CN114155190B 基于病灶注意条件生成对抗网络的视网膜图像合成方法 （深圳大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114155190B(45)授权公告日2025.07.11

(21)申请号202111243429.X

(22)申请日2021.10.25

(65)同一申请的已公布的文献号申请公布号CN114155190A

(43)申请公布日2022.03.08

(73)专利权人深圳大学

地址518060广东省深圳市南山区南海大

道3688号

(72)发明人谢海雷柏英汪天富张国明

(74)专利代理机构深圳市君胜知识产权代理事务所(普通合伙)44268

专利代理师朱阳波

(51)Int.CI.

GO6T7/00(2017.01)

GO6T7/11(2017.01)

GO6T5/73(2024.01)

GO6T5/60(2024.01)

GO6V10/44(2022.01)

GO6V10/764(2022.01)

GO6V10/82(2022.01)

GO6N3/0475(2023.01)

GO6N3/045(2023.01)

GO6N3/094(2023.01)

GO6N5/01(2023.01)

GO6N20/20(2019.01)

(56)对比文件

CN111402179A,2020.07.10

WO2020215557A1,2020.10.29审查员王志超

权利要求书1页说明书10页附图4页

(54)发明名称

基于病灶注意条件生成对抗网络的视网膜图像合成方法

(57)摘要

CN114155190B本发明公开了基于病灶注意条件生成对抗网络的视网膜图像合成方法，所述方法包括：获取视网膜血管掩膜图；将所述视网膜血管掩膜图输入到已训练的基于病灶注意条件生成对抗网络，得到视网膜合成图像。本发明通过基于病灶注意条件生成对抗网络得到的视网膜合成图像，

CN114155190B

获取视网膜血管掩膜图

将所述视网膜血管掩膜图输入到已训练的基于病灶注意条件生成对抗网络，得到视网膜合成图像

S100

S200

CN114155190B权利要求书1/1页

2

1.一种基于病灶注意条件生成对抗网络的视网膜图像合成方法，其特征在于，所述方法包括：

获取视网膜血管掩膜图；

将所述视网膜血管掩膜图输入到已训练的基于病灶注意条件生成对抗网络，得到视网膜合成图像；

所述基于病灶注意条件生成对抗网络包括生成器、权重共享的多输出判别器、随机森林分类器、反向激活网络和注意力模块；

其中，所述生成器为编码器和解码器结构，并用于合成图像；

并且，所述权重共享的多输出判别器输出疾病判别结果和疾病分类结果；

所述随机森林分类器用于通过统计所述权重共享的多输出判别器输出的疾病分类结果中的分类特征频率得到病灶特征；

所述反向激活网络用于激活所述病灶特征，以便定位病灶位置；

所述注意力模块将所述病灶特征融合到所述生成器的所述解码器中。

2.根据权利要求1所述的基于病灶注意条件生成对抗网络的视网膜图像合成方法，其特征在于，所述基于病灶注意条件生成对抗网络的训练过程包括：

获取随机高斯噪声向量；

获取训练样本，其中，所述训练样本包括真实视网膜图像、视网膜血管掩膜和疾病分类标签，所述视网膜血管掩膜根据所述真实视网膜图像变换得到；

将所述随机高斯噪声向量、所述视网膜血管掩膜和所述真实视网膜图像输入至第一网络模型，通过所述第一网络模型输出与所述真实视网膜图像对应的预测疾病分类结果；

根据所述疾病分类标签和所述预测疾病分类结果，得到损失函数；

基于所述损失函数，对所述第一网络模型进行训练，以得到基于病灶注意条件生成对抗网络。

3.根据权利要求2所述的基于病灶注意条件生成对抗网络的视网膜图像合成方法，其特征在于，所述视网膜血管掩膜根据所述真实视网膜图像变换得到具体为：

将所述真实视网膜图像进行视网膜血管分割，得到视网膜血管分割图像；

在将所述视网膜血管分割图像进行滤波，得到视网膜血管掩膜。

4.根据权利要求2所述的基于病灶注意条件生成对抗网络的视网膜图像合成方法，其特征在于，所述损失函数是将对抗损失函数、分类损失函数、激活特征匹配损失函数和感知损失相加得到。

5.根据权利要求4所述的基于病灶注意条件生成对抗网络的视网膜图像合成方法，其特征在于，所述激活特征匹配损失