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方案

本发明专利技术涉及医学图像分析领域技术领域，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
。
本专利技术利用标准多模态肿瘤影像数据集以对抗式训练方法对肿瘤分割生成对抗网络进行训练，从而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，进而利用肿瘤图像分割模型在医学影像领域实现精准的肿瘤分割，以提高医学影像分析的效率和个性化治疗的水平
。
[0004]可选地，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
。
[0005]可选地，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
。
本可选项提出了肿瘤分割生成对抗网络的具体结构，通过肿瘤图像生成器和肿瘤图像判别器之间的多层协同作用，使得该肿瘤分割生成对抗网络能够更有效地学习多模态肿瘤影像的特征
。
[0006]可选地，所述生成器编码网络依次包括第一卷积层，第二卷积层
、
第三卷积层
、
最大池化层
、
第五卷积层和第六卷积层；其中，第一卷积层包括
128
个大小为3×3的卷积核，步
幅为1，激活函数为
Leaky ReLU
；所述第二卷积层包括
256
个大小为3×3的卷积核，步幅为1，激活函数为
Leaky ReLU
；所述第三卷积层包括
512
个大小为3×3的卷积核，步幅为1，激活函数为
Leaky ReLU
；所述最大池化层的池化大小为
2x2
；所述第五卷积层包括
512
个大小为3×3的卷积核，步幅为1，激活函数为
Leaky ReLU
；所述第六卷积层包括
512
个大小为3×3的卷积核，步幅为1，激活函数为
Leaky ReLU。
本可选项进一步优化了生成器编码网络的架构，通过设置不同卷积核的数量和大小以及
Leaky ReLU
激活函数，并通过最大池化层则进一步压缩特征维度，使得该生成器编码网络能够捕捉不同层次的图像信息
。
这样的生成器编码网络的架构设计，增强了肿瘤图像生成器的表征能力，提高了对应的肿瘤图像分割模型的肿瘤分割准确度
。
[0007]可选地，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
。
本可选项通过对抗式训练的方式，精细调整肿瘤图像生成器和肿瘤图像判别器的参数，使得肿瘤图像判别器能够更有效地区分真实与生成的图像的同时，肿瘤图像生成器能够生成更准确的肿瘤分割掩模图像
。
这样的交替训练过程优化了模型的稳定性和性能，提高了瘤图像生成器对应的肿瘤图像分割模型分割肿瘤图像的准确度和质量
。
[0008]可选地，所述肿瘤图像分割模型为训练好的肿瘤分割生成对抗网络中的肿瘤图像生成器
。
本可选项将通过对抗训练获得的肿瘤图像生成器作为肿瘤图像分割模型，以实现后续对多模态肿瘤影像数据的精确分割
。
肿瘤图像生成器经过优化的参数能够高度准确地重建肿瘤分割掩模，为医疗诊断和治疗提供了可靠依据，帮助医生制定更精准的放疗方案
。
[0009]可选地，获取目标患者在同一部位的多模态肿瘤影像数据，包括如下步骤：确定目标患者多模态肿瘤影像数据的模态类型；根据所述模态类型，分别获得所述目标患者在同一部位的不同模态的肿瘤影像数据；处理不同模态的肿瘤影像数据，获得目标患者的多模态肿瘤影像数据
。
本可选项有助于综合利用不同模态的肿瘤影像数据，为目标患者获取更全面
、
准确的多模态肿瘤信息；同时，本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：卢志伟，
申请(专利权)人：淮安市第二人民医院，
类型：发明
国别省市：