CN117173543B - 一种肺腺癌和肺结核的混合图像重构方法及*** - Google Patents
一种肺腺癌和肺结核的混合图像重构方法及*** Download PDFInfo
- Publication number
- CN117173543B CN117173543B CN202311445228.7A CN202311445228A CN117173543B CN 117173543 B CN117173543 B CN 117173543B CN 202311445228 A CN202311445228 A CN 202311445228A CN 117173543 B CN117173543 B CN 117173543B
- Authority
- CN
- China
- Prior art keywords
- target
- feature
- vector
- encoder
- lung adenocarcinoma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 208000010507 Adenocarcinoma of Lung Diseases 0.000 title claims abstract description 68
- 201000005249 lung adenocarcinoma Diseases 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 34
- 208000008128 pulmonary tuberculosis Diseases 0.000 title claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 93
- 238000012549 training Methods 0.000 claims abstract description 86
- 238000013507 mapping Methods 0.000 claims abstract description 64
- 238000005070 sampling Methods 0.000 claims abstract description 39
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 239000000203 mixture Substances 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 13
- 201000008827 tuberculosis Diseases 0.000 claims description 13
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 12
- 238000013135 deep learning Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种肺腺癌和肺结核的混合图像重构方法及***,涉及医学图像重构技术领域,包括:基于第一训练集和第二训练集,对预设变分编码器进行训练,得到目标变分编码器;基于目标编码器分别对第一训练集和第二训练集进行特征提取,分别得到在潜在空间内呈高斯分布的第一特征映射集和第二特征映射集;从第一特征映射集和第二特征映射集在潜在空间内的高斯分布重叠部分进行采样,得到采样特征向量;基于目标解码器对采样特征向量进行重参数化,生成目标潜在变量;基于目标解码器,将目标潜在变量转换为肺腺癌和肺结核混合的目标重构图像。本发明缓解了传统的深度学习算法很难收集到足够数量的易混淆样本的技术问题。
Description
技术领域
本发明涉及医学图像重构技术领域,具体为一种肺腺癌和肺结核的混合图像重构方法及***。
背景技术
肺腺癌和肺结核本属于两种特征明显的病症。但是在临床应用中,肺腺癌和肺结核在CT影像上可能表现出一些相似的特征,例如浸润、结节、肿块等。因此,在分析影像时,很容易对这两种疾病的类型产生误判,导致治疗的延误或错误,从而给患者带来严重的后果。
传统的深度学习算法在处理图像识别任务时通常需要大规模的数据集来训练模型,以获得较好的性能。然而,往往很难收集到足够数量的易混淆CT样本以及对应的辨识度标签,从而无法满足深度学习算法对大规模数据的需求。
发明内容
本发明的目的就在于为了解决上述至少一个技术问题而提供一种肺腺癌和肺结核的混合图像重构方法及***。
