[发明专利]基于生成对抗网络的脑瘤分割数据增强方法

权利要求书

1.基于生成对抗网络的脑瘤分割数据增强方法，其特征在于，包括步骤：

S1.构建TumorGAN网络架构，所述TumorGAN网络架构包括生成器、全局判别器和局部判别器，并设计有损失函数，所述损失函数由对抗损失函数、区域损失函数以及区域感知损失函数线性组合而成；

S2.将带分割标签的多模态脑瘤图片集作为训练集输入到所述TumorGAN网络架构中进行训练，得到数据增强模型；

在一次训练过程中：

所述生成器的输入图像包括第一患者、第二患者之间的虚拟语义标签图像和第一患者的大脑图像；所述虚拟语义标签图像由所述第一患者对应于其大脑图像的语义标签中的肿瘤区域和所述第二患者对应于其大脑图像的语义标签中的大脑背景合成；所述生成器的输出数据为增强合成图像；

所述全局判别器的输入图像包括所述增强合成图像、所述虚拟语义标签图像，和所述第二患者的大脑图像及其对应的语义标签；

所述局部判别器的输入图像为对所述增强合成图像或所述第二患者的大脑图像裁剪后的第一图像；

所述损失函数的表达式为：

其中，表示所述损失函数，表示所述区域感知损失函数，表示所述区域损失函数，表示所述对抗损失函数，λ、μ、γ分别表示所述区域感知损失函数、所述区域损失函数和所述对抗损失函数的权重常数；

所述对抗损失函数的表达式为：

L_adv＝L_g(D_g,G)+L_l(D_l,G) (2)

其中，G表示所述生成器，D_g表示所述全局判别器，D_l表示所述局部判别器，L_g(D_g,G)表示所述全局判别器D_g和所述生成器G之间的对抗损失，L_l(D_l,G)表示所述局部判别器D_l和所述生成器G之间的对抗损失；

所述区域感知损失函数的表达式为：

其中，y^tis和y^tum分别表示所述增强合成图像y的组织区域和肿瘤区域，表示所述第二患者b的组织区域的掩膜，表示第一患者a的脑瘤区域的掩膜，表示所述第二患者b的大脑图像x_b的组织区域，x^tum表示所述生成器的输入图像x的肿瘤区域；φ_i,j表示在第i最大池化层之前的第j个卷积层后特征图，φ_k,j表示在第k最大池化层之前的第j个卷积层后特征图，i、j、k≥1；φ_3,4表示在第三最大池化层之前的最后一个卷积层后特征图，φ_4,4表示第四最大池化层之前的最后一个卷积层后特征图，E表示条件期望函数，λ₁、λ₂、λ₃分别表示对应条件期望函数的权重常数；

所述区域损失函数的关系式为：

其中，y^tis表示所述增强合成图像y的组织区域，表示所述第二患者b的大脑图像x_b的组织区域。

2.如权利要求1所述的基于生成对抗网络的脑瘤分割数据增强方法，其特征在于：所述第一图像的大小为64×64像素。

3.如权利要求1所述的基于生成对抗网络的脑瘤分割数据增强方法，其特征在于，λ：μ：γ＝1：1000：1000。

4.如权利要求1所述的基于生成对抗网络的脑瘤分割数据增强方法，其特征在于：λ₁：λ₂：λ₃＝1：100：100。