生成对抗式网络及其医学影像应用研究综述

生成对抗式网络由负责学习数据分布的生成器和负责鉴别样本真伪的鉴别器构成,这两者在相互对抗的过程中互相学习逐渐变强。该网络模型令深度学习方法具备了自动学习损失函数的能力,减少了对于专家知识的依赖,已经被广泛应用于自然图像处理领域,并且对于医学影像处理的相关瓶颈问题也是具有巨大应用前景的解决方案。本文旨在找到生成对抗式网络与医学影像领域所面临的挑战的结合点,并通过充分分析已有研究工作,对未来的研究方向进行展望,也为即将在该领域开展研究的人员提供参考。本文首先阐述了生成对抗式网络的基本原理,从任务拆分、条件约束以及图像到图像的翻译等几个角度对其衍生模型进行分析回顾；其次,对其在医学影像领域中的数据增广、模态迁移、图像分割以及去噪等方面应用的最新研究工作进行回顾,分析各方法的优缺点与适用范围；然后,对已有的图像生成质量评估方法进行小结；最后,总结生成对抗式网络在医学影像领域的研究进展,并结合该领域问题的特性,指出已有的理论应用存在的不足与改进方向。自生成对抗式网络提出以来,其理论不断地完善,在医学影像的数据增广、模态迁移、图像分割以及去噪等应用中也取得了长足的发展, 但其仍然存在一些亟待解决的问题,包括三维数据合成、几何结构合理性保持、无标记和未配对数据使用,以及多模态数据交叉应用。

http://www.cjig.cn/jig/ch/reader/view_abstract.aspx?flag=2&file_no=202103310000001&journal_id=jig