第一方面,本发明实施例提供了一种肺腺癌和肺结核的混合图像重构方法,包括:基于第一训练集和第二训练集,对预设变分编码器进行训练,得到目标变分编码器;所述目标变分编码器包括目标编码器和目标解码器;所述第一训练集包括多个预设肺腺癌CT影像数据,所述第二训练集包括多个预设肺结核CT影像数据;基于所述目标编码器分别对所述第一训练集和所述第二训练集进行特征提取,分别得到在潜在空间内呈高斯分布的第一特征映射集和第二特征映射集;从所述第一特征映射集和所述第二特征映射集在潜在空间内的高斯分布重叠部分进行采样,得到采样特征向量;所述采样特征向量包括潜在变量在潜在空间内的高斯分布的均值向量和方差向量;基于所述目标解码器对所述采样特征向量进行重参数化,生成目标潜在变量;基于所述目标解码器,将所述目标潜在变量转换为肺腺癌和肺结核混合的目标重构图像。
进一步地,基于所述目标编码器分别对所述第一训练集和所述第二训练集进行特征提取,分别得到在潜在空间内呈高斯分布的第一特征映射集和第二特征映射集,包括:基于所述目标编码器对所述第一训练集进行特征提取,得到在潜在空间内呈高斯分布的第一特征映射集;所述第一特征映射集包括多个第一特征映射;所述第一特征映射为所述预设肺腺癌CT影像数据向潜在空间的映射,包括均值向量和方差向量;基于所述目标编码器对所述第二训练集进行特征提取,得到在潜在空间内呈高斯分布的第二特征映射集;所述第二特征映射集包括多个第二特征映射;所述第二特征映射为所述预设肺结核CT影像数据向潜在空间的映射,包括均值向量和方差向量。
进一步地,所述目标编码器包括多组卷积层-激活层-最大池化层结构;基于所述目标编码器对所述第一训练集进行特征提取,得到在潜在空间内呈高斯分布的第一特征映射集,包括:将目标肺腺癌CT影像数据输入到所述目标编码器,通过卷积层对所述目标肺腺癌CT影像数据进行特征提取,再通过激活层中的激活函数处理,通过最大池化层进行向下采样,得到所述目标肺腺癌CT影像数据在潜在空间的第一特征映射;所述目标肺腺癌CT影像数据为所述第一训练集中的一个预设肺腺癌CT影像数据。
进一步地,所述目标解码器包括多个转置卷积层-激活层结构;基于所述目标解码器,将所述目标潜在变量转换为肺腺癌和肺结核混合的目标重构图像,包括:通过转置卷积层的反卷积操作,将所述目标潜在变量进行上采样,并通过激活函数对像素值进行限值,生成所述目标重构图像。
进一步地,还包括:在潜在空间内分别对所述第一特征映射集和所述第二特征映射集进行聚类分析,分别得到第一中心向量和第二中心向量;基于所述采样特征向量在潜在空间中与所述第一中心向量和所述第二中心向量之间的距离,确定所述目标重构图像的辨识度。
进一步地,所述目标重构图像的辨识度的计算算式包括:;
其中,d为所述辨识度,xi为所述采样特征向量,X1为所述第一中心向量,X0为所述第二中心
向量。
第二方面,本发明实施例还提供了一种肺腺癌和肺结核的混合图像重构***,包括:训练模块、提取模块、采样模块、生成模块和重构模块;其中,所述训练模块,用于基于第一训练集和第二训练集,对预设变分编码器进行训练,得到目标变分编码器;所述目标变分编码器包括目标编码器和目标解码器;所述第一训练集包括多个预设肺腺癌CT影像数据,所述第二训练集包括多个预设肺结核CT影像数据;所述提取模块,用于基于所述目标编码器分别对所述第一训练集和所述第二训练集进行特征提取,分别得到在潜在空间内呈高斯分布的第一特征映射集和第二特征映射集;所述采样模块,用于从所述第一特征映射集和所述第二特征映射集在潜在空间内的高斯分布重叠部分进行采样,得到采样特征向量;所述采样特征向量包括潜在变量在潜在空间内的高斯分布的均值向量和方差向量;所述生成模块,用于基于所述目标解码器对所述采样特征向量进行重参数化,生成目标潜在变量;所述重构模块,用于基于所述目标解码器,将所述目标潜在变量转换为肺腺癌和肺结核混合的目标重构图像。
进一步地,还包括辨识度模块,用于:在潜在空间内分别对所述第一特征映射集和所述第二特征映射集进行聚类分析,分别得到第一中心向量和第二中心向量;基于所述采样特征向量在潜在空间中与所述第一中心向量和所述第二中心向量之间的距离,确定所述目标重构图像的辨识度。
第三方面,本发明实施例还提供了一种电子设备,包括:存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令被处理器执行时实现如第一方面所述的方法。
本发明提供了一种肺腺癌和肺结核的混合图像重构方法及***,利用训练好的变分编码器生成的介于肺结核和肺腺癌之间包含混合特征的影像数据及相关混合参数,所生成的重构图像可以用于医疗人员的分辨训练,也可用于充当深度学习算法的训练集,无需额外的影像采集和准备工作,可以降低额外采集数据的成本。
