基于小样本图像生成的磁共振影像分类技术研究.pdf

摘要

摘要

磁共振影像在多种疾病的诊断和治疗效果监测中具备极其重要的作用。

但由于疾病的复杂性和磁共振影像的多样性，医生需要具备丰富的经验才能

根据磁共振影像数据对疾病进行准确诊断。使用深度学习方法对磁共振影像

进行分类能辅助医生进行疾病诊断，但是基于深度学习的图像分类需要使用

大型数据集对分类模型进行训练，才能保证分类器具备优异的泛化能力和准

确率。由于磁共振检测成本较高和磁共振影像数据集的标注需要经验丰富的

影像学专家来进行，磁共振影像数据集的样本量较少，不足以训练泛化性强

的分类模型。使用图像生成的方法对磁共振影像进行数据扩增可有效解决磁

共振影像数据集样本量不足的问题。但是常规图像生成模型需要大量训练数

据才能生成具备较高真实性和多样性的伪图像。因此，本文针对现存的图像

生成和磁共振影像分类问题做了如下研究：

针对常规图像生成模型需要大量训练数据以及现今小样本图像生成模型

中存在的问题，本文提出了改进的基于特征融合的小样本图像生成模型。该

模型使用了局部特征置换融合重组模块和非局部注意力融合模块，局部特征

置换融合重组模块用于对输入的条件图像的深层局部语义特征进行置换融合

并重组，以提升生成图像的特征多样性。非局部注意力融合模块位于解码器

内，用于对生成图像的表层纹理等细节特征进行填充，以提高生成图像的真

实性。为验证本文提出的图像生成模型的图像生成质量和实际应用效果，本

文使用公开数据集AnimalFace和Flower进行图像生成评估实验和可用性实

验。实验结果显示在LPIPS和IS指标上本文的图像生成模型与基准模型互有

优劣，在FID指标上本文的图像生成模型显著优于基准模型。可用性实验中

使用ResNet18作为分类模型，将生成的图像用于分类模型的训练。实验结果

显示使用本文提出的图像生成模型进行数据扩增后的分类效果显著优于基准

模型，证明了本文提出的小样本图像生成模型具备可用性。

1

基于小样本图像生成的磁共振影像分类技术研究

针对现今宫颈癌磁共振影像分类的不足，本文提出了基于小样本图像生

成的磁共振影像分类方法。该方法将本文前面提出的小样本图像生成模型应

用于宫颈癌磁共振影像分类任务。此方法可充分使用每一个宫颈癌磁共振影

像药代动力学模型参数，并使用二次迁移学习的思想迁移二次预训练的模型

参数。为验证该方法的有效性，本文进行了对比试验。实验结果显示本文提出

的方法在各种药代动力学多参数图像上的AUC值和准确率均高于基准方法，

证明了本文提出的方法可有效提高分类模型的泛化性和分类性能。

关键词：图像生成，磁共振成像，生成对抗网络，图像分类

2

Abstract

Abstract

Magneticresonanceimageplaysanextremelyimportantroleinthediagnosis

andtreatmenteffectmonitoringofmanydiseases.However,duetothecomplexity

ofthediseaseandthediversityofMagneticresonanceimage,doctorsneedtohave

experiencetoaccuratelydiagnosediseasesbasedonimagedata.Theuseofdeep

learningmethodstoclassifymagneticresonanceimagescanassistdoctorsindisease

diagnosis,butimageclassificationbasedondeeplearningrequiresthe