基于GAN的医学图像仿真数据集生成算法

doi:10.12068/j.issn.1005-3026.2020.03.006

东北大学学报:自然科学版 ›› 2020, Vol. 41 ›› Issue (3): 332-336.DOI: 10.12068/j.issn.1005-3026.2020.03.006

基于GAN的医学图像仿真数据集生成算法

孟琭¹，钟健平¹，李楠²

(1.东北大学信息科学与工程学院，辽宁沈阳110819; 2.沈阳产品质量监督检验院，辽宁沈阳110000)

收稿日期:2019-06-17 修回日期:2019-06-17 出版日期:2020-03-15 发布日期:2020-04-10
通讯作者: 孟琭
作者简介:孟琭(1982-)，男，辽宁沈阳人，东北大学副教授.
基金资助:
国家自然科学基金资助项目(61973058).

Generating Algorithm of Medical Image Simulation Data Sets Based on GAN

MENG Lu¹， ZHONG Jian-ping¹， LI Nan²

1. School of Information Science & Engineering， Northeastern University， Shenyang 110819， China；2. Shenyang Product Quality Supervision and Inspection Institute， Shenyang 110000， China.

Received:2019-06-17 Revised:2019-06-17 Online:2020-03-15 Published:2020-04-10
Contact: MENG Lu
About author:-
Supported by:
-

摘要/Abstract

摘要： 基于生成对抗网络(generative adversarial networks，GAN)，提出了面向肝脏肿瘤CT图像仿真数据集生成深度学习算法.首先，将CT图像数据文件进行格式解析，单独保存为PNG格式的图像文件；然后，将肝脏病变区域统一标注为白色，并结合肝脏CT原图组成配对图片；最后，用生成对抗网络的pix2pix架构仿真生成病变肝脏图像.为将生成图像与目标图像进行定量分析、比较，本文采用了峰值信噪比和结构相似性作为模型的评价指标.实验结果表明，本文算法所生成的肝脏肿瘤CT仿真数据集的平均峰值信噪比为64.72dB，平均结构相似性为0.9973，证明了所生成的仿真图像数据有着非常高的真实度.

关键词: 生成对抗网络, 图像处理, 肝脏图像仿真, 参数调整, 数据增强

Abstract: Based on generative adversarial networks (GAN)， a deep learning algorithm for generating diseased liver CT image data sets was proposed. Firstly， the CT image data file was formatted and saved as an image file in PNG format. Then the liver lesion area was uniformly marked as white， and the liver CT original image was combined to form a paired picture. Finally， diseased liver image was generated using a pix2pix architecture that created an anti-network. In order to quantitatively analyze and compare the generated image with the target image， the peak signal-to-noise ratio and structural similarity were used to evaluate the model. The results showed that the average peak signal-to-noise ratio of the simulated CT diseased liver image generated by the proposed algorithm is 64.72dB and the average structural similarity is 0.9973， thus proving these simulated image data have very high trueness.

Key words: generative adversarial networks(GAN), image processing, liver image simulation, parameter adjustment, data augmentation

中图分类号:

TP391

孟琭，钟健平，李楠. 基于GAN的医学图像仿真数据集生成算法[J]. 东北大学学报:自然科学版, 2020, 41(3): 332-336.

MENG Lu， ZHONG Jian-ping， LI Nan. Generating Algorithm of Medical Image Simulation Data Sets Based on GAN[J]. Journal of Northeastern University Natural Science, 2020, 41(3): 332-336.

参考文献

[1]周志华.机器学习［M］.北京:清华大学出版社，2016:23.(Zhou Zhi-hua.Machine learning［M］.Beijing:Tsinghua University Press，2016:23.)
[2]陈锟，乔沁，宋志坚.生成对抗网络在医学图像处理中的应用［J］.生命科学仪器，2018，16:71-80，91.(Chen Kun，Qiao Qin，Song Zhi-jian.Applications of generative adversarial nets in medical image processing［J］.Life Science Instruments，2018，16:71-80，91.)
[3]潘丹，贾龙飞，曾安，等.生成式对抗网络在医学图像处理中的应用［J］.生物医学工程学杂志，2018，35(6):970-976.(Pan Dan，Jia Long-fei，Zeng An，et al.Applications of generative adversarial networks in medical image processing［J］.Journal of Biomedical Engineering，2018，35(6):970-976.)
[4]刘泽宇，郭炜婷.计算机图像处理技术在医学影像中的进展与应用研究［J］.中国卫生标准管理，2018，9(9):116-118.(Liu Ze-yu，Guo Wei-ting.Progress and application of computer image processing technology in medical imaging［J］.China Health Standard Management，2018，9(9):116-118.)
[5]Goodfellow I J，Pouget A J，Mirza M，et al.Generative adversarial nets［C］//Proceedings of the 27th International Conference on Neural Information Processing Systems.Lake Tahoe，2014:2672-2680.
[6]Isola P，Zhu J Y，Zhou T H，et al.Image-to-image translation with conditional adversarial networks［C］//IEEE Conference on Computer Vision and Pattern Recognition.Hawaii，2017:5967-5976.
[7]冯杰，班彪华.生成对抗网络模型的基本介绍和应用综述［J］.现代计算机，2019(4):34-39.(Feng Jie，Ban Biao-hua.Basic introduction and application survey about generating adversarial networks’ model［J］.Modern Computer，2019(4):34-39.)
[8]Ronneberger O，Fischer P，Brox T.U-net:convolutional networks for biomedical image segmentation［C］//International Conference on Medical Image Computing and Computer-Assisted Intervention.Munich，2015:234-241.
[9]Zhou W，Alan C B，Hamid R S，et al.Image quality assessment:from error visibility to structural similarity［J］.IEEE Transactions on Image Processing，2004，13(4):1-14.
[10]Radford A，Metz L，Chintala S.Unsupervised representation learning with deep convolutional generative adversarial networks［J］.arXiv Preprint arXiv，2015:1511.06434.
[11]Vercauteren T.Diffeomorphic demons:efficient non-parametric image registration［J］.NeuroImage，2009，45(1):S61-S72.
[12]Huynh T.Estimating CT image from MRI data using structured random forest and auto-context model［J］.IEEE Transactions on Medical Imaging，2016，35(1):174-183.
[13]Nie D，Trullo R，Lian J，et al.Medical image synthesis with deep convolutional adversarial networks［J］.IEEE Transactions on Biomedical Engineering，2018，65(12):2720-2730.
[15]关守平，房少纯.一种新型的区间-粒子群优化算法［J］.东北大学学报(自然科学版)，2012，33(10):1381-1384.(Guan Shou-ping，Fang Shao-chun.A new interval particle swarm optimization algorithm［J］.Journal of Northeastern University(Natural Science)，2012，33(10):1381-1384.)

[1]	张雪峰，许华文，杨棉子美. 一种基于条件生成对抗网络的高感知图像压缩方法[J]. 东北大学学报（自然科学版）, 2022, 43(6): 783-791.
[2]	连静，陈实，丁堃，李琳辉. 基于多尺度密集特征融合的生成式对抗除雾网络[J]. 东北大学学报（自然科学版）, 2022, 43(11): 1591-1598.
[3]	罗家健，冯宝，陈相猛，顾正晖. 基于生成对抗网络的肺结节良恶性诊断算法[J]. 东北大学学报（自然科学版）, 2022, 43(1): 24-32.
[4]	顾德英，王娜，李文超，陈龙. 基于模型融合的低照度环境下车道线检测方法[J]. 东北大学学报（自然科学版）, 2021, 42(3): 305-309.
[5]	李晨，张家伟，张昊，汪茜. 基于生成对抗网络的低分化宫颈癌病理图像分类[J]. 东北大学学报:自然科学版, 2020, 41(7): 1054-1061.
[6]	魏颖, 徐楚翘, 刁兆富, 李伯群. 基于生成对抗网络的多目标行人跟踪算法[J]. 东北大学学报（自然科学版）, 2020, 41(12): 1673-1680.
[7]	王坤，刘燕，杨永坤，张廷安. 铁水脱硫过程气泡平均直径的因次分析[J]. 东北大学学报:自然科学版, 2019, 40(8): 1105-1109.
[8]	刘燕，李小龙，张宸，张子木. 稀土氯化物喷雾热解装置雾化效果的物理模拟[J]. 东北大学学报:自然科学版, 2019, 40(2): 218-223.
[9]	徐林，郑晓彤，付博，田歌. 基于改进GAN算法的电机轴承故障诊断方法[J]. 东北大学学报:自然科学版, 2019, 40(12): 1679-1684.
[10]	徐久强，洪丽萍，朱宏博，赵海. 一种用于肺结节恶性度分类的生成对抗网络[J]. 东北大学学报:自然科学版, 2018, 39(11): 1556-1561.
[11]	孟琭，陈妹雅. 多目标显著性区域提取算法[J]. 东北大学学报:自然科学版, 2018, 39(10): 1380-1384.
[12]	郭辉，赵永利，周健. 室内成型的沥青混合料粗集料排布的研究[J]. 东北大学学报:自然科学版, 2016, 37(11): 1645-1649.
[13]	李家栋，王昭东，曹光明，王国栋. 基于机器视觉的薄带铸轧熔池液位识别方法[J]. 东北大学学报:自然科学版, 2014, 35(7): 974-977.
[14]	王蓓蕾，朱志良，孟琭. 基于CUDA加速的SIFT特征提取[J]. 东北大学学报(自然科学版), 2013, 34(2): 200-204.
[15]	周晓雷;罗志国;韩立浩;余艾冰;. COREX熔化气化炉软熔区域的物理模拟[J]. 东北大学学报(自然科学版), 2012, 33(7): 979-982.

基于GAN的医学图像仿真数据集生成算法

Generating Algorithm of Medical Image Simulation Data Sets Based on GAN

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价