医学图像合成方法、装置及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111814891A(43)申请公布日2020.10.23(21)申请号202010681535.5(22)申请日2020.07.15(71)申请人大连东软教育科技集团有限公司地址116000辽宁省大连市甘井子区软件园路8-9号206室(72)发明人苏康李雪于丹来关军孙箫宇王澈(74)专利代理机构大连东方专利代理有限责任公司21212代理人陈丽李洪福(51)Int.Cl.G06K9/62(2006.01)G06T7/00(2017.01)G16H30/20(2018.01)权利要求书2页说明书6页附图2页(54)发明名称医学图像合成方法、装置及存储介质(57)摘要本发明提供了一种医学图像合成方法、装置及存储介质，该方法包括：获取源域图像数据集和目标域图像数据集，构建源生成式对抗网络，并设定网络损失函数；利用源域数据集对源生成式对抗网络进行训练，得到源域模型；利用聚类算法对目标域图像数据集中的目标域图像聚类；利用聚类后的目标域图像数据集对源域模型进行迁移学习，得到目标域模型；利用目标域模型生成合成图像。该方法中，对于CT图像的生成不仅依赖于小样本的目标域CT图像，而且结合源域图像的先验性知识，有选择地保留源域模型的大部分特征作为目标域模型的基础，实现了极少量CT训练数据条件下合成大量的高质量仿真CT图像的目的。CN111814891ACN111814891A权利要求书1/2页1.一种医学图像合成方法，其特征在于，所述方法包括：获取源域图像数据集和目标域图像数据集，所述目标域图像为CT图像；所述源域图像为与所述CT图像存在紧密联系的图像；构建源生成式对抗网络，并设定网络损失函数；利用所述源域数据集对所述源生成式对抗网络进行训练，得到源域模型；利用聚类算法对所述目标域图像数据集中的目标域图像聚类；利用聚类后的目标域图像数据集对所述源域模型进行迁移学习，得到目标域模型；利用所述目标域模型生成合成图像。2.如权利要求1所述的方法，其特征在于，获取源域图像数据集和目标域图像数据集之后，还包括：对所述源域图像数据集和所述目标域图像数据集中的图像进行预处理，所述预处理包括：图像裁剪、图像窗口选择、格式转换和直方图均衡化。3.如权利要求1所述的方法，其特征在于，利用所述源域数据集对所述源生成式对抗网络进行训练，得到源域模型，包括：采用渐进式生成的方式对所述源生成式对抗网络进行训练，图像从低分辨率到高分辨转换以双线性插值的形式完成。4.如权利要求3所述的方法，其特征在于，所述源生成式对抗网络以渐进式对抗生成网络作为网络模型，以梯度惩罚的沃瑟斯坦损耗为网络损失函数；所述损失函数为：其中，D和G分别代表判别器和生成器，y～P(data)表示y服从于原始数据data的分布，x～P(x)表示x服从于假设的高斯分布，D(y)表示判别器D的损耗值，G(x)表示生成器G的损耗值，V(G,D)表示联合判别器和生成器的损耗值。5.如权利要求1所述的方法，其特征在于，所述利用聚类后的目标域图像数据集对所述源域模型进行迁移学习，得到目标域模型，包括：保留所述源域模型的部分结构和模型参数；利用所述目标域图像对所述源域网络微调训练，更新模型参数，获得迁移后的目标域模型。6.如权利要求1所述的方法，其特征在于，所述目标域图像为脑部CT图像，所述源域图像为脑部磁共振成像图像。7.如权利要求1所述的方法，其特征在于，利用所述目标域模型生成合成图像，包括：利用所述目标域模型将多维高斯分布采样得到的数据点转换为生成的CT图像，所述生成的CT图像为合成图像。8.一种医学图像合成装置，其特征在于，所述装置包括：获取单元，用于获取源域图像数据集和目标域图像数据集，所述目标域图像为CT图像；所述源域图像为与所述CT图像存在紧密联系的图像；构建单元，用于构建源生成式对抗网络，并设定网络损失函数；训练单元，用于利用所述源域数据集对所述源生成式对抗网络进行训练，得到源域模型；聚类单元，用于利用聚类算法对所述目标域图像数据集中的目标域图像聚类；迁移单元，用于利用聚类后的目标域图像数据集对所述源域模型进行迁移学习，得到2CN111814891A权利要求书2/2页目标域模型；生成单元，用于利用所述目标域模型生成合成图像。9.一种计算机可读存储介质，所述计算机可读存储介质中存储有包括计算机程序，其中，所述计算机程序运行时，执行所述权利要求1-7任一项所述的医学图像合成方法。3CN111814891A说明书1/6页医学图像合成方法、装置及存储介质技术领域[0001]本发明涉及图像处理技术领域，具体而言，尤其涉及医学图像合成方法、装置及存储介质。背景技术[0002]随着人工智能的发展，深度学习技术已成功在医疗影像分析方面得到广泛应