基于生成对抗网络的马尔可夫链蒙特卡洛理想观测器近似

在优化用于信号检测任务的医学成像系统时，理想观测器（IO）性能一直被提倡使用。然而，IO 检验统计量的解析计算通常是难处理的。为了近似 IO 检验统计量，已开发出采用马尔可夫链蒙特卡洛（MCMC）技术的基于采样