CN109637634B - 一种基于生成对抗网络的医学图像合成方法 - Google Patents
一种基于生成对抗网络的医学图像合成方法 Download PDFInfo
- Publication number
- CN109637634B CN109637634B CN201811510479.8A CN201811510479A CN109637634B CN 109637634 B CN109637634 B CN 109637634B CN 201811510479 A CN201811510479 A CN 201811510479A CN 109637634 B CN109637634 B CN 109637634B
- Authority
- CN
- China
- Prior art keywords
- image
- focus
- health
- real
- generated
- 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.)
- Expired - Fee Related
Links
- 238000001308 synthesis method Methods 0.000 title claims abstract description 11
- 230000036541 health Effects 0.000 claims abstract description 85
- 230000003902 lesion Effects 0.000 claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims description 17
- 239000002131 composite material Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 230000002441 reversible effect Effects 0.000 claims 1
- 230000015572 biosynthetic process Effects 0.000 abstract description 6
- 238000003786 synthesis reaction Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 34
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 6
- 230000003213 activating effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种基于生成对抗网络的医学图像合成方法，涉及图像合成领域。在病灶图像上，通过病灶图像合成健康图像的神经网络生成器支路，对病灶区域进行非病灶化；在健康图像上，通过健康图像合成病灶图像的神经网络生成器支路，对健康图像的某个区域进行病灶化；根据生成对抗网络模型，生成图像与真实图像之间构建生成对抗损失函数；为了稳定神经网络的训练，在病灶图像与经过两个生成器对应生成的病灶图像和健康图像与经过两个生成器对应生成的健康图像之间，构建循环一致性损失函数；为了优化生成的健康图像的结果，在病灶图像与对应生成的健康图像的非病灶区域构建保真项损失函数。
Description
技术领域
本发明涉及图像合成领域，尤其是涉及一种基于生成对抗网络的医学图像合成方法。
背景技术
对病灶图像进行去病灶化，可以得到一一对应的健康图像，而这种医学图像对在现实中是不可能得到的。利用这些一一对应的图像，可以作为医生的培训样本对，加速医生区分病灶图像与健康图像的学习过程，合成的健康图像，对于计算辅助诊断有很大的帮助，如脑肿瘤分割、分类。合成的健康图像还能够作为扩充的数据集，缓解了医学数据集缺乏的问题。
对健康图像进行病灶化，可以得到一一对应的病灶图像，利用合成的病灶图像，可以作为医学数据集的扩充。
由于现实生活中并不存在一一对应的样本对，所以通过有监督的方式进行图像的合成并不合理。Xiaoren Chen在International Conference on Medical Imaging withDeep Learning，2018上发表的文章Unsupervised Detection of Lesions in Brain MRIusing constrained adversarial auto-encoders通过变分自编码器来生成健康图像，但是通过这种方法生成的健康图像分辨率较低，并且生成质量不高。近年来，生成对抗网络在无监督方式下的表现较为突出，特别是在两个不同域之间的转换结果更为引人注目。
发明内容
本发明所要解决的技术问题是提供合成的图像能够作为扩充的医学数据，缓解医学数据集不足等问题的一种基于生成对抗网络的医学图像合成方法。
本发明包括以下步骤：
1)在病灶图像上，通过病灶图像合成健康图像的神经网络生成器支路，对病灶区域进行非病灶化；
2)在健康图像上，通过健康图像合成病灶图像的神经网络生成器支路，对健康图像的某个区域进行病灶化；
3)根据生成对抗网络模型，生成图像与真实图像之间构建生成对抗损失函数；
4)为了稳定神经网络的训练，在病灶图像与经过两个生成器对应生成的病灶图像和健康图像与经过两个生成器对应生成的健康图像之间，构建循环一致性损失函数；
5)为了优化生成的健康图像的结果，在病灶图像与对应生成的健康图像的非病灶区域构建保真项损失函数。
在步骤1)中，所述通过病灶图像合成健康图像的具体方法可为：真实的病灶图像通过设计的神经网络生成器后，能够生成一一对应的健康图像，为了保证非病灶区域能够趋于不变，将神经网络加入全局连接模块，保证网络把注意力关注在病灶区域的改变，所述合成健康图像按以下表达式确定：
其中，GA2N为病灶图像合成健康图像的神经网络生成器支路表达式，xa为真实病灶图像。
在步骤2)中，所述通过健康图像合成病灶图像的具体方法可为：真实的健康图像通过设计的神经网络生成器后，能够生成一一对应的病灶图像；所述合成病灶图像按以下表达式确定：
其中，GN2A为健康图像合成病灶图像的神经网络生成器支路表达式，xn为真实健康图像。
在步骤3)中，所述生成图像与真实图像之间构建生成对抗损失函数的具体方法可为：在真实图像与合成图像之间做对抗损失，根据二人零和博弈思想，生成器网络生成的健康图像GA2N(xa)和病灶图像GN2A(xn)，要尽可能让判别器网络区分不出来，而判别器网络对于真实图像与合成图像又要尽可能区分得出来，故生成对抗网络的损失函数为：
则会达到平衡状态；
生成对抗损失函数共由以下四部分组成：
第一部分为判别器判别真实病灶图像为真实病灶图像的期望：
第二部分为判别器判别真实健康图像为真实健康图像的期望：
第三部分为判别器判别合成病灶图像为合成病灶图像的期望：
第四部分为判别器判别合成健康图像为合成健康图像的期望：
其中，xa为真实的病灶图像，xn为真实的健康图像，GN2A为健康图像合成病灶图像的神经网络生成器支路，GA2N为利用病灶图像合成健康图像的神经网络生成器支路，DA为判别病灶图像的神经网络判别器支路，DN为判别健康图像的神经网络判别器支路。
在步骤4)中，所述构建循环一致性损失函数能够有效地使得两个生成器有效地进行信息共享，为了使得合成的图像具有可逆性，加入循环一致性损失函数：
其中，GA2N(xa)为合成的健康图像，GN2A(GA2N(xa))为再次合成的病灶图像；GN2A(xn)为合成的病灶图像，GA2N(GN2A(xn))为再次合成的健康图像；
所述循环一致性损失函数可由以下两部分组成：
第一部分为真实病灶图像依次经过两个生成器合成的图像与真实病灶图像的像素点差值，L1范数损失函数
第二部分为真实健康图像依次经过两个生成器合成的图像与真实健康图像的像素点差值，L1范数损失函数
所述循环一致性损失函数是为了稳定神经网络的训练过程。
在步骤5)中，所述保真项损失函数可为：
其中，MX为病灶图像的病灶区域的像素级标签，1为维度和MX一样的全1的矩阵，(1-MX)为病灶图像的非病灶区域的标签，(GA2N(xa)-xa)为合成的健康图像与真实的病灶图像之间的L1范数损失，两者点乘后，只保证非病灶区域不变，而改变的是病灶区域；所述保真项损失函数能够使得神经网络更加注重在病灶区域做出改变，非病灶区域保持和原本一样。
本发明提出了基于生成对抗网络的医学图像合成方法，并通过引入循环一致性和非病灶区域保真项损失函数，使得生成模型能够在高分辨率医学图像上得到较为客观的合成结果。
本发明公开了一种基于生成对抗网络(GAN)的医学图像合成方法。本发明能够在保证图像高分辨率的前提下，得到更好的合成效果，建立在生成对抗网络模型的基础上，合成的医学数据可以作为数据扩充。
附图说明
图1为医学图像合成的整体流程图。
图2为从上至下依次为真实病灶图像、真实病灶图像病灶区域标签、本发明合成的健康图像。
图3为从上至下依次为真实健康图像、本发明方法合成的病灶图像。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方案方式作进一步详细描述：
根据图1，医学图像合成的实现方法主要有如下4个步骤：
步骤1：根据图1，求取真实病灶图像xa对应的健康图像GA2N(xa)。
真实病灶图像xa经过生成器GA2N，先经过3次卷积操作，在经过9次残差块卷积操作，接着经过2次反卷积操作，最后经过一次卷积操作，与原始病灶图像相加得到与输入的真实病灶图像大小一致的健康图像，得到的健康图像按以下表达式确定：
为了确保非病灶区域的不变性，加入了保真项损失函数：
其中，Mx是病灶图像的像素级标签，1代表有病灶的区域，0代表无病灶区域；1则是大小与Mx一致的矩阵，(1-Mx)则表示将病灶区域置为0，无病灶区域置为1，从而与
相乘后，只改变病灶区域，保持非病灶区域不变。
合成的健康图像GA2N(xa)与真实的健康图像xn之间通过对抗损失函数进行约束，对抗损失函数按以下表达式确定：
其中，判别器Dn的网络参数如表3所示，真实的健康图像和合成的健康图像经过5层卷积层后，输出一个30×30×1的张量，若是真实健康图像，此张量则和30×30×1的全1张量作L1范数损失，若是合成的健康图像，此张量则和30×30×1的全0张量作L1范数损失。
步骤2：根据图1，求取合成的健康图像GA2N(xa)对应的病灶图像(GN2A(GA2N(xa))。
在经过步骤1后，得到合成的健康图像GA2N(xa)，合成的健康图像GA2N(xa)经过生成器GN2A，先经过3次卷积操作，在经过9次残差块卷积操作，接着经过2次反卷积操作，最后经过1次卷积操作，得到与输入的真实病灶图像大小一致的病灶图像，得到的合成病灶图像按以下表达式确定：
其中，生成器GN2A的网络参数表如表1所示，表1中的残差块网络参数表如表2所示。
表1
| 网络层 | 输入 | 卷积核尺寸 | 步长 | 归一化 | 激活函数 | 输出 |
| 卷积层1 | 240×240×1 | 7×7 | 1 | √ | 线性整流函数 | 240×240×64 |
| 卷积层2 | 240×240×64 | 3×3 | 2 | √ | 线性整流函数 | 120×120×128 |
| 卷积层3 | 120×120×128 | 3×3 | 2 | √ | 线性整流函数 | 60×60×256 |
| 残差块×9 | 60×60×256 | 3×3 | 1 | 60×60×256 | ||
| 反卷积层1 | 60×60×256 | 3×3 | 2 | √ | 线性整流函数 | 120×120×256 |
| 反卷积层2 | 120×120×256 | 3×3 | 2 | √ | 线性整流函数 | 240×240×64 |
| 卷积层4 | 240×240×64 | 7×7 | 1 | 双曲正切函数 | 240×240×1 |
表2
| 网络层 | 输入 | 卷积核尺寸 | 步长 | 归一化 | 激活函数 | 输出 |
| 卷积层1 | 60×60×256 | 3×3 | 1 | √ | 线性整流函数 | 60×60×256 |
| 卷积层2 | 60×60×256 | 3×3 | 1 | 60×60×256 |
为了稳定神经网络的训练过程，加入循环一致性损失函数：
其中，求取合成的病灶图像GN2A(GA2N(xa))与真实的病灶图像xa之间的L1范数损失，能够使得两个生成器GA2N和GN2A保持信息共享，优化神经网路的训练。
步骤3：根据图1，求取真实的健康图像xn对应的病灶图像GN2A(xn)。
真实的健康图像xn经过生成器GN2A，先经过3次卷积操作，在经过9次残差块卷积操作，接着经过2次反卷积操作，最后经过1次卷积操作，得到与输入的真实病灶图像大小一致的病灶图像，得到的合成病灶图像按以下表达式确定：
其中，生成器GN2A与步骤2的生成器GN2A保持神经网络参数共享。
合成的病灶图像GN2A(xn)与真实的病灶图像xa之间通过对抗损失函数进行约束，对抗损失函数按以下表达式确定：
其中，判别器DA的网络参数如表3所示，真实的病灶图像和合成的病灶图像经过5层卷积层后，输出一个30×30×1的张量，若是真实病灶图像，此张量则和30×30×1的全1张量作L1范数损失，若是合成的病灶图像，此张量则和30×30×1的全0张量作L1范数损失。
表3
| 网络层 | 输入 | 卷积核尺寸 | 步长 | 归一化 | 激活函数 | 输出 |
| 卷积层1 | 240×240×1 | 4×4 | 2 | 线性整流函数 | 120×120×64 | |
| 卷积层2 | 120×120×64 | 4×4 | 2 | √ | 线性整流函数 | 60×60×128 |
| 卷积层3 | 60×60×128 | 4×4 | 2 | √ | 线性整流函数 | 30×30×256 |
| 卷积层4 | 30×30×256 | 4×4 | 1 | √ | 线性整流函数 | 30×30×256 |
| 卷积层5 | 30×30×256 | 4×4 | 1 | 30×30×1 |
步骤4：根据图1，求取合成的病灶图像GN2A(xn)对应的健康图像GA2N(GN2A(xn))。
在经过步骤3后，得到了合成的病灶图像GN2A(xn)，合成的病灶图像GN2A(xn)经过生成器GN2A，先经过3次卷积操作，在经过9次残差块卷积操作，接着经过2次反卷积操作，最后经过1次卷积操作，与合成病灶图像相加得到与输入的合成病灶图像大小一致的健康图像。得到的合成健康图像按以下表达式确定：
其中，生成器GN2A与步骤1的生成器GN2A保持神经网络参数共享。
为了稳定神经网络的训练过程，加入了循环一致性损失函数：
其中，求取合成的健康图像GA2N(GN2A(xn))与真实的健康图像xn之间的L1范数损失，能够使得两个生成器GN2A和GA2N保持信息共享，优化神经网路的训练。
图2给出从上至下依次为真实病灶图像、真实病灶图像病灶区域标签、本发明合成的健康图像。图3给出从上至下依次为真实健康图像、本发明方法合成的病灶图像。
本发明的突出技术效果包括：首次提出了病灶图像与健康图像相互合成的方法，对于病灶图像合成健康图像，神经网络中加入了全局连接模块，能够精确地对病灶区域进行分割、扣除并填充健康组织，而利用变分自编码方法所生成的合成医学图像，只能用来合成低分辨率的图像，本发明能够更加精确的合成高分辨率的医学图像。
Claims (4)
1.一种基于生成对抗网络的医学图像合成方法，其特征在于包括以下步骤：
1)在病灶图像上，通过病灶图像合成健康图像的神经网络生成器支路，对病灶区域进行非病灶化，所述通过病灶图像合成健康图像的具体方法为：真实的病灶图像通过设计的神经网络生成器后，能够生成一一对应的健康图像，为了保证非病灶区域能够趋于不变，将神经网络加入全局连接模块，保证网络把注意力关注在病灶区域的改变，所述合成健康图像按以下表达式确定：
其中，GA2N为病灶图像合成健康图像的神经网络生成器支路表达式，xa为真实病灶图像；
2)在健康图像上，通过健康图像合成病灶图像的神经网络生成器支路，对健康图像的某个区域进行病灶化；所述通过健康图像合成病灶图像的具体方法为：真实的健康图像通过设计的神经网络生成器后，能够生成一一对应的病灶图像；所述合成病灶图像按以下表达式确定：
其中，GN2A为健康图像合成病灶图像的神经网络生成器支路表达式，xn为真实健康图像；
3)根据生成对抗网络模型，生成图像与真实图像之间构建生成对抗损失函数；
所述生成图像与真实图像之间构建生成对抗损失函数的具体方法为：在真实图像与合成图像之间做对抗损失，根据二人零和博弈思想，生成器网络生成的健康图像GA2N(xa)和病灶图像GN2A(xn)，让判别器网络区分不出，而判别器网络对于真实图像与合成图像区分得出，故生成对抗网络的损失函数为：
则达到平衡状态；
4)为了稳定神经网络的训练，在病灶图像与经过两个生成器对应生成的病灶图像和健康图像与经过两个生成器对应生成的健康图像之间，构建循环一致性损失函数；
5)为了优化生成的健康图像的结果，在病灶图像与对应生成的健康图像的非病灶区域构建保真项损失函数；
所述保真项损失函数为：
其中，MX为病灶图像的病灶区域的像素级标签，1为维度和MX一样的全1的矩阵，(1-MX)为病灶图像的非病灶区域的标签，(GA2N(xa)-xa)为合成的健康图像与真实的病灶图像之间的L1范数损失，两者点乘后，非病灶区域不变，改变的是病灶区域；所述保真项损失函数能够使得神经网络更加注重在病灶区域做出改变，非病灶区域保持和原本一样。
2.如权利要求1所述一种基于生成对抗网络的医学图像合成方法，其特征在于在步骤3)中，所述生成对抗损失函数共由以下四部分组成：
第一部分为判别器判别真实病灶图像为真实病灶图像的期望：
第二部分为判别器判别真实健康图像为真实健康图像的期望：
第三部分为判别器判别合成病灶图像为合成病灶图像的期望：
第四部分为判别器判别合成健康图像为合成健康图像的期望：
其中，xa为真实的病灶图像，xn为真实的健康图像，GN2A为利用健康图像合成病灶图像的生成器支路，GA2N为利用病灶图像合成健康图像的生成器支路，DA为判别病灶图像的判别器支路，DN为判别健康图像的判别器支路。
3.如权利要求1所述一种基于生成对抗网络的医学图像合成方法，其特征在于在步骤4)中，所述构建循环一致性损失函数能够有效地使得两个生成器有效地进行信息共享，为了使得合成的图像具有可逆性，加入循环一致性损失函数如下：
其中，GA2N(xa)为合成的健康图像，GN2A(GA2N(xa))为再次合成的病灶图像；GN2A(xn)为合成的病灶图像，GA2N(GN2A(xn))为再次合成的健康图像。
4.如权利要求1所述一种基于生成对抗网络的医学图像合成方法，其特征在于在步骤4)中，所述循环一致性损失函数由以下两部分组成：
第一部分为真实病灶图像依次经过两个生成器合成的图像与真实病灶图像的像素点差值，L1范数损失函数
第二部分为真实健康图像依次经过两个生成器合成的图像与真实健康图像的像素点差值，L1范数损失函数
所述循环一致性损失函数是为了稳定神经网络的训练过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811510479.8A CN109637634B (zh) | 2018-12-11 | 2018-12-11 | 一种基于生成对抗网络的医学图像合成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811510479.8A CN109637634B (zh) | 2018-12-11 | 2018-12-11 | 一种基于生成对抗网络的医学图像合成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109637634A CN109637634A (zh) | 2019-04-16 |
| CN109637634B true CN109637634B (zh) | 2020-10-02 |
Family
ID=66072773
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811510479.8A Expired - Fee Related CN109637634B (zh) | 2018-12-11 | 2018-12-11 | 一种基于生成对抗网络的医学图像合成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109637634B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109984841B (zh) * | 2019-04-17 | 2021-12-17 | 南京医科大学 | 利用生成对抗网络模型智能消除下肢骨影像骨赘的系统 |
| CN110074813B (zh) * | 2019-04-26 | 2022-03-04 | 深圳大学 | 一种超声图像重建方法及系统 |
| CN110147830B (zh) * | 2019-05-07 | 2022-02-11 | 东软集团股份有限公司 | 训练影像数据生成网络的方法、影像数据分类方法及装置 |
| CN110288609B (zh) * | 2019-05-30 | 2021-06-08 | 南京师范大学 | 一种注意力机制引导的多模态全心脏图像分割方法 |
| CN110543838A (zh) * | 2019-08-19 | 2019-12-06 | 上海光是信息科技有限公司 | 车辆信息检测的方法及装置 |
| CN110751187B (zh) * | 2019-09-26 | 2022-08-19 | 武汉中科医疗科技工业技术研究院有限公司 | 异常区域图像生成网络的训练方法和相关产品 |
| CN110895828B (zh) * | 2019-12-03 | 2023-04-18 | 武汉纺织大学 | 生成模拟非均质柔性生物组织mr影像的模型及方法 |
| CN111258992A (zh) * | 2020-01-09 | 2020-06-09 | 电子科技大学 | 一种基于变分自编码器的地震数据扩充方法 |
| CN111915576B (zh) * | 2020-07-15 | 2024-10-15 | 杭州深睿博联科技有限公司 | 一种循环残差乳腺x射线良恶性诊断学习方法及装置 |
| CN112184851B (zh) * | 2020-10-26 | 2023-09-26 | 北京百度网讯科技有限公司 | 图像编辑方法、网络训练方法、相关装置及电子设备 |
| CN114463332B (zh) * | 2022-04-13 | 2022-06-10 | 北京航空航天大学 | 用于跨数据源医学图像分割的无监督域适应方法及系统 |
| CN116739890B (zh) * | 2023-06-26 | 2024-06-14 | 强联智创（北京）科技有限公司 | 对生成健康血管图像的生成模型进行训练的方法及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107909621A (zh) * | 2017-11-16 | 2018-04-13 | 深圳市唯特视科技有限公司 | 一种基于双生成对抗网络的医学图像合成方法 |
| CN108229349A (zh) * | 2017-12-21 | 2018-06-29 | 中国科学院自动化研究所 | 网纹人脸图像识别装置 |
| CN108334904A (zh) * | 2018-02-07 | 2018-07-27 | 深圳市唯特视科技有限公司 | 一种基于统一生成对抗网络的多域图像转换技术 |
| CN108573222A (zh) * | 2018-03-28 | 2018-09-25 | 中山大学 | 基于循环对抗生成网络的行人图像遮挡检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102403494B1 (ko) * | 2017-04-27 | 2022-05-27 | 에스케이텔레콤 주식회사 | 생성적 대립 네트워크에 기반한 도메인 간 관계를 학습하는 방법 |
-
2018
- 2018-12-11 CN CN201811510479.8A patent/CN109637634B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107909621A (zh) * | 2017-11-16 | 2018-04-13 | 深圳市唯特视科技有限公司 | 一种基于双生成对抗网络的医学图像合成方法 |
| CN108229349A (zh) * | 2017-12-21 | 2018-06-29 | 中国科学院自动化研究所 | 网纹人脸图像识别装置 |
| CN108334904A (zh) * | 2018-02-07 | 2018-07-27 | 深圳市唯特视科技有限公司 | 一种基于统一生成对抗网络的多域图像转换技术 |
| CN108573222A (zh) * | 2018-03-28 | 2018-09-25 | 中山大学 | 基于循环对抗生成网络的行人图像遮挡检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| VIGAN: Missing View Imputation with Generative Adversarial Networks;Chao Shang 等;《IEEE Xplore》;20180115;全文 * |
| 基于改进的CycleGAN模型非配对的图像到图像转换;何剑华 等;《玉林师范学院学报》;20180401(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109637634A (zh) | 2019-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109637634B (zh) | 一种基于生成对抗网络的医学图像合成方法 | |
| Han et al. | Combining noise-to-image and image-to-image GANs: Brain MR image augmentation for tumor detection | |
| Cai et al. | A review of the application of deep learning in medical image classification and segmentation | |
| CN116309648A (zh) | 一种基于多注意力融合的医学图像分割模型构建方法 | |
| CN111932550A (zh) | 一种基于深度学习的3d心室核磁共振视频分割系统 | |
| CN111951288A (zh) | 一种基于深度学习的皮肤癌病变分割方法 | |
| Benou et al. | De-noising of contrast-enhanced MRI sequences by an ensemble of expert deep neural networks | |
| Shan et al. | SCA-Net: A spatial and channel attention network for medical image segmentation | |
| CN111091575A (zh) | 一种基于强化学习方法的医学图像分割方法 | |
| Li et al. | S 3 egANet: 3D spinal structures segmentation via adversarial nets | |
| CN117437423A (zh) | 基于sam协同学习和跨层特征聚合增强的弱监督医学图像分割方法及装置 | |
| Guan et al. | NCDCN: multi-focus image fusion via nest connection and dilated convolution network | |
| Umer et al. | Breast cancer classification and segmentation framework using multiscale CNN and U‐shaped dual decoded attention network | |
| CN118470036A (zh) | 一种HL-UNet图像分割模型及心脏动态磁共振成像分割方法 | |
| Rashid et al. | Single MR image super-resolution using generative adversarial network | |
| Al-Shboul et al. | Overview of convolutional neural networks architectures for brain tumor segmentation. | |
| CN114037644B (zh) | 一种基于生成对抗网络的艺术字图像合成系统及方法 | |
| CN112967295B (zh) | 一种基于残差网络和注意力机制的图像处理方法及系统 | |
| CN114331894A (zh) | 一种基于潜在特征重构和掩模感知的人脸图像修复方法 | |
| CN110580728B (zh) | 基于结构特征自增强的ct-mr模态迁移方法 | |
| CN114565624A (zh) | 基于多期立体图元生成器的肝脏病灶分割的图像处理方法 | |
| Wang et al. | MAFUNet: Multi-Attention Fusion Network for Medical Image Segmentation | |
| Wei et al. | Diversified and Multi-Class Controllable Industrial Defect Synthesis for Data Augmentation and Transfer | |
| Huo et al. | Multistage diagnosis of alzheimer’s disease based on slice attention network | |
| Liu et al. | Semi-supervised single image dehazing based on dual-teacher-student network with knowledge transfer |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201002 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |