1.一种手术场景图像转换方法,其特征在于,包括:构建改进的CycleGAN模型,所述改进的CycleGAN模型包括第一生成器、第一判别器、第二生成器、第二判别器、对抗生成损失函数、循环一致性损失函数以及器械保护损失函数;
获取手术场景图像数据集,所述手术场景图像数据集包括多个样本图像和期望图像,定义所述样本图像为源域图像,所述期望图像为目标域图像,基于所述手术场景图像数据集训练所述改进的CycleGAN模型;
基于训练后的改进的CycleGAN模型,根据所述样本图像,得到转换后的手术场景图像;
其中,训练所述改进的CycleGAN模型包括:
步骤1、执行“源域‑目标域‑源域”的正向训练;
步骤2、执行“目标域‑源域‑目标域”的逆向训练;
步骤3、判断执行所述正向训练和逆向训练的次数是否达到预设值,若到达所述预设值,则完成训练,否则,返回步骤1;
其中,正向训练或逆向训练时,根据所述器械保护损失函数更新所述第二生成器和第一生成器的参数。
2.根据权利要求1所述的手术场景图像转换方法,其特征在于,所述正向训练包括:分离所述源域图像的背景以及器械,得到第一背景图和第一器械图;
基于所述对抗生成损失函数和目标域图像更新所述第一判别器参数;
将所述第一背景图和第一器械图输入第一生成器,得到第一转换图;
所述第一判别器判断所述第一转换图是否为目标域图像,若所述第一转换图为目标域图像,则执行下一步骤,否则,基于所述对抗生成损失函数更新所述第一生成器参数后返回第一生成器输出转换图的步骤;
分离所述第一转换图中的背景以及器械,得到第二背景图像和第二器械图;
将所述第二背景图和第二器械图输入第二生成器,得到第二转换图;
对比所述第二转换图与源域图像,基于所述循环一致性损失函数更新第一生成器和第二生成器的参数;
分离所述第二转换图中的背景以及器械,得到第三背景图和第三器械图;
将所述第三器械图与所述第一背景图融合,得到第三转换图,对比所述第三转换图与所述源域图像,基于所述器械保护损失函数更新所述第一生成器以及第二生成器的参数。
3.根据权利要求2所述的手术场景图像转换方法,其特征在于,所述逆向训练包括:基于所述对抗生成损失函数和源域图像更新所述第二判别器参数;
将第三背景图和第三器械图输入第二生成器,得到第四转换图;
所述第二判别器判断所述第四转换图是否为源域图像,若所述第四转换图为源域图像,则执行下一步骤,否则,基于所述对抗生成损失函数更新所述第二生成器参数后返回输出第二生成器输出转换图的步骤;
分离所述第四转换图中的背景以及器械,得到第五背景图和第五器械图;
将所述第五背景图和第五器械图输入第一生成器,得到第五转换图;
对比所述第五转换图与目标域图像,基于所述循环一致性损失函数更新第一生成器和第二生成器的参数;
分离所述第五转换图中的背景以及器械,得到第六背景图和第六器械图;
将所述第六器械图与所述第三背景图融合,得到第六转换图,对比所述第六转换图与所述目标域图像,基于所述器械保护损失函数更新所述第一生成器以及第二生成器的参数。
4.根据权利要求2所述的手术场景图像转换方法,其特征在于:通过掩码模块分离所述样本图像的背景以及器械,所述掩码模块为图像分割网络。
5.根据权利要求1所述的手术场景图像转换方法,其特征在于:所述第一生成器包括背景编码器、器械编码器以及解码器,所述背景编码器和器械编码器均与所述解码器连接。
6.根据权利要求5所述的手术场景图像转换方法,其特征在于:所述背景编码器与所述器械编码器均包括多层卷积层,任一卷积层包括下采样/上采样层、校正线性单位激活函数层和残差块。
7.根据权利要求6所述的手术场景图像转换方法,其特征在于:所述解码器包括多层卷积层,任一卷积层包括下采样/上采样层、校正线性单位激活函数层和残差块,所述背景编码器以及器械编码器中的下采样层均与所述解码器中对应的上采样层连接。
8.根据权利要求1所述的手术场景图像转换方法,其特征在于,所述对抗生成损失函数为:其中,a为源域图像;b为目标域图像;G为生成器;D为辨别器。
9.根据权利要求1所述的手术场景图像转换方法,其特征在于,所述循环一致性损失函数为:其中,cyc(a)为第二转换图;cyc(b)为第五转换图。
10.根据权利要求1所述的手术场景图像转换方法,其特征在于,所述器械保护损失函数为:其中,η为合成图像;τ为图像二值化的阈值。