基于病理学解耦的脑出血伪健康图像生成方法技术

本发明专利技术具体涉及基于病理学解耦的脑出血伪健康图像生成方法，包括：构建并训练伪图像生成模型；每次训练迭代时：首先将作为训练数据的病理图像输入分割器，通过分割器从病理图像中分割出病理区域掩膜；然后将病理区域掩膜和病理图像输入生成器，通过生成器生成伪健康图像；随后将伪健康图像和病理区域掩膜输入重建器，通过重建器生成重建病理图像；最后基于分割器、生成器和重建器的损失计算模型总损失来训练伪图像生成模型；通过训练后伪图像生成模型的生成器生成对应的伪健康图像。本发明专利技术能够在去除病理区域时保证病理图像的原有身份不变，并且能够在生成重建病理图像过程中实现病理区域的一对一映射。病理区域的一对一映射。病理区域的一对一映射。

【技术实现步骤摘要】
基于病理学解耦的脑出血伪健康图像生成方法


[0001]本专利技术涉及大数据及人工智能领域，具体涉及基于病理学解耦的脑出血伪健康图像生成方法。

技术介绍

[0002]脑出血或颅内出血(Intracranial Hemorrhage，ICH)，是一种危及生命并且情况紧急的疾病，发病率和死亡率都很高，严重危害患者的生命健康。脑出血的病因众多，常见病因包括外伤、先天性不正常发育、血管性疾病等。脑出血的直接表现是一条或多条血管的渗漏或破裂。
[0003]对于脑出血患者的检查方式主要是计算机断层扫描(Computed Tomography，CT)，在出血的检测和诊断中，CT成像方式因其速度快、成本低、能精确捕获相当好的对比度图像的能力而起着非常重要的作用。根据CT图像，医生可以明确脑出血的具体位置，出血量的大小、是否存在脑部水肿，以及脑出血是否破入脑室等，这些信息对病人的诊治至关重要。根据不同的出血情况，医生采取相应的治疗手段，有些出血可以通过药物治疗，有些可能需要通过神经外科手术来清除血凝块，减轻大脑的压力，以挽救生命。
[0004]为了更好的检测出颅内异常和理解由疾病引起的颅内各部分变化情况，脑出血伪健康图像生成技术也成为了现在的一个研究热点。伪健康图像生成是从一个病理图像中创建一个特定主题的“健康”图像的任务。伪健康图像有助于医生完成病理图像的异常检测，通过伪健康图像与病理图像的对比，有助于医生和病人理解疾病使正常组织发生了什么样的变化。伪健康图像生成过程中，除了考虑如何生成伪健康图像，为了生成更高质量的伪健康图像，通常也会考虑如何通过伪健康图像重建病理图像。
[0005]然而，现有的脑出血伪健康图像生成工作中，主要存在以下问题：一是，在去除病理区域的同时，丢失了原有的主体身份，即生成的图像表面上看起来与原病理图像不是来自于同一个主体，如图1中病理图像(a)与伪健康图像(b)不属于同一个患者的影像；二是，根据生成的伪健康图像重建成病理图像的时候，存在着一对多的问题，即重建的病理图像出血区域与原病理图像不一致，出血区域出现在不同位置，如图1中病理图像(a)与病理图像(c)，这导致生成伪健康图像和重建病理图像的有效性不好。因此，如何设计一种能够提高生成伪健康图像和重建病理图像有效性的方法是亟需解决的技术问题。