附图说明
为了更清楚地说明本申请实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种肺腺癌和肺结核的混合图像重构方法的流程图;
图2为本发明实施例提供的一种变分编码器的网络结构示意图;
图3为本发明实施例提供的一种特征提取示意图;
图4为本发明实施例提供的一种肺腺癌和肺结核的混合图像重构***的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
图1是根据本发明实施例提供的一种肺腺癌和肺结核的混合图像重构方法的流程图。如图1所示,该方法具体包括如下步骤:
步骤S102,基于第一训练集和第二训练集,对预设变分编码器进行训练,得到目标变分编码器;目标变分编码器包括目标编码器和目标解码器;第一训练集包括多个预设肺腺癌CT影像数据,第二训练集包括多个预设肺结核CT影像数据。
步骤S104,基于目标编码器分别对第一训练集和第二训练集进行特征提取,分别得到在潜在空间内呈高斯分布的第一特征映射集和第二特征映射集。
步骤S106,从第一特征映射集和第二特征映射集在潜在空间内的高斯分布重叠部分进行采样,得到采样特征向量;采样特征向量包括潜在变量在潜在空间内的高斯分布的均值向量和方差向量。
步骤S108,基于目标解码器对采样特征向量进行重参数化,生成目标潜在变量。
步骤S110,基于目标解码器,将目标潜在变量转换为肺腺癌和肺结核混合的目标重构图像。
本发明提供了一种肺腺癌和肺结核的混合图像重构方法,利用训练好的变分编码器生成的介于肺结核和肺腺癌之间包含混合特征的影像数据及相关混合参数,所生成的重构图像可以用于医疗人员的分辨训练,也可用于充当深度学习算法的训练集,无需额外的影像采集和准备工作,可以降低额外采集数据的成本。
在本发明实施例中,重构图像所用的网络模型是基于变分自动编码进行构建的。其中变分自动编码器的编码器和解码器的网络由卷积神经网络构成,使用python语言,包括numpy和pytorch包,主要包括二维卷积公式、转置卷积公式、最大池化公式、ReLU激活公式。在变分自编码器中,定义了一个潜在空间,由均值向量和方差向量表示。假设重建图像是由潜在变量生成的,首先将原始数据映射到潜在空间中,然后再从潜在空间中重新生成图像。变分自编码器的损失函数由两部分组成:重构损失和正则化损失。重构损失衡量了原始数据与从潜在空间中重新生成的数据之间的差异;正则化损失用于约束潜在变量的分布,使其接近于一个先验分布,通常选择标准正态分布。具体算法公式如下:
二维卷积公式:
其中I是输入图像,K为卷积核,m和n为卷积核尺寸,C为卷积后结果。
二维转置卷积公式:
C(i,j)=
其中I是输入图像,K为卷积核,m和n为卷积核尺寸,s为步幅,p为垂直填充量,q为水平填充量,C为卷积后结果。
池化公式:
其中I是输入图像,m和n为池化尺寸,k为可调系数。
ReLU激活公式:
其中I是输入图像,x为激活后的图像。
变分自编码器损失函数公式:
其中m为样本总数,M表示用于训练的样本数量,使用均方差作为衡量指标衡量原
始数据和潜在空间中重建数据之间的差异;表示潜在空间第j个维度的均值,表
示第j个维度的方差,通过计算每个潜在变量维度j的KL散度,用于约束潜在空间的分布接
近于一个标准正态分布。
具体地,步骤S104包括如下步骤:
步骤S1041,基于目标编码器对第一训练集进行特征提取,得到在潜在空间内呈高斯分布的第一特征映射集;第一特征映射集包括多个第一特征映射;第一特征映射为预设肺腺癌CT影像数据向潜在空间的映射,包括均值向量和方差向量。
可选地,在本发明实施例中,目标编码器包括多组卷积层-激活层-最大池化层结构;其中,激活层采用ReLU激活函数。具体地,将目标肺腺癌CT影像数据输入到目标编码器,通过卷积层对目标肺腺癌CT影像数据进行特征提取,再通过激活层中的激活函数处理,通过最大池化层进行向下采样,得到目标肺腺癌CT影像数据在潜在空间的第一特征映射;目标肺腺癌CT影像数据为第一训练集中的一个预设肺腺癌CT影像数据。
步骤S1042,基于目标编码器对第二训练集进行特征提取,得到在潜在空间内呈高斯分布的第二特征映射集;第二特征映射集包括多个第二特征映射;第二特征映射为预设肺结核CT影像数据向潜在空间的映射,包括均值向量和方差向量。
可选地,在本发明实施例中,目标解码器包括多个转置卷积层-激活层结构;其中,目标解码器的激活层采用ReLU激活函数和Sigmoid激活函数。
