【技术实现步骤摘要】
一种基于多模态生成对抗网络的肿瘤分割方法及系统
[0001]本专利技术涉及医学图像分析领域
,尤其是一种基于多模态生成对抗网络的肿瘤分割方法及系统
。
技术介绍
[0002]在当今医学领域,肿瘤分割不仅仅是一项关键任务,更是医疗实践中不可或缺的环节
。
尤其是在放疗科,精准的肿瘤分割对于制定个性化的放射治疗方案具有决定性的意义
。
当前,肿瘤影像技术已经实现了多模态数据的获取,每种模态都在特定方面提供了独特的解剖和生理信息,例如,
CT
图像可以清晰地描绘组织的密度分布,
MRI
图像则凸显了软组织的对比度,
PET
图像则揭示了细胞代谢活性
。
然而,传统的肿瘤分割方法在处理多模态数据时存在局限性
。
由于不同模态数据之间的复杂关系和差异性,传统方法往往无法充分挖掘和整合这些宝贵的信息,这导致了分割结果的不一致性和不准确性,限制了放疗科医生在制定治疗方案时的可靠性和精确性
。
技术实现思路
[0003]针对当前技术不足,第一方面,本专利技术提供了一种基于多模态生成对抗网络的肿瘤分割方法,旨在突破传统肿瘤分割方法在处理多模态医学影像数据时的局限性
。
所述基于多模态生成对抗网络的肿瘤分割方法,包括如下步骤:获取标准多模态肿瘤影像数据集,并搭建肿瘤分割生成对抗网络;利用所述标准多模态肿瘤影像数据集,对抗式训练所述肿瘤分割生成对抗网络;通过训练好的肿瘤分割生 ...
【技术保护点】
【技术特征摘要】
1.
一种基于多模态生成对抗网络的肿瘤分割方法,其特征在于,所述基于多模态生成对抗网络的肿瘤分割方法,包括如下步骤:获取标准多模态肿瘤影像数据集,并搭建肿瘤分割生成对抗网络;利用所述标准多模态肿瘤影像数据集,对抗式训练所述肿瘤分割生成对抗网络;通过训练好的肿瘤分割生成对抗网络,获得肿瘤图像分割模型;获取目标患者在同一部位的多模态肿瘤影像数据;利用所述肿瘤图像分割模型,从所述多模态肿瘤影像数据中分割出多模态肿瘤分割掩模图像;融合所述多模态肿瘤分割掩模图像,获得所述目标患者的肿瘤分割结果图像
。2.
根据权利要求1所述的基于多模态生成对抗网络的肿瘤分割方法,其特征在于,所述标准多模态肿瘤影像数据集包括
CT
图像数据集
、MRI
图像数据集和
PET
图像数据集
。3.
根据权利要求1所述的基于多模态生成对抗网络的肿瘤分割方法,其特征在于,所述肿瘤分割生成对抗网络包括肿瘤图像生成器和肿瘤图像判别器;所述肿瘤图像生成器依次包括生成器输入层,生成器编码网络
、
生成器解码网络以及生成器输出层;所述肿瘤图像判别器依次包括判别器输入层
、
判别器特征提取层
、
判别器
Flatten
层
、
判别器全连接层
、
判别器支持向量机层
。4.
根据权利要求3所述的基于多模态生成对抗网络的肿瘤分割方法,其特征在于,所述利用所述标准多模态肿瘤影像数据集,对抗式训练所述肿瘤分割生成对抗网络,包括如下步骤:固定肿瘤图像判别器的参数,将未标注的标准多模态肿瘤影像数据集输入至所述肿瘤图像生成器,利用所述肿瘤图像生成器生成对应的肿瘤分割掩模图像;将所述肿瘤分割掩模图像和标注后的标准多模态肿瘤影像数据集输入至所述肿瘤图像判别器,根据肿瘤图像判别器的输入结果分别对所述肿瘤图像判别器和所述肿瘤图像生成器的参数进行调整,调整方式包括如下:若肿瘤图像判别器的输出结果为假,则固定所述肿瘤图像判别器的参数,更新所述肿瘤图像生成器的参数;利用更新后的肿瘤图像生成器的输出作为肿瘤图像判别器的输入;若肿瘤图像判别器的输出结果依旧为假,则继续固定所述肿瘤图像判别器的参数,继续更新所述肿瘤图像生成器的参数,直至其输出的结果被肿瘤图像判别器判定为真;若肿瘤图像判别器的输出结果为真,则固定所述肿瘤图像生成器的参数,更新所述肿瘤图像判别器的参数;利用更新后肿瘤图像判别器再次判断之前输出结果为真的肿瘤图像生成器的输入,若肿瘤图像判别器的输出结果依旧为真,则停止训练
。5.
根据权利要求4所述的基于多模态生成对抗网络的肿瘤分割方法,其特征在...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。