技术实现思路

[0006]针对上述现有技术的不足，本专利技术所要解决的技术问题是：如何提供一种基于病理学解耦的脑出血伪健康图像生成方法，能够在去除病理区域时保证病理图像的原有身份不变，并且能够在生成重建病理图像过程中实现病理区域的一对一映射，从而能够提高生成伪健康图像和重建病理图像的有效性。
[0007]为了解决上述技术问题，本专利技术采用了如下的技术方案：
[0008]基于病理学解耦的脑出血伪健康图像生成方法，包括：
[0009]S1：获取待处理的病理图像；
[0010]S2：构建并训练伪图像生成模型；
[0011]伪图像生成模型在每次训练迭代时：首先将作为训练数据的病理图像输入分割器，通过分割器从病理图像中分割出病理区域掩膜；然后将病理区域掩膜和病理图像输入生成器，通过生成器生成伪健康图像；随后将伪健康图像和病理区域掩膜输入重建器，通过重建器生成重建病理图像；最后基于分割器、生成器和重建器的损失计算模型总损失来训练伪图像生成模型；
[0012]S3：将待处理的病理图像输入训练后的伪图像生成模型，通过生成器生成对应的伪健康图像。
[0013]优选的，生成器生成伪健康图像时，首先基于病理图像和病理区域掩膜生成病理图像去除病理区域掩膜后的病理图像残差；然后通过注意力模块计算病理区域掩膜和病理图像残差之间的注意力分数；最后结合注意力分数修复病理图像残差的病理区域，以生成伪健康图像。
[0014]优选的，通过如下步骤训练伪图像生成模型：
[0015]S211：将每次训练迭代过程分成三个循环；
[0016]S212：病理
‑
伪健康循环：首先通过分割器从有病理区域的病理图像中分割出病理区域掩膜，其次通过生成器基于病理区域掩膜和对应的病理图像生成伪健康图像，然后通过重建器基于伪健康图像和病理区域掩膜生成重建病理图像，最后计算该循环的模型损失；
[0017]S213：健康
‑
伪健康循环：首先通过重建器基于无病理区域的掩膜图像和无病理区域的健康图像生成伪病理图像，其次通过分割器从伪病理图像中分割出伪无病理区域掩膜，然后通过生成器基于伪无病理区域掩膜和对应的伪病理图像生成伪健康图像，最后计算该循环的模型损失；
[0018]S214：形变
‑
伪健康循环：首先通过分割器从无病理区域但有形变的形变图像中分割出无病理区域掩膜，其次通过生成器基于无病理区域掩膜和对应的形变图像生成伪健康图像；然后通过重建器基于伪健康图像和无病理区域掩膜生成重建形变图像，最后计算该循环的模型损失；
[0019]S215：将病理
‑
伪健康循环、健康
‑
伪健康循环和形变
‑
伪健康循环三个循环的模型损失相加得到该次训练迭代的模型总损失，用以训练伪图像生成模型；
[0020]S216：重复步骤S211至S215，直至伪图像生成模型收敛。
[0021]优选的，通过如下步骤实现病理
‑
伪健康循环：
[0022]S2121：将有病理区域的病理图像x
p
作为伪图像生成模型的输入；
[0023]S2122：通过分割器从病理图像x
p
中分割出病理区域掩膜m
p
；
[0024]S2123：将病理区域掩膜m
p
和对应的病理图像x
p
作为生成器的输入，通过生成器生成伪健康图像x
gh
；
[0025]S2124：将伪健康图像x
gh
和病理区域掩膜m
p
作为重建器的输入，通过重建器生成重建病理图像x
rp
；
[0026]S2125：计算分割器、生成器和重建器的损失。
[0027]优选的，病理
‑
伪健康循环中，通过如下公式计算分割器、生成器和重建器的损失：
[0028]1)分割器的损失；
[0029]当有掩膜标注时，通过如下公式计算分割器的损失：
[0030][0031]式中：x
P
和m表示成对的病理图像和标准分割掩膜；SeN(x
P
)表示分割器预测的病理区域掩膜；Dice(
·
)表示骰子系数损失；
[0032]当无掩膜标注时，通过如下公式计算分割器的损失：
[0033][0034][0035]式中：x
p
表示病理图像；m
mp
是一个除了病理图像x
p
外随机从其它病理图像中提取的病理区域掩膜；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于病理学解耦的脑出血伪健康图像生成方法，其特征在于，包括：S1：获取待处理的病理图像；S2：构建并训练伪图像生成模型；伪图像生成模型在每次训练迭代时：首先将作为训练数据的病理图像输入分割器，通过分割器从病理图像中分割出病理区域掩膜；然后将病理区域掩膜和病理图像输入生成器，通过生成器生成伪健康图像；随后将伪健康图像和病理区域掩膜输入重建器，通过重建器生成重建病理图像；最后基于分割器、生成器和重建器的损失计算模型总损失来训练伪图像生成模型；S3：将待处理的病理图像输入训练后的伪图像生成模型，通过生成器生成对应的伪健康图像。2.如权利要求1所述的基于病理学解耦的脑出血伪健康图像生成方法，其特征在于：生成器生成伪健康图像时，首先基于病理图像和病理区域掩膜生成病理图像去除病理区域掩膜后的病理图像残差；然后通过注意力模块计算病理区域掩膜和病理图像残差之间的注意力分数；最后结合注意力分数修复病理图像残差的病理区域，以生成伪健康图像。3.如权利要求1所述的基于病理学解耦的脑出血伪健康图像生成方法，其特征在于，通过如下步骤训练伪图像生成模型：S211：将每次训练迭代过程分成三个循环；S212：病理
‑
伪健康循环：首先通过分割器从有病理区域的病理图像中分割出病理区域掩膜，其次通过生成器基于病理区域掩膜和对应的病理图像生成伪健康图像，然后通过重建器基于伪健康图像和病理区域掩膜生成重建病理图像，最后计算该循环的模型损失；S213：健康
‑
伪健康循环：首先通过重建器基于无病理区域的掩膜图像和无病理区域的健康图像生成伪病理图像，其次通过分割器从伪病理图像中分割出伪无病理区域掩膜，然后通过生成器基于伪无病理区域掩膜和对应的伪病理图像生成伪健康图像，最后计算该循环的模型损失；S214：形变
‑
伪健康循环：首先通过分割器从无病理区域但有形变的形变图像中分割出无病理区域掩膜，其次通过生成器基于无病理区域掩膜和对应的形变图像生成伪健康图像；然后通过重建器基于伪健康图像和无病理区域掩膜生成重建形变图像，最后计算该循环的模型损失；S215：将病理
‑
伪健康循环、健康
‑
伪健康循环和形变
‑
伪健康循环三个循环的模型损失相加得到该次训练迭代的模型总损失，用以训练伪图像生成模型；S216：重复步骤S211至S215，直至伪图像生成模型收敛。4.如权利要求3所述的基于病理学解耦的脑出血伪健康图像生成方法，其特征在于，通过如下步骤实现病理
‑
伪健康循环：S2121：将有病理区域的病理图像x
P
作为伪图像生成模型的输入；S2122：通过分割器从病理图像x
p
中分割出病理区域掩膜m
p
；S2123：将病理区域掩膜m
p
和对应的病理图像x
p
作为生成器的输入，通过生成器生成伪健康图像x
gh
；S2124：将伪健康图像x
gh
和病理区域掩膜m
p
作为重建器的输入，通过重建器生成重建病理图像x
rp
；
S2125：计算分割器、生成器和重建器的损失。5.如权利要求4所述的基于病理学解耦的脑出血伪健康图像生成方法，其特征在于，病理
‑
伪健康循环中，通过如下公式计算分割器、生成器和重建器的损失：1)分割器的损失；当有掩膜标注时，通过如下公式计算分割器的损失：式中：x
P
和m表示成对的病理图像和标准分割掩膜；SeN(x
P
)表示分割器预测的病理区域掩膜；Dice(
·
)表示骰子系数损失；当无掩膜标注时，通过如下公式计算分割器的损失：当无掩膜标注时，通过如下公式计算分割器的损失：式中：x
p
表示病理图像；m
mp
是一个除了病理图像x
p
外随机从其它病理图像中提取的病理区域掩膜；DmN表示分类分段掩膜GeN(x
p
)和随机提取的病理区域掩膜m
mp
的掩膜鉴别器；2)生成器的损失：2)生成器的损失：式中：x
p
表示病理图像；GeN(x
p
)表示x
p
对应的伪健康图像；x
h1
表示健康图像；DhN表示分辨真实健康图像和伪健康图像的健康鉴别器；表示稳定训练所涉及的梯度惩罚损失；σ设置为10；3)重建器的损失：式中：x
p
表示病理图像；GeN(x
p
)是x
p
对应的伪健康图像；SeN(x
p
)表示分割器分割的病理区域掩膜；ReN(SeN(x
p
),GeN(x
p
))表示重建器基于GeN(x
p
)和SeN(x
p
)生成的重建病理图像。6.如权利要求3所述的基于病理学解耦的脑出血伪健康图像生成方法，其特征在于，通过如下步骤实现健康
‑
伪健康循环：S2131：将无病理区域的健康图像x
...

【专利技术属性】
技术研发人员：刘小娟，唐宏安，周尚波，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：