变分自编码器模型VAE2进行训练；

S14、重复步骤S11、S12、S13，直到所述生成对抗模型训练完成。

3.根据权利要求2所述的基于生成对抗模型识别肝肿瘤的方法，其特征在于，S2具体包括如下步骤：

S21、将公共图片数据库中的数据集输入第一变分自编码器模型VAE1，获得第一类输出图像并添加非肿瘤标签；将公共图片数据库中的数据集输入第二变分自编码器模型VAE2，获得第二类输出图像并添加肿瘤标签；使用所述第一类输出图像和第二类输出图像对所述分类网络进行训练；

S22、使用肝肿瘤数据集对所述分类网络进行进一步训练，使其能对肝肿瘤进行识别。

4.根据权利要求2所述的基于变分生成对抗模型识别肝肿瘤的方法，其特征在于：所述第一变分自编码器模型VAE1和第二变分自编码器模型VAE2分别包括13层的变分自编码器生成模型网络，其中包含6层编码网络和7层解码网络。

5.根据权利要求4所述的基于变分生成对抗模型识别肝肿瘤的方法，其特征在于：所述编码网络第一层卷积层为64个大小为11×11的滤波器，第二层和第三层卷积层为256个大小为7×7的滤波器，第四层为滤波器大小为2×2的最大池化层，第五层卷积层为256个大小为5×5的滤波器，第六层卷积层包含两个分支输出OUT1和OUT2，分别包含128个大小为3×3的滤波器，其中卷积层激活函数为relu函数。

6.根据权利要求4所述的基于变分生成对抗模型识别肝肿瘤的方法，其特征在于：所述解码网络输入为N(OUT1，OUT2)，第一层和第二层卷积层为256个大小为3×3的滤波器，第三层为滤波器大小为2×2的上采样层，第四层和第五层卷积层为256个大小为5×5的滤波器，第六层卷积层为128个大小为7×7的滤波器，第七层卷积层为1个大小为3×3的滤波器，之后对输出图像进行阈值为0.5的二值化，其中卷积层激活函数为relu函数。

7.根据权利要求2所述的基于变分生成对抗模型识别肝肿瘤的方法，其特征在于：所述第一判别网络D1和第二判别网络D2分别包括9层网络，其中各层依次为卷积层、卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层，以及包含1024个节点的全连接层FC1和包含1个节点的全连接层FC2，其中卷积层激活函数为relu函数，全连接层FC1激活函数为tanh函数，全连接层FC2激活函数为sigmoid函数。

8.根据权利要求3所述的基于变分生成对抗模型识别肝肿瘤的方法，其特征在于：所述分类网络包括17层的卷积神经网络，其中各层依次为卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层，以及包含1024个节点的全连接层FC1和包含1个节点的全连接层FC2，其中卷积层激活函数为relu函数，全连接层FC1激活函数为tanh函数，全连接层FC2激活函数为sigmoid函数。