生物医学图像分析中生成对抗网络训练挑战综述

在生物医学图像分析中，深度学习方法的应用性直接受可用图像数据量的影响。这是因为深度学习模型需要大型图像数据集才能提供高水平性能。生成对抗网络（GANs）已被广泛用于通过生成合成生物医学图像来解决数据局限。GANs 由两种模型组成。生成器，一种基于所接收反馈学习如何生成合成图像的模型。判别器，一种将图像分类为合成或真实并向生成器提供反馈的模型。在整个训练过程中，GAN 可能经历若干技术挑战，阻碍其生成合适的合成图像。第一，模式崩溃问题，即生成器产生完全相同的图像或从相异输入特征产生均匀图像。第二，不收敛问题，即梯度下降优化器未能达到纳什均衡。第三，梯度消失问题，即由于判别器达到最优分类性能导致无有意义反馈提供给生成器，从而产生不稳定训练行为。这些问题导致生成的合成图像模糊、不真实且多样性不足。迄今为止，尚无综述文章阐明这些技术挑战在生物医学图像领域中的影响。本工作基于针对生物医学成像领域中 GAN 训练问题的解决方案给出了综述与分类体系。本综述强调了重要挑战，并勾勒了生物医学图像领域 GAN 训练的未来研究方向。