[发明专利]一种处理图像的多判别GAN网络构建方法、装置、系统和存储介质

说明书

本发明公开了一种处理图像的多判别GAN网络构建方法，其特征在于，包括如下步骤：(1)获取多类别图像数据集；(2)对数据集中的序列图像进行灰度值归一化，制作图像的分类标签；根据步骤(1)中的特定区域遮罩提取特定区域图像；(3)将数据集中的数据划分为训练集和测试集；(4)构建多判别GAN网络模型，包括生成模型G和判别模型；(5)构建损失函数，引导多判别GAN网络模型训练；(6)通过步骤(1)至(3)所获取制作的数据集和步骤(5)的损失函数，训练步骤(4)所构建的多判别GAN网络模型，生成逼真目标图像。本发明局部判别模型产生的区域梯度与整体判别模型产生的整体梯度产生叠加效应，提高生成目标图像和特定区域的图像质量。

技术领域

本发明涉及图像应用领域，尤其涉及一种处理图像的多判别GAN网络构建方法、装置、系统和存储介质。

背景技术

随着磁共振成像技术的不断发展，多参数磁共振成像技术已广泛应用于临床的各个方面，获取多参数的磁共振图像将极大地增加磁共振检查中的诊断信息，有助于医生更好地制定诊疗决策。但是，扫描时间、扫描费用以及患者自身等原因，可能会妨碍某些序列图像的获取，而已获取的序列图像也可能含有严重的噪声和伪影。在这种情况下，合成多种序列的高质量磁共振图像可以提供更多的诊断信息。对于多对比度合成，当前方法主要是通过非线性回归或确定性神经网络学习源图像和参照图像之间的非线性强度转换，但这些方法可能导致合成图像中结构细节的损失。

近年来，生成对抗网络(Generative Adversarial Networks,GAN)通过特征提取和目标生成的方式实现了推演图像的生成，使医学图像的生成和图像质量的提升不再单纯依赖硬件采集的原始数据，为医学图像的获取和图像质量的改进及图像的转化提供了新的思路和可能。Huang等利用基于上下文感知的GAN网络通过脑部的T1图像推演生成了T1ce序列，T2及Flair图像，该研究提升了脑胶质瘤评级的准确性，证明了推演图像在临床诊断中的潜在价值，但是其对于肿瘤区域的增强并不明显。

发明内容

发明目的：本发明的目的是提供一种能提高生成目标图像整体和局部的图像质量的处理图像的多判别GAN网络构建方法、装置、系统、存储介质及在脑部MRI的应用。

技术方案：本发明的多判别GAN网络构建方法，包括如下步骤：

(1)获取多类别图像数据集，所述数据集包括序列图像和特定区域遮罩；

(2)对数据集中的序列图像进行灰度值归一化，统一图像尺寸，制作图像的分类标签；根据步骤(1)中的特定区域遮罩提取特定区域图像；

(3)将数据集中的数据划分为训练集和测试集；

(4)构建多判别GAN网络模型；所述多判别GAN网络模型包括生成模型G和判别模型；

(5)根据生成模型G与判别模型之间的生成对抗关系，构建损失函数，引导多判别GAN网络模型训练；

(6)通过步骤(1)至(3)所获取制作的数据集和步骤(5)的损失函数，训练步骤(4)所构建的多判别GAN网络模型，生成逼真目标图像。

进一步，所述步骤(2)中，所述图像的分类标签为独热编码标签；提取特定区域图像的方案有两种：

方案一，由特定区域遮罩制作包围特定区域的边界框，边界框为区域的左上角横纵坐标以及边界框的长宽，根据边界框将特定区域裁剪出来；

方案二，由特定区域遮罩与图像进行点乘得到特定区域；如一张图片存在多个区域遮罩，则将多个点乘后的结果拼接为多个通道的图像。

进一步，所述步骤(4)中，所述判别模型包括整体判别模型D和局部判别模型D_R；