买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：杭州电子科技大学

摘要：本发明公开了一种基于乳腺X线摄影图像的不同体位病灶影像生成方法，该方法首先获取乳腺癌的医学影像数据，进行预处理，得到乳腺X线摄影图像病灶区域影像数据。其次将乳腺X线摄影图像病灶区域影像数据划分为训练集和测试集，对训练集的样本数据做数据增强以及样本均衡处理。然后构建病灶影像生成模型，输入处理后的训练集数据，得到病灶影像生成结果。最后通过测试集进行测试，评估本生成影像的质量。本发明实现乳腺X线摄影图像不同体位病灶影像生成及分类，提升生成图像的细节信息，使生成的图像质量更好。

主权项：1.一种基于乳腺X线摄影图像的不同体位病灶影像生成方法，其特征在于，包括以下步骤：步骤一：获取乳腺癌的医学影像数据，进行预处理，得到乳腺X线摄影图像病灶区域影像数据；步骤二：将乳腺X线摄影图像病灶区域影像数据划分为训练集和测试集，对训练集的样本数据做数据增强以及样本均衡处理；步骤三：将CycleGAN网络的生成器结构以及损失函数进行改进，构建病灶影像生成模型，输入步骤二处理后的训练集数据，得到病灶影像生成结果；所述病灶影像生成模型CCycleGAN由生成器、判别器以及感知损失提取器三部分组成，其中生成器的输入为真实影像，输出为生成影像以及输入影像的预测结果；判别器的输入为真实影像与生成影像，输出为影像是真的概率值，感知损失提取器的输入为真实影像与生成影像，输出为真实影像与生成影像在深层特征空间的相似程度；病灶影像生成模型CCycleGAN采用CycleGAN模型循环生成的思想；所述生成器结构分为编码器1、编码器2、分类器、解码器四个部分，其中编码器1输入为真实影像，输出影像的深层次特征，编码器2输入为真实影像，输出影像的分类特征；分类器输入为影像的深层次特征与的分类特征分别经常自注意力机制后拼接得到，输出为影像的预测结果；解码器输入为影像的深层次特征，输出生成影像；所述判别器采用的是PatchGAN网络；所述感知损失提取器采用的是引入了注意力机制的ResNet50网络，通过在原始ResNet50网络的残差模块上添加通道注意力机制ECA得到；感知损失提取器的权重参数通过预先训练ECA-ResNet50网络得到；所述编码器1由一个卷积模块和若干卷积单元级联构成，所述卷积模块由卷积层、标准化层和激活函数层级联构成；所述卷积单元由若干残差模块1和最后级联的残差模块2构成；所述残差模块1由两个卷积模块和一个ECA级联构成，将残差模块1的输入特征通过残差连接与ECA的输出特征拼接，得到残差模块1的输出特征；所述残差模块2由两个卷积模块和一个ECA级联构成，并将残差模块1的输入特征通过一个卷积模块由残差连接与ECA的输出特征进行拼接操作，得到残差模块1的输出特征；所述编码器2由若干编码单元级联构成，所述编码单元由卷积模块、ECA和池化层级联构成；所述分类器由分类器模块和一个全连接层级联构成，所述分类器模块的结构与编码器2相同；所述病灶影像生成模型CCycleGAN的损失函数由GAN损失循环一致损失感知损失LpcpG以及分类损失LclfG,C1四部分组成，其中G表示生成器G、DY表示判别器、X表示输入影像、Y表示真实标签影像、F表示生成生成影像、C1表示类别1的概率；GAN损失通过最小化生成器和判别器之间的差异得到，其公式如下所示： 式中x表示输入影像，y表示标签影像，pdata代表样本的分布，DYy代表判别器将样本y判别为真的概率，DYGx代表判别器将生成器G生成影像判别为真的概率；循环一致损失通过L1范数衡量FGx与x之间的差异以及GFy与y之间的差异得到，其公式如下所示： 分类损失LclfG,C1通过预测结果与真实结果计算所得，公式如下所示： 其中，G表示生成器，C1表示分类器，x为输入的影像，l是类别标签；感知损失LpcpG是通过ECA-ResNet50网络计算得到，具体计算过程为，首先通过ECA-ResNet50各卷积层获得真实影像以及生成影像各特征层对应的特征图；其次，分别计算选中的特征层对应的特征图的损失；最后，将所有选中的特征层对应的特征图的损失加到一起，即为感知损失，感知损失的损失函数计算公式如下所示： 式中φj为感知损失提取器φ在第j层中提取的特征图，Kj表示为φj所计算的格莱姆矩阵，CjHjWj代表第j层特征图的尺寸大小，与y分别代表生成影像与真实影像；将感知损失与分类损失加入到CycleGAN网络的损失函数中，得到改进后的损失函数，如下所示： 其中，λ、μ、ξ是三个损失函数的权重参数；步骤四：通过测试集进行测试，评估本生成影像的质量。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种基于乳腺X线摄影图像的不同体位病灶影像生成方法