[发明专利]一种用于合成医学图像的生成对抗网络

说明书

本发明公开了一种用于合成医学图像的生成对抗网络。生成器的拓扑结构为：具有8个层级，层级的等级为该层级学习的图像的分辨率的以2为底的对数；低等级层级学习的图像的分辨率加倍平滑过渡到高等级层级学习的图像的分辨率；卷积块的特征图为带有自注意力的特征图。判别器的拓扑结构与生成器相反，高等级层级学习的图像的分辨率折半平滑过渡到低等级层级学习的图像的分辨率；判别器的最低等级层级还包括批标准差；生成器和判别器使用WGAN‑GP的损失函数；使用标准正态分布初始化权重，在运行阶段放缩权重。相对于LapGAN和StackGAN等生成大分辨率的GAN网络，本发明训练过程中的大部分迭代都在低分辨率下完成，在保证合成图片质量的前提下大大加快了生成速度。

技术领域

本发明涉及计算机视觉的医学图像领域，特别是一种用于合成医学图像的生成对抗网络。

背景技术

随着计算能力的提高和各行业数据量的剧增，人工智能取得了快速发展。2014年Hinton的博士生lan Goodfellow提出了GAN网络(Generative Adversarial Networks生成对抗网络)，随后对于GAN的改进型在学术界研究的如火如荼，至今仍有很大的发展空间。

随着对GAN的不断研究，各个领域尝试将GAN和领域内的工作结合。自2017年起，GAN在医学图像领域的应用大幅上升，其中图像合成，去噪，重建，分割，检测和分类已成为GAN在医学图像领域的主要方向。监督深度学习是目前许多计算机视觉和医学图像分析任务中最先进的技术，但监督深度学习的主要限制因素是它依赖于大量带标签的训练数据。这在医学领域显得更加重要，因为医学图像的标注需要医学专家标注，医学图像的获取要获得专家的同意。另一方面，出于对病人隐私的保护，使得医学领域方面的公开的高质量数据集十分稀少，限制了深度学习在医学领域的发展。

随着SRGAN、BIGGAN等生成超分辨率的GAN网络问世，许多人尝试用GAN生成医学图像来填充数据集。SRGAN、BIGGAN虽然大大提高了生成图片的质量，但是只是对于自然图片效果较好，且对于医学图片质量的评判标准与自然图片的评判标准并不相同，对于医学图像效果仍然不尽人意，因此合成医学高分辨率图像仍然是一个亟待解决的难题。

发明内容

本发明的目的是提供一种用于合成医学图像的生成对抗网络。

实现本发明目的的技术方案是：

一种用于合成医学图像的生成对抗网络，包括生成器和判别器；

所述生成器的拓扑结构为：具有8个层级，层级的等级为该层级学习的图像的分辨率的以2为底的对数；低等级层级学习的图像的分辨率加倍平滑过渡到高等级层级学习的图像的分辨率；其中，等级为2的层级，每个卷积块包括一个隐藏层、三个卷积层和三个激活层，第一个卷积层卷积核大小为4*4，第二个、第三个卷积层卷积核大小均为3*3，每个激活层均使用LeakyRelu函数；等级为3到8的层级，每个卷积块包括一个上采样层、三个卷积层和三个激活层，每个卷积层卷积核大小均为3*3，每个激活层均使用LeakyRelu函数；等级为9的层级，每个卷积块包括一个上采样层、四个卷积层和四个激活层，第一个、第二个和第三个卷积层卷积核大小均为3*3，第四个卷积层卷积核大小为1*1，第一个、第二个和第三个激活层均为LeakyRelu层，第四个激活层使用Linear激活函数；所述卷积块，其特征图为带有自注意力的特征图，在每个卷积层之后使用像素归一化；

所述判别器的拓扑结构与生成器相反；其中，上采样层替换为下采样层，高等级层级学习的图像的分辨率折半平滑过渡到低等级层级学习的图像的分辨率；所述判别器的最低等级层级还包括批标准差；

所述生成器和判别器使用WGAN-GP的损失函数；使用标准正态分布初始化权重，在运行阶段放缩权重。

进一步的技术方案，所述上采样层，采用近邻插值方法。

进一步的技术方案，所述下采样层，使用平均池化的方法。