具体地,步骤S108还包括:通过转置卷积层的反卷积操作,将目标潜在变量进行上采样,并通过激活函数对像素值进行限值,生成目标重构图像。
本发明实施例提供的方法,还包括对潜在空间中的向量进行聚类分析,计算不同样本之间的距离,具体地,包括:
在潜在空间内分别对第一特征映射集和第二特征映射集进行聚类分析,分别得到第一中心向量和第二中心向量;
基于采样特征向量在潜在空间中与第一中心向量和第二中心向量之间的距离,确定目标重构图像的辨识度。
具体地,在本发明实施例中,目标重构图像的辨识度的计算算式包括:
其中,d为辨识度,xi为采样特征向量,X1为第一中心向量,X0为第二中心向量。
实施例二
本发明实施例提供的一种肺腺癌和肺结核的混合图像重构方法的具体应用实施例如下:
(1)训练集:
本发明实施例中的数据基础基于海河医院的典型肺结核和肺腺癌CT数据,由于CT属于扫描,同一个病人可以视为数个影像数据进行输入。具体地,训练数据集包含2500张典型肺腺癌CT影像数据,2500张典型肺结核CT影像数据。
(2)生成算法:
首先读取数据集,该数据集包括可以明确区分的肺结核和肺腺癌CT影像,将的CT影像输入到图像生成网络模型中,图像大小为256*256,输入图像进入到编码器,如图2所示,其中,图2是根据本发明实施例提供的一种变分编码器的网络结构示意图,编码器由五组“卷积-激活-最大池化”构成,输入图像经过每一个卷积层进行特征提取,再通过ReLU激活函数处理和最大池化层进行下采样,将图片压缩为4*4*32的特征向量;从conv1到conv5分别得到512个肺腺癌和肺结核特征映射,构成两组高斯分布,再从两组高斯分布的重叠部分提取出一组均值和方差,如图3所示,其中,图3是根据本发明实施例提供的一种特征提取示意图,目的是使融合后的高斯分布尽可能多的包含肺腺癌和肺结核影像的共同特征。
为了从潜在空间采样,变分自编码器使用重参数化技巧。重参数化方法接受编码器输出的均值向量和方差向量,通过正态分布采样生成随机的潜在变量。解码器负责将重参数化后的潜在变量转换为重建图像。解码器的结构包括五组“转置卷积-激活”组合,通过反卷积操作将低维特征进行上采样,最后一层使用Sigmoid激活函数将像素值限制在0到1之间,以生成重建图像。
(3)训练过程(即确定变分自编码器模型各层超参数以及可调参数的过程):
将训练集提交给模型训练,训练过程中计算重建损失和KL散度,使用反向传播算法计算总损失关于模型参数的梯度,并使用优化器更新模型参数。直到达到指定的训练轮数生成介于肺腺癌和肺结核之间包含其混合特征易混淆的图像。将影像特征最小化后,对潜在空间中的向量进行聚类分析,可以计算不同样本之间的距离,通过比较两种疾病的样本在潜在空间的距离,通过再采样,我们就得到了图像生成模型。
(4)人工阈值界定和评价:
再采样需要一组参数,在模型上表示距离两种疾病样本在潜在空间的距离,而实际应用中可以转化为辨别度:
其中,分子为潜空间中采样点距离肺腺癌中心的距离,而分母为采样点距离肺结核中心和肺腺癌中心的距离之和。而辨别度d则根据天津大学海河医院医生对样本的表现进行实际考察,测得辨别度为0.65附近的生成图像在实际工作中更加有意义。因此,本发明实施例中的人工阈值界定为0.65。即0.65以上,医生应更加倾向于图像属于肺腺癌,反之亦然。
使用过程:将依据本发明实施例提供的方法生成的CT图像与少量实际中的CT影像提交给医生进行训练,根据医生对图像的判别结果来获得医生对CT的理解情况。其中生成数据的错误率应约等于实际数据的错误率。医生可以针对这些图像进行训练,在生成数据和实际数据的准确率都同步提高以后即完成训练。
在本发明实施例提供的一些可选实施方式中,还可以将依据本发明实施例提供的方法生成的CT图像与少量实际中的CT影像提交传统的深度学习算法,对其进行训练,以提高深度学习算法识别的准确度,这样可以缓解传统的深度学习算法很难收集到足够数量的易混淆样本的技术问题。
实施例三
图4是根据本发明实施例提供的一种肺腺癌和肺结核的混合图像重构***的示意图。如图4所示,该***包括:训练模块10、提取模块20、采样模块30、生成模块40和重构模块50。
具体地,训练模块10,用于基于第一训练集和第二训练集,对预设变分编码器进行训练,得到目标变分编码器;目标变分编码器包括目标编码器和目标解码器;第一训练集包括多个预设肺腺癌CT影像数据,第二训练集包括多个预设肺结核CT影像数据。
提取模块20,用于基于目标编码器分别对第一训练集和第二训练集进行特征提取,分别得到在潜在空间内呈高斯分布的第一特征映射集和第二特征映射集。
