DC-AL GAN：基于 DCGAN 与 AlexNet 的胶质母细胞瘤假进展与真性肿瘤进展图像分类
计算机视觉与模式识别
2020-07-01 v4 图像与视频处理
摘要
假性进展（PsP）发生于 20-30% 接受标准治疗的胶质母细胞瘤（GBM）患者。在治疗后磁共振成像（MRI）过程中，PsP 在形状和强度上表现出与 GBM 真性肿瘤进展（TTP）的相似性。因此，这些相似性对区分这两类进展进而选择适当的临床治疗策略提出了挑战。在本文中，我们引入 DC-AL GAN，一种基于深度卷积生成对抗网络（DCGAN）和 AlexNet 的新型特征学习方法，以区分 MRI 图像中的 PsP 和 TTP。由于 DCGAN 的生成器与判别器之间的对抗关系，可为由 AlexNet 构成的判别器导出 PsP 和 TTP 的高层判别特征。此外，采用特征融合方案将高层特征与低层信息结合，从而产生更强大的特征用于有效区分 PsP 和 TTP。实验结果表明，DC-AL GAN 取得了优于其他最先进方法的理想 PsP 和 TTP 分类性能。
引用
@article{arxiv.1902.06085,
title = {DC-AL GAN: Pseudoprogression and True Tumor Progression of Glioblastoma Multiform Image Classification Based on DCGAN and AlexNet},
author = {Meiyu Li and Hailiang Tang and Michael D. Chan and Xiaobo Zhou and Xiaohua Qian},
journal= {arXiv preprint arXiv:1902.06085},
year = {2020}
}