CN112151153A - 一种基于生成对抗网络的胃镜图像生成方法 - Google Patents
一种基于生成对抗网络的胃镜图像生成方法 Download PDFInfo
- Publication number
- CN112151153A CN112151153A CN202011144880.1A CN202011144880A CN112151153A CN 112151153 A CN112151153 A CN 112151153A CN 202011144880 A CN202011144880 A CN 202011144880A CN 112151153 A CN112151153 A CN 112151153A
- Authority
- CN
- China
- Prior art keywords
- image
- model
- gastroscope
- lesion
- generation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000003902 lesion Effects 0.000 claims abstract description 42
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 39
- 230000004913 activation Effects 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 15
- 210000002784 stomach Anatomy 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000000586 desensitisation Methods 0.000 claims description 3
- 230000007170 pathology Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 208000005718 Stomach Neoplasms Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 206010017758 gastric cancer Diseases 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 238000002575 gastroscopy Methods 0.000 description 1
- 208000020082 intraepithelial neoplasia Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 201000011549 stomach cancer Diseases 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10068—Endoscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30092—Stomach; Gastric
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Bioethics (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及医学图像技术领域，具体为一种基于生成对抗网络的胃镜图像生成方法，包括以下步骤：S1：图像收集，通过合作医院收集脱敏后的胃镜图像数据；S2：图像标注，医务人员在有病变的胃镜图像上标注出病变具体位置；S3：图像预处理，通过标注数据在原始图像上取像素块；S4：创建生成对抗网络模型，使用不同病变类别的胃镜图像训练模型；S5：加载不同病变类别的模型，生成对应的新胃镜图像。本发明利用医务人员标注数据在原始图像上取像素块的方法可以突出病变位置对训练生成对抗模型的贡献，减少背景图像对模型的干扰，本发明通过训练能够生成数量足够且特征丰富的病变胃镜图像。
Description
技术领域
本发明涉及医学图像技术领域，具体为一种基于生成对抗网络的胃镜图像生成方法。
背景技术
胃癌是一种常见的恶性肿瘤，其严重影响着人类的身体健康，胃部病变的早期诊断和治疗可以有效降低癌变发生的概率。目前胃部病变的诊断主要是通过胃镜检查，传统的人工诊断方法存在着耗时长和主观差异性较大的缺点，其诊断精确度与医生的经验和医疗设备有着直接联系，故如何辅助医生快速准确地在病变早期发现病灶就具有重要的临床价值。随着计算机技术的快速发展，以深度学习为核心的人工智能技术在各个领域得到了深入研究与广泛的应用。近几年来，医疗健康领域的人工智能技术逐渐成熟，其应用场景也越发丰富。然而通常搭建一个有实用意义的人工智能医疗检测系统需要大量的样本数据，样本数据的质量和数量直接影响着模型的实用价值，一般来讲，训练样本数据的特征越丰富，噪声干扰越少，最终模型的鲁棒性也就越强。
但在现实中，对于医疗数据尤其是胃部病变图像的获取困难重重且成本极高，很难得到大量且分布均匀的样本数据。鉴于此，我们提出一种基于生成对抗网络的胃镜图像生成方法。
发明内容
为了弥补以上不足，本发明提供了一种基于生成对抗网络的胃镜图像生成方法。
本发明的技术方案是：
一种基于生成对抗网络的胃镜图像生成方法，包括以下步骤：
S1：图像收集，通过合作医院收集脱敏后的胃镜图像数据；
S2：图像标注，医务人员在有病变的胃镜图像上标注出病变具体位置；
S3：图像预处理，通过标注数据在原始图像上取像素块；
S4：创建生成对抗网络模型，使用不同病变类别的胃镜图像训练模型；
S5：加载不同病变类别的模型，生成对应的新胃镜图像。
作为本发明优选的技术方案，所述步骤S1中，每一张病变胃镜图像都需有对应的病理报告，确保数据分类的准确性；数据脱敏处理要求只保留胃部图像，其他信息删除。
作为本发明优选的技术方案，所述步骤S2中，医务人员使用标注软件，在胃镜图像上准确画出病变组织的位置。
作为本发明优选的技术方案，所述步骤S3中，根据画出的胃部病变组织，将其转换成二值灰度图 ,其中病变位置像素值设为255.其余位置像素值设为0；进一步，根据二值灰度图确定像素块的上下左右四个坐标值，其中像素块须全部包含像素值为255的点，像素块大小根据实际情况确定；再进一步，根据确定的四个坐标值在对应的胃镜图像上取像素块；从而达到扩充数据集的目的。
作为本发明优选的技术方案，所述步骤S4包括以下步骤：
S4-1：将一个维度为256*1的随机向量
输入给由六个依次连接的全连接层组成的转换网络，该转换网络的输出为与输入
维度相同的特征向量
；
S4-2：将特征向量
分别输入到多个并列的全连接层，每个全连接层分别输出一组缩放因子α与偏置因子β；
S4-3：将一维度为8*8*256的固定特征图作为生成模型的输入值传入到输入层；生成模型由一系列卷积层，上采样层，归一化层和激活函数组成，其中通过上采样层将特征图的分辨率逐一放大，最后达到真实图像的分辨率，并在上采样过程中使用含大小值裁剪的线性插值来实现特征图的平滑过渡；激活函数除最后一卷积后面使用Tanh激活函数以外,其余卷积后面全部使用Leaky Relu激活函数，Leaky Relu函数具体公式为：
其中
表示激活函数的输出，
表示输入；
Tanh函数具体公式为：
S4-4：在生成模型中，当每一分辨率特征图做归一化时，通过引入S4-2输出的一组缩放因子α与偏置因子β，从而使随机向量
对生成模型的输出结果施加影响，具体影响公式如下所示：
其中
表示施加影响后的元素，
表示原始特征图上某一元素，
表示均值，
表示标准差；
S4-5：鉴别模型由一系列卷积层，归一化层，全连接层和激活函数组成，其中通过步长为2的卷积使特征图的分辨率逐渐降低。鉴别模型的输入为真实胃镜图像或生成模型生成的模拟胃镜图像，输出为判断输入图像是否为真的概率，其中激活函数除最后一层卷积后面使用Sigmoid函数以外，其余卷积层使用与生成模型相同的Leaky Relu激活函数，Sigmoid激活函数具体公式为：
S4-6：在训练鉴别模型时，真实胃镜图像标签设置为1，生成的模拟胃镜图像标签设置为0，即让鉴别模型通过学习，能够识别出真实胃镜图像为真，模拟胃镜图像为假。在训练生成模型时，模拟胃镜图像标签设置为1，即让生成模型通过学习，能够生成足以以假乱真的图像。损失函数使用交叉熵损失，具体公式如下所示：
其中，
为标签值，
为鉴别模型的输出值。在训练过程中，鉴别模型对输入图像的鉴别能力越来越高，同时生成模型的生成能力也不断提升。
作为本发明优选的技术方案，所述步骤S5中，训练完成之后，针对不同胃部病变类别训练的生成对抗模型，将一个维度为256*1的随机向量
输入到转换网络，生成模型即可生成大小为256*256*3的胃镜图像，该胃镜图像即可用于扩充训练数据集。
与现有技术相比，本发明的有益效果是：
1、本发明利用医务人员标注数据在原始图像上取像素块的方法可以突出病变位置对训练生成对抗模型的贡献，减少背景图像对模型的干扰。
2、本发明通过训练能够生成数量足够且特征丰富的病变胃镜图像，解决了因为胃镜图像识别模型需要大量的病变图像数据集进行训练，但在实际情况中，某一些疾病的病人较少，无法收集到足够的病变图像，导致识别模型因没有足够的训练集而对某些疾病的识别准确率低以及模型难以收敛的问题。
附图说明
图1为本发明中标注数据、二值灰度图和取像素块后的图像；
图2为本发明的生成对抗模型的结构示意图；
图3为本发明生成对抗模型生成的上皮内瘤变胃镜图像。
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、完整地描述，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。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
请参阅图1-3，本发明提供一种技术方案：
一种基于生成对抗网络的胃镜图像生成方法，包括以下步骤：
S1：图像收集，通过合作医院收集脱敏后的胃镜图像数据；
S2：图像标注，医务人员在有病变的胃镜图像上标注出病变具体位置；
S3：图像预处理，通过标注数据在原始图像上取像素块；
S4：创建生成对抗网络模型，使用不同病变类别的胃镜图像训练模型；
S5：加载不同病变类别的模型，生成对应的新胃镜图像。
作为本发明优选的实施例，所述步骤S1中，每一张病变胃镜图像都需有对应的病理报告，确保数据分类的准确性；数据脱敏处理要求只保留胃部图像，其他信息删除。
作为本发明优选的实施例，所述步骤S2中，医务人员使用标注软件，在胃镜图像上准确画出病变组织的位置。
作为本发明优选的实施例，所述步骤S3中，根据画出的胃部病变组织，将其转换成二值灰度图 ,其中病变位置像素值设为255.其余位置像素值设为0；进一步，根据二值灰度图确定像素块的上下左右四个坐标值，其中像素块须全部包含像素值为255的点，像素块大小根据实际情况确定；再进一步，根据确定的四个坐标值在对应的胃镜图像上取像素块；从而达到扩充数据集的目的。
作为本发明优选的实施例，所述步骤S4包括以下步骤：
S4-1：将一个维度为256*1的随机向量
输入给由六个依次连接的全连接层组成的转换网络，该转换网络的输出为与输入
维度相同的特征向量
；
S4-2：将特征向量
分别输入到多个并列的全连接层，每个全连接层分别输出一组缩放因子α与偏置因子β；
S4-3：将一维度为8*8*256的固定特征图作为生成模型的输入值传入到输入层；生成模型由一系列卷积层，上采样层，归一化层和激活函数组成，其中通过上采样层将特征图的分辨率逐一放大，最后达到真实图像的分辨率，并在上采样过程中使用含大小值裁剪的线性插值来实现特征图的平滑过渡；激活函数除最后一卷积后面使用Tanh激活函数以外,其余卷积后面全部使用Leaky Relu激活函数，Leaky Relu函数具体公式为：
其中
表示激活函数的输出，
表示输入；
Tanh函数具体公式为：
S4-4：在生成模型中，当每一分辨率特征图做归一化时，通过引入S4-2输出的一组缩放因子α与偏置因子β，从而使随机向量
对生成模型的输出结果施加影响，具体影响公式如下所示：
其中
表示施加影响后的元素，
表示原始特征图上某一元素，
表示均值，
表示标准差；
S4-5：鉴别模型由一系列卷积层，归一化层，全连接层和激活函数组成，其中通过步长为2的卷积使特征图的分辨率逐渐降低。鉴别模型的输入为真实胃镜图像或生成模型生成的模拟胃镜图像，输出为判断输入图像是否为真的概率，其中激活函数除最后一层卷积后面使用Sigmoid函数以外，其余卷积层使用与生成模型相同的Leaky Relu激活函数，Sigmoid激活函数具体公式为：
S4-6：在训练鉴别模型时，真实胃镜图像标签设置为1，生成的模拟胃镜图像标签设置为0，即让鉴别模型通过学习，能够识别出真实胃镜图像为真，模拟胃镜图像为假。在训练生成模型时，模拟胃镜图像标签设置为1，即让生成模型通过学习，能够生成足以以假乱真的图像。损失函数使用交叉熵损失，具体公式如下所示：
其中，
为标签值，
为鉴别模型的输出值。在训练过程中，鉴别模型对输入图像的鉴别能力越来越高，同时生成模型的生成能力也不断提升。
作为本发明优选的实施例，所述步骤S5中，训练完成之后，针对不同胃部病变类别训练的生成对抗模型，将一个维度为256*1的随机向量
输入到转换网络，生成模型即可生成大小为256*256*3的胃镜图像，该胃镜图像即可用于扩充训练数据集。
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 (10)
1.一种基于生成对抗网络的胃镜图像生成方法，其特征在于，包括以下步骤：
S1：图像收集，通过合作医院收集脱敏后的胃镜图像数据；
S2：图像标注，医务人员在有病变的胃镜图像上标注出病变具体位置；
S3：图像预处理，通过标注数据在原始图像上取像素块；
S4：创建生成对抗网络模型，使用不同病变类别的胃镜图像训练模型；
S5：加载不同病变类别的模型，生成对应的新胃镜图像。
2.如权利要求1中所述的一种基于生成对抗网络的胃镜图像生成方法，其特征在于，所述步骤S1中，每一张病变胃镜图像都需有对应的病理报告，确保数据分类的准确性；数据脱敏处理要求只保留胃部图像，其他信息删除。
3.如权利要求1中所述的一种基于生成对抗网络的胃镜图像生成方法，其特征在于，所述步骤S2中，医务人员使用标注软件，在胃镜图像上准确画出病变组织的位置。
4.如权利要求1中所述的一种基于生成对抗网络的胃镜图像生成方法，其特征在于，所述步骤S3中，根据画出的胃部病变组织，将其转换成二值灰度图 ,其中病变位置像素值设为255.其余位置像素值设为0；进一步，根据二值灰度图确定像素块的上下左右四个坐标值，其中像素块须全部包含像素值为255的点，像素块大小根据实际情况确定；再进一步，根据确定的四个坐标值在对应的胃镜图像上取像素块；从而达到扩充数据集的目的。
5.如权利要求1中所述的一种基于生成对抗网络的胃镜图像生成方法，其特征在于，所述步骤S4包括以下步骤：
S4-1：将一个维度为256*1的随机向量
输入给由六个依次连接的全连接层组成的转换网络，该转换网络的输出为与输入
维度相同的特征向量
；
S4-2：将特征向量
分别输入到多个并列的全连接层，每个全连接层分别输出一组缩放因子α与偏置因子β；
S4-3：将一维度为8*8*256的固定特征图作为生成模型的输入值传入到输入层；生成模型由一系列卷积层，上采样层，归一化层和激活函数组成，其中通过上采样层将特征图的分辨率逐一放大，最后达到真实图像的分辨率，并在上采样过程中使用含大小值裁剪的线性插值来实现特征图的平滑过渡；激活函数除最后一卷积后面使用Tanh激活函数以外,其余卷积后面全部使用Leaky Relu激活函数，Leaky Relu函数具体公式为：
其中
表示激活函数的输出，
表示输入；
Tanh函数具体公式为：
S4-4：在生成模型中，当每一分辨率特征图做归一化时，通过引入S4-2输出的一组缩放因子α与偏置因子β，从而使随机向量
对生成模型的输出结果施加影响，具体影响公式如下所示：
其中
表示施加影响后的元素，
表示原始特征图上某一元素，
表示均值，
表示标准差；
S4-5：鉴别模型由一系列卷积层，归一化层，全连接层和激活函数组成，其中通过步长为2的卷积使特征图的分辨率逐渐降低。
6.鉴别模型的输入为真实胃镜图像或生成模型生成的模拟胃镜图像，输出为判断输入图像是否为真的概率，其中激活函数除最后一层卷积后面使用Sigmoid函数以外，其余卷积层使用与生成模型相同的Leaky Relu激活函数，Sigmoid激活函数具体公式为：
S4-6：在训练鉴别模型时，真实胃镜图像标签设置为1，生成的模拟胃镜图像标签设置为0，即让鉴别模型通过学习，能够识别出真实胃镜图像为真，模拟胃镜图像为假。
7.在训练生成模型时，模拟胃镜图像标签设置为1，即让生成模型通过学习，能够生成足以以假乱真的图像。
8.损失函数使用交叉熵损失，具体公式如下所示：
其中，
为标签值，
为鉴别模型的输出值。
9.在训练过程中，鉴别模型对输入图像的鉴别能力越来越高，同时生成模型的生成能力也不断提升。
10.如权利要求1中所述的一种基于生成对抗网络的胃镜图像生成方法，其特征在于，所述步骤S5中，训练完成之后，针对不同胃部病变类别训练的生成对抗模型，将一个维度为256*1的随机向量
输入到转换网络，生成模型即可生成大小为256*256*3的胃镜图像，该胃镜图像即可用于扩充训练数据集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011144880.1A CN112151153A (zh) | 2020-10-23 | 2020-10-23 | 一种基于生成对抗网络的胃镜图像生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011144880.1A CN112151153A (zh) | 2020-10-23 | 2020-10-23 | 一种基于生成对抗网络的胃镜图像生成方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112151153A true CN112151153A (zh) | 2020-12-29 |
Family
ID=73954783
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011144880.1A Pending CN112151153A (zh) | 2020-10-23 | 2020-10-23 | 一种基于生成对抗网络的胃镜图像生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112151153A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113066094A (zh) * | 2021-03-09 | 2021-07-02 | 中国地质大学（武汉） | 一种基于生成对抗网络的地理栅格智能化局部脱敏方法 |
| CN114266786A (zh) * | 2021-12-21 | 2022-04-01 | 北京工业大学 | 基于生成对抗网络的胃病变分割方法及系统 |
| CN115938546A (zh) * | 2023-02-21 | 2023-04-07 | 四川大学华西医院 | 一种早期胃癌图像合成方法、系统、设备及存储介质 |
| CN116681790A (zh) * | 2023-07-18 | 2023-09-01 | 脉得智能科技(无锡)有限公司 | 一种超声造影图像生成模型的训练方法及图像的生成方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108665454A (zh) * | 2018-05-11 | 2018-10-16 | 复旦大学 | 一种内镜图像智能分类及不规则病变区域检测方法 |
| CN108961272A (zh) * | 2018-07-02 | 2018-12-07 | 浙江工业大学 | 一种基于深度卷积对抗生成网络的皮肤病图像的生成方法 |
| CN109859310A (zh) * | 2019-01-22 | 2019-06-07 | 武汉纺织大学 | 一种可用于生成mr图像的模型及其建立方法 |
| US20190197358A1 (en) * | 2017-12-21 | 2019-06-27 | International Business Machines Corporation | Generative Adversarial Network Medical Image Generation for Training of a Classifier |
| CN110097545A (zh) * | 2019-04-29 | 2019-08-06 | 南京星程智能科技有限公司 | 基于深度学习的眼底图像生成方法 |
| CN110910351A (zh) * | 2019-10-31 | 2020-03-24 | 上海交通大学 | 基于生成对抗网络的超声图像模态迁移、分类方法及终端 |
-
2020
- 2020-10-23 CN CN202011144880.1A patent/CN112151153A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190197358A1 (en) * | 2017-12-21 | 2019-06-27 | International Business Machines Corporation | Generative Adversarial Network Medical Image Generation for Training of a Classifier |
| CN108665454A (zh) * | 2018-05-11 | 2018-10-16 | 复旦大学 | 一种内镜图像智能分类及不规则病变区域检测方法 |
| CN108961272A (zh) * | 2018-07-02 | 2018-12-07 | 浙江工业大学 | 一种基于深度卷积对抗生成网络的皮肤病图像的生成方法 |
| CN109859310A (zh) * | 2019-01-22 | 2019-06-07 | 武汉纺织大学 | 一种可用于生成mr图像的模型及其建立方法 |
| CN110097545A (zh) * | 2019-04-29 | 2019-08-06 | 南京星程智能科技有限公司 | 基于深度学习的眼底图像生成方法 |
| CN110910351A (zh) * | 2019-10-31 | 2020-03-24 | 上海交通大学 | 基于生成对抗网络的超声图像模态迁移、分类方法及终端 |
Non-Patent Citations (2)
| Title |
|---|
| 刘海东 等: "基于生成对抗网络的乳腺癌病理图像可疑区域标记", 科研信息化技术与应用, pages 52 - 64 * |
| 康莉 等: "基于分步生成模型的视网膜眼底图像合成", 中国体视学与图像分析, pages 362 - 370 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113066094A (zh) * | 2021-03-09 | 2021-07-02 | 中国地质大学（武汉） | 一种基于生成对抗网络的地理栅格智能化局部脱敏方法 |
| CN113066094B (zh) * | 2021-03-09 | 2024-01-30 | 中国地质大学（武汉） | 一种基于生成对抗网络的地理栅格智能化局部脱敏方法 |
| CN114266786A (zh) * | 2021-12-21 | 2022-04-01 | 北京工业大学 | 基于生成对抗网络的胃病变分割方法及系统 |
| CN115938546A (zh) * | 2023-02-21 | 2023-04-07 | 四川大学华西医院 | 一种早期胃癌图像合成方法、系统、设备及存储介质 |
| CN116681790A (zh) * | 2023-07-18 | 2023-09-01 | 脉得智能科技(无锡)有限公司 | 一种超声造影图像生成模型的训练方法及图像的生成方法 |
| CN116681790B (zh) * | 2023-07-18 | 2024-03-22 | 脉得智能科技(无锡)有限公司 | 一种超声造影图像生成模型的训练方法及图像的生成方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210406591A1 (en) | Medical image processing method and apparatus, and medical image recognition method and apparatus | |
| CN112151153A (zh) | 一种基于生成对抗网络的胃镜图像生成方法 | |
| Xing et al. | Zoom in lesions for better diagnosis: Attention guided deformation network for wce image classification | |
| Chan et al. | Texture-map-based branch-collaborative network for oral cancer detection | |
| CN105469100A (zh) | 基于深度学习的皮肤活检图像病理特性识别方法 | |
| CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
| CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能系统 | |
| CN110648331B (zh) | 用于医学图像分割的检测方法、医学图像分割方法及装置 | |
| Szczypiński et al. | A model of deformable rings for interpretation of wireless capsule endoscopic videos | |
| CN114841320A (zh) | 一种基于喉镜医学影像的器官自动分割方法 | |
| CN114882978A (zh) | 引入图片翻译信息的胃部图像处理方法及系统 | |
| CN113450359A (zh) | 医学图像分割、显示、模型训练方法、系统、设备和介质 | |
| CN111724401A (zh) | 一种基于边界约束级联U-Net的图像分割方法和系统 | |
| Yue et al. | Adaptive context exploration network for polyp segmentation in colonoscopy images | |
| CN111986216B (zh) | 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法 | |
| CN116958705A (zh) | 基于图神经网络的医学影像归类系统 | |
| CN116759076A (zh) | 一种基于医疗影像的无监督疾病诊断方法及系统 | |
| CN116934683A (zh) | 人工智能辅助超声诊断脾创伤的方法 | |
| CN116468682A (zh) | 基于深度学习的磁控胶囊内镜图像胃部解剖结构辨识方法 | |
| CN116258685A (zh) | 全局和局部特征同时提取与融合的多器官分割方法及装置 | |
| CN115471512A (zh) | 一种基于自监督对比学习的医学影像分割方法 | |
| CN114332858A (zh) | 病灶检测方法及装置、病灶检测模型获取方法 | |
| CN113936006A (zh) | 一种处理高噪低质医学图像的分割方法及装置 | |
| CN110706209B (zh) | 一种网格网络的大脑磁共振图像肿瘤定位方法 | |
| CN113780193A (zh) | 基于rcnn的牛群目标检测方法及设备 |
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 |