[发明专利]基于生成对抗网络的脑瘤分割数据增强方法

说明书

本发明涉及脑瘤图像处理技术领域，具体公开了一种基于生成对抗网络的脑瘤分割数据增强方法，该方法构建了图像到图像转换框架——TumorGAN网络架构(包括生成器、全局判别器和局部判别器)，该网络架构可以从n个真实数据对(带分割标签的多模态脑瘤图片集)中合成n²‑n个虚拟图像对，并通过训练得到数据增强模型，保证数据增强模型所合成图像的质量和真实性；基于语义标签提供的注意力区域，在生成器中增加了区域感知损失函数和区域损失函数，帮助训练具有真实性的图像到图像翻译模型，能够保留图像细节，并提高模型的泛化性能；应用局部判别器，与全局判别器配合使用，可提高判别效率，并帮助模型生成具有更真实纹理细节的医学图像对。

技术领域

本发明涉及脑瘤图像处理技术领域，尤其涉及一种基于生成对抗网络的脑瘤分割数据增强方法。

背景技术

脑肿瘤是一种常见的神经系统疾病，在中国，作为一种常见的高发疾病，其发病率已达1.34/10万，在美国，每年有超过20万的病人被诊断为原发性或转移性脑肿瘤。在全身肿瘤的发病率中，脑瘤的发病率仅次于胃、子宫、乳腺及食管等部位肿瘤的发病率，约占全身肿瘤的2％，而死亡比例也已超过2％。据调查，脑肿瘤在儿童患者中所占比例最高，其次发病率最高的是20-50岁的青壮年，其中神经胶质瘤患者数量最多。在儿童恶性肿瘤中，脑肿瘤发病率排名第二，仅位于白血病之后，脑肿瘤有120多种不同类型，使有效治疗变得非常复杂。按其起源部位进行分类可分为源于颅内组织的原发性颅内肿瘤(一般发生在颅内脑膜、胶质细胞、脑下垂体、淋巴组织以及神经系统等位置)和由于身体远隔部位发生转移或者邻近部位延伸到颅内的继发性颅内肿瘤；按其生物学行为可分为良性颅内肿瘤和恶性颅内肿瘤；按组织病理类型可以分为胶质瘤、垂体瘤、脑膜瘤等；按发病部位可以分为大脑半球，小脑，脑干、颅底等。神经胶质瘤是最普遍的原发性胶质瘤，占成人恶性脑肿瘤的70％，被世界卫生组织(WHO)划分为四个等级，属于一二级的良性胶质瘤(Low GradeGliomas，LGG)较属于三四级的恶性胶质瘤(High Grade Gliomas，HGG)有更长的存活时间和存活几率。

随着医学影像技术的不断发展，诊断肿瘤的手段主要包括计算机断层扫描(Computer Tomography，CT)、核磁共振成像(Magnetic Resonance Imaging，MRI)、共振波谱(Magnetic Resonance Spectrum，MRS)以及正电子发射断层成像(Positron EmissionTomography，PET)等技术。作为一项非入侵式脑瘤诊断的标准技术，MRI是医学诊断和治疗的重要组成部分，它利用磁共振现象从大脑中获得电磁信号，以此来重建出脑部信息并为大脑提供一个有效的解剖成像，从而增加医学诊断者的诊断能力。

大脑自身结构复杂，包括脑皮层、灰质、白质和脑脊液等多种组织，且每种组织结构形状复杂；不同组织之间的灰度分布不均匀，存在相互交叠的现象；不同病人或者同一病人在不同年龄段的组织结构差异较大；脑瘤可以分布在大脑的任意区域，几乎可以变成任意大小和形状，而且MRI图像自身存在第三维度分辨率低、图像灰度分布不均等问题，因此对脑瘤图像进行精确的分割仍是现在社会所面临的一个巨大挑战。

精细的肿瘤分割模型对于肿瘤早期诊断和后期进行放射治疗至关重要。传统方法中，具有医学专业背景的人员会对MRI图像进行标注，得到肿瘤信息的语义分割标签，然后在MRI图像和语义分割标签之间找到映射函数来完成肿瘤分割。但是，医学图像分割标签的标注是一项很难的挑战，因为它十分耗时并且需要医学专家。缺少合适的肿瘤分割标签限制了以数据驱动的医学图像分割(例如基于深度学习的方法)的潜力。像旋转、镜像这样的数据增强是扩展标记样本的数据集的一种可能方法。但是，这些方法不足以表示形状、位置和病理的变化。