首页|生成对抗式网络及其医学影像应用研究综述

生成对抗式网络及其医学影像应用研究综述

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
生成对抗式网络(generative adversarial network,GAN)由负责学习数据分布的生成器和负责鉴别样本真伪的判别器构成,二者在相互对抗过程中互相学习逐渐变强.该网络模型使深度学习方法可以自动学习损失函数,减少了对专家知识的依赖,已经广泛应用于自然图像处理领域,对解决医学影像处理的相关瓶颈问题亦具有巨大应用前景.本文旨在找到生成对抗式网络与医学影像领域面临挑战的结合点,通过分析已有工作对未来研究方向进行展望,为该领域研究提供参考.1)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角度对其衍生模型进行分析回顾;2)对生成对抗式网络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的应用进行回顾,分析各方法的优缺点与适用范围;3)对现有图像生成质量评估方法进行小结;4)总结生成对抗式网络在医学影像领域的研究进展,并结合该领域问题特性,指出现有理论应用存在的不足与改进方向.生成对抗式网络提出以来,理论不断完善,在医学影像的处理应用中也取得了长足发展,但仍然存在一些亟待解决的问题,包括3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等.
A review of generative adversarial networks and the application in medical image

张颖麟、胡衍、东田理沙、刘江

展开 >

南方科技大学, 深圳 518055

TOMEY株式会社,名古屋 451-0051,日本

生成对抗式网络(GAN) 医学影像 深度学习 数据增广 模态迁移 图像分割 图像去噪

广东省教育厅普通高等学校重点领域专项深圳市基础研究项目深圳市稳定支持项目广东省重点实验室项目

2020ZDZX3043JCYJ20200109140820699202009251740520042020B121201001

2022

中国图象图形学报
中国科学院遥感应用研究所,中国图象图形学学会 ,北京应用物理与计算数学研究所

中国图象图形学报

CSTPCDCSCD北大核心
影响因子：1.111
ISSN：1006-8961
年,卷(期)：2022.27(3)
  • 6
  • 4