生成对抗网络在医学影像中的应用：综述
计算机视觉与模式识别
2019-09-05 v4 机器学习
摘要
生成对抗网络（GAN）因能够在无需显式建模概率密度函数的情况下生成数据，而在计算机视觉领域获得了大量关注。判别器带来的对抗损失提供了一种巧妙的方法，可将无标签样本引入训练并施加高阶一致性。这在许多情况下已被证明有用，例如域适应、数据增强和图像到图像的翻译。这些特性吸引了医学影像领域的研究人员，并且我们已看到在许多传统和新型应用中的快速采用，如图像重建、分割、检测、分类和跨模态合成。基于我们的观察，这一趋势将持续下去，因此我们综述了使用对抗训练方案的医学影像近期进展，希望有益于对该技术感兴趣的研究人员。
引用
@article{arxiv.1809.07294,
title = {Generative Adversarial Network in Medical Imaging: A Review},
author = {Xin Yi and Ekta Walia and Paul Babyn},
journal= {arXiv preprint arXiv:1809.07294},
year = {2019}
}
备注
24 pages; v4; added missing references from before Jan 1st 2019; accepted to MedIA