采样模块30,用于从第一特征映射集和第二特征映射集在潜在空间内的高斯分布重叠部分进行采样,得到采样特征向量;采样特征向量包括潜在变量在潜在空间内的高斯分布的均值向量和方差向量。
生成模块40,用于基于目标解码器对采样特征向量进行重参数化,生成目标潜在变量。
重构模块50,用于基于目标解码器,将目标潜在变量转换为肺腺癌和肺结核混合的目标重构图像。
本发明提供了一种肺腺癌和肺结核的混合图像重构***,利用训练好的变分编码器生成的介于肺结核和肺腺癌之间包含混合特征的影像数据及相关混合参数,所生成的重构图像可以用于医疗人员的分辨训练,也可用于充当深度学习算法的训练集,无需额外的影像采集和准备工作,可以降低额外采集数据的成本。
在本发明实施例中,目标编码器包括多组卷积层-激活层-最大池化层结构,目标解码器包括多个转置卷积层-激活层结构。
具体地,提取模块20还用于:
基于目标编码器对第一训练集进行特征提取,得到在潜在空间内呈高斯分布的第一特征映射集;第一特征映射集包括多个第一特征映射;第一特征映射为预设肺腺癌CT影像数据向潜在空间的映射,包括均值向量和方差向量。
具体地,将目标肺腺癌CT影像数据输入到目标编码器,通过卷积层对目标肺腺癌CT影像数据进行特征提取,再通过激活层中的激活函数处理,通过最大池化层进行向下采样,得到目标肺腺癌CT影像数据在潜在空间的第一特征映射;目标肺腺癌CT影像数据为第一训练集中的一个预设肺腺癌CT影像数据。
基于目标编码器对第二训练集进行特征提取,得到在潜在空间内呈高斯分布的第二特征映射集;第二特征映射集包括多个第二特征映射;第二特征映射为预设肺结核CT影像数据向潜在空间的映射,包括均值向量和方差向量。
具体地,生成模块40还用于:通过转置卷积层的反卷积操作,将目标潜在变量进行上采样,并通过激活函数对像素值进行限值,生成目标重构图像。
具体地,如图4所示,还包括辨识度模块60,用于:
在潜在空间内分别对第一特征映射集和第二特征映射集进行聚类分析,分别得到第一中心向量和第二中心向量;
基于采样特征向量在潜在空间中与第一中心向量和第二中心向量之间的距离,确定目标重构图像的辨识度。
其中,目标重构图像的辨识度的计算算式包括:
其中,d为辨识度,xi为采样特征向量,X1为第一中心向量,X0为第二中心向量。
本发明实施例还提供了一种电子设备,包括:存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如实施例一和实施例二中的方法。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令被处理器执行时实现如实施例一和实施例二中的方法。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种肺腺癌和肺结核的混合图像重构方法,其特征在于,包括:
基于第一训练集和第二训练集,对预设变分编码器进行训练,得到目标变分编码器;所述目标变分编码器包括目标编码器和目标解码器;所述第一训练集包括多个预设肺腺癌CT影像数据,所述第二训练集包括多个预设肺结核CT影像数据;
基于所述目标编码器分别对所述第一训练集和所述第二训练集进行特征提取,分别得到在潜在空间内呈高斯分布的第一特征映射集和第二特征映射集;
从所述第一特征映射集和所述第二特征映射集在潜在空间内的高斯分布重叠部分进行采样,得到采样特征向量;所述采样特征向量包括潜在变量在潜在空间内的高斯分布的均值向量和方差向量;
基于所述目标解码器对所述采样特征向量进行重参数化,生成目标潜在变量;
基于所述目标解码器,将所述目标潜在变量转换为肺腺癌和肺结核混合的目标重构图像;
还包括:
在潜在空间内分别对所述第一特征映射集和所述第二特征映射集进行聚类分析,分别得到第一中心向量和第二中心向量;
基于所述采样特征向量在潜在空间中与所述第一中心向量和所述第二中心向量之间的距离,确定所述目标重构图像的辨识度。
2.根据权利要求1所述的方法,其特征在于:基于所述目标编码器分别对所述第一训练集和所述第二训练集进行特征提取,分别得到在潜在空间内呈高斯分布的第一特征映射集和第二特征映射集,包括:
基于所述目标编码器对所述第一训练集进行特征提取,得到在潜在空间内呈高斯分布的第一特征映射集;所述第一特征映射集包括多个第一特征映射;所述第一特征映射为所述预设肺腺癌CT影像数据向潜在空间的映射,包括均值向量和方差向量;
基于所述目标编码器对所述第二训练集进行特征提取,得到在潜在空间内呈高斯分布的第二特征映射集;所述第二特征映射集包括多个第二特征映射;所述第二特征映射为所述预设肺结核CT影像数据向潜在空间的映射,包括均值向量和方差向量。
3.根据权利要求2所述的方法,其特征在于:所述目标编码器包括多组卷积层-激活层-最大池化层结构;基于所述目标编码器对所述第一训练集进行特征提取,得到在潜在空间内呈高斯分布的第一特征映射集,包括:
将目标肺腺癌CT影像数据输入到所述目标编码器,通过卷积层对所述目标肺腺癌CT影像数据进行特征提取,再通过激活层中的激活函数处理,通过最大池化层进行向下采样,得到所述目标肺腺癌CT影像数据在潜在空间的第一特征映射;所述目标肺腺癌CT影像数据为所述第一训练集中的一个预设肺腺癌CT影像数据。
4.根据权利要求1所述的方法,其特征在于:所述目标解码器包括多个转置卷积层-激活层结构;基于所述目标解码器,将所述目标潜在变量转换为肺腺癌和肺结核混合的目标重构图像,包括:
通过转置卷积层的反卷积操作,将所述目标潜在变量进行上采样,并通过激活函数对像素值进行限值,生成所述目标重构图像。
5.根据权利要求1所述的方法,其特征在于:所述目标重构图像的辨识度的计算算式包括:
其中,d为所述辨识度,xi为所述采样特征向量,X1为所述第一中心向量,X0为所述第二中心向量。
6.一种肺腺癌和肺结核的混合图像重构***,其特征在于,包括:训练模块、提取模块、采样模块、生成模块和重构模块;其中,
所述训练模块,用于基于第一训练集和第二训练集,对预设变分编码器进行训练,得到目标变分编码器;所述目标变分编码器包括目标编码器和目标解码器;所述第一训练集包括多个预设肺腺癌CT影像数据,所述第二训练集包括多个预设肺结核CT影像数据;
所述提取模块,用于基于所述目标编码器分别对所述第一训练集和所述第二训练集进行特征提取,分别得到在潜在空间内呈高斯分布的第一特征映射集和第二特征映射集;
所述采样模块,用于从所述第一特征映射集和所述第二特征映射集在潜在空间内的高斯分布重叠部分进行采样,得到采样特征向量;所述采样特征向量包括潜在变量在潜在空间内的高斯分布的均值向量和方差向量;
所述生成模块,用于基于所述目标解码器对所述采样特征向量进行重参数化,生成目标潜在变量;
所述重构模块,用于基于所述目标解码器,将所述目标潜在变量转换为肺腺癌和肺结核混合的目标重构图像;
还包括辨识度模块,用于:
在潜在空间内分别对所述第一特征映射集和所述第二特征映射集进行聚类分析,分别得到第一中心向量和第二中心向量;
基于所述采样特征向量在潜在空间中与所述第一中心向量和所述第二中心向量之间的距离,确定所述目标重构图像的辨识度。
7.一种电子设备,其特征在于,包括:存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令被处理器执行时实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311445228.7A CN117173543B (zh) | 2023-11-02 | 2023-11-02 | 一种肺腺癌和肺结核的混合图像重构方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311445228.7A CN117173543B (zh) | 2023-11-02 | 2023-11-02 | 一种肺腺癌和肺结核的混合图像重构方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117173543A CN117173543A (zh) | 2023-12-05 |
CN117173543B true CN117173543B (zh) | 2024-02-02 |
Family
ID=88930118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311445228.7A Active CN117173543B (zh) | 2023-11-02 | 2023-11-02 | 一种肺腺癌和肺结核的混合图像重构方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117173543B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416336A (zh) * | 2018-04-18 | 2018-08-17 | 特斯联(北京)科技有限公司 | 一种智慧社区人脸识别的方法和*** |
CN113421250A (zh) * | 2021-07-05 | 2021-09-21 | 北京理工大学 | 一种基于无病变影像训练的眼底疾病智能诊断方法 |
CN113435488A (zh) * | 2021-06-17 | 2021-09-24 | 深圳大学 | 一种图像采样概率提升方法及其应用 |
CN114067168A (zh) * | 2021-10-14 | 2022-02-18 | 河南大学 | 基于改进的变分自编码器网络的布匹缺陷图像生成***及方法 |
CN114548281A (zh) * | 2022-02-23 | 2022-05-27 | 重庆邮电大学 | 一种基于无监督自适应权重的心脏数据异常检测方法 |
CN114862811A (zh) * | 2022-05-19 | 2022-08-05 | 湖南大学 | 一种基于变分自动编码器的缺陷检测方法 |
CN116052724A (zh) * | 2023-01-28 | 2023-05-02 | 深圳大学 | 肺音增强方法、***、设备和存储介质 |
CN116597285A (zh) * | 2023-07-17 | 2023-08-15 | 吉林大学 | 肺部组织病理图像处理模型、构建方法及图像处理方法 |
CN116631043A (zh) * | 2023-07-25 | 2023-08-22 | 南京信息工程大学 | 自然对抗补丁生成方法、目标检测模型的训练方法及装置 |
CN116910752A (zh) * | 2023-07-17 | 2023-10-20 | 重庆邮电大学 | 一种基于大数据的恶意代码检测方法 |
WO2023202231A1 (zh) * | 2022-04-20 | 2023-10-26 | 北京华睿博视医学影像技术有限公司 | 一种图像重建方法、装置、电子设备及存储介质 |
CN116958712A (zh) * | 2023-09-20 | 2023-10-27 | 山东建筑大学 | 基于先验概率分布的图像生成方法、***、介质及设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019051356A1 (en) * | 2017-09-08 | 2019-03-14 | The General Hospital Corporation | SYSTEM AND METHOD FOR AUTOMATICALLY LABELING AND ANNOUNTING NON-STRUCTURED MEDICAL DATA SETS |
US20220076829A1 (en) * | 2020-09-10 | 2022-03-10 | Delineo Diagnostics, Inc. | Method and apparatus for analyzing medical image data in a latent space representation |
-
2023
- 2023-11-02 CN CN202311445228.7A patent/CN117173543B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416336A (zh) * | 2018-04-18 | 2018-08-17 | 特斯联(北京)科技有限公司 | 一种智慧社区人脸识别的方法和*** |
CN113435488A (zh) * | 2021-06-17 | 2021-09-24 | 深圳大学 | 一种图像采样概率提升方法及其应用 |
CN113421250A (zh) * | 2021-07-05 | 2021-09-21 | 北京理工大学 | 一种基于无病变影像训练的眼底疾病智能诊断方法 |
CN114067168A (zh) * | 2021-10-14 | 2022-02-18 | 河南大学 | 基于改进的变分自编码器网络的布匹缺陷图像生成***及方法 |
CN114548281A (zh) * | 2022-02-23 | 2022-05-27 | 重庆邮电大学 | 一种基于无监督自适应权重的心脏数据异常检测方法 |
WO2023202231A1 (zh) * | 2022-04-20 | 2023-10-26 | 北京华睿博视医学影像技术有限公司 | 一种图像重建方法、装置、电子设备及存储介质 |
CN114862811A (zh) * | 2022-05-19 | 2022-08-05 | 湖南大学 | 一种基于变分自动编码器的缺陷检测方法 |
CN116052724A (zh) * | 2023-01-28 | 2023-05-02 | 深圳大学 | 肺音增强方法、***、设备和存储介质 |
CN116597285A (zh) * | 2023-07-17 | 2023-08-15 | 吉林大学 | 肺部组织病理图像处理模型、构建方法及图像处理方法 |
CN116910752A (zh) * | 2023-07-17 | 2023-10-20 | 重庆邮电大学 | 一种基于大数据的恶意代码检测方法 |
CN116631043A (zh) * | 2023-07-25 | 2023-08-22 | 南京信息工程大学 | 自然对抗补丁生成方法、目标检测模型的训练方法及装置 |
CN116958712A (zh) * | 2023-09-20 | 2023-10-27 | 山东建筑大学 | 基于先验概率分布的图像生成方法、***、介质及设备 |
Non-Patent Citations (2)
Title |
---|
叶晨 ; 关玮 ; .生成式对抗网络的应用综述.同济大学学报(自然科学版).2020,(第04期),全文. * |
生成式对抗网络的应用综述;叶晨;关玮;;同济大学学报(自然科学版)(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117173543A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610194B (zh) | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 | |
CN109949276A (zh) | 一种于改进SegNet分割网络的***检测方法 | |
CN111127316B (zh) | 一种基于sngan网络的单幅人脸图像超分辨方法及*** | |
CN113393469A (zh) | 基于循环残差卷积神经网络的医学图像分割方法和装置 | |
CN112634265B (zh) | 基于dnn的胰腺全自动分割模型的构建、分割方法及*** | |
CN110720915A (zh) | 一种基于gan的脑部电阻抗断层成像方法 | |
CN116503505B (zh) | 一种cbct图像的伪影去除方法、装置、设备及介质 | |
WO2021120069A1 (zh) | 基于解剖结构差异先验的低剂量图像重建方法和*** | |
CN109741254A (zh) | 字典训练及图像超分辨重建方法、***、设备及存储介质 | |
CN112215878B (zh) | 一种基于surf特征点的x光图像配准方法 | |
CN107358625B (zh) | 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法 | |
CN117173543B (zh) | 一种肺腺癌和肺结核的混合图像重构方法及*** | |
CN117474933A (zh) | 一种基于空洞卷积注意力机制的医学图像分割方法 | |
CN116071270A (zh) | 基于可变形卷积生成对抗网络的电子数据生成方法及*** | |
CN113593007B (zh) | 一种基于变分自编码的单视图三维点云重建方法及*** | |
CN113327221B (zh) | 融合roi区域的图像合成方法、装置、电子设备及介质 | |
CN115601535A (zh) | 联合Wasserstein距离与差异度量的胸片异常识别域自适应方法及*** | |
CN114581459A (zh) | 一种基于改进性3D U-Net模型的学前儿童肺部影像感兴趣区域分割方法 | |
CN114820636A (zh) | 一种三维医学图像分割模型及其训练方法和应用 | |
CN115100306A (zh) | 针对胰腺区域的四维锥束ct成像方法和装置 | |
CN114332278A (zh) | 一种基于深度学习的octa图像运动矫正方法 | |
CN112581513B (zh) | 锥束计算机断层扫描图像特征提取与对应方法 | |
Song et al. | Super resolution reconstruction of medical image based on adaptive quad-tree decomposition | |
CN116977473B (zh) | 一种基于投影域和图像域的稀疏角ct重建方法及装置 | |
CN117476219B (zh) | 基于大数据分析的定位ct断层图像的辅助方法和辅助*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |