基于GAN的医学图像仿真数据集生成算法

孟 琭， 钟健平， 李 楠

(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)

对于深度学习来说，数据集的规模和数目将很大程度地影响最终训练效果的好坏[1].但是在计算机辅助诊断领域中，由于涉及到患者隐私，研究者很难获取到大量的医学图像数据集.此外，医学图像的采集方式(如CT，MRI等)往往会伴随着有害人体健康的高辐射，同时成本极高[2].因此，如何通过人工智能的方式，以仿真图像的形式扩充现有的医学图像数据集，成为了计算机辅助诊断领域亟待解决的问题.

目前，在医学图像仿真生成领域，国内外学者大多集中在图像风格类型转换的研究上，小部分则专注于类似视网膜眼底图像等组织结构简单的图像仿真生成中[3-4]，而在需求较大的肝脏图像合成领域却少有研究.

为解决这一问题，本文通过生成对抗网络[5]的方式来生成高真实度的仿真医学图像数据集.生成的数据集能够提高医学图像分类或分割算法的准确率与精确度，也可以用于年轻医师的培训.

1 方 法

1.1 算法整体方案

算法的整体方案实现主要分为以下三步：

1)对CT序列图像进行预处理，主要包括将三维图像数据解析为若干二维图像、图像格式转换、像素值归一化等.

2)本文模型是通过对pix2pixGAN[6]的改进来实现含有肿瘤的肝脏CT图像的仿真生成，如图1所示，该模型需要将CT肝脏原图与病变区域进行配对，并将该配对图像作为生成对抗网络的输入.因此，本文将肝脏CT图像中被标记为肿瘤的像素变为白色，称这个过程为“白化”， 本文将原图与“白化”后的图像进行配对，得到“配对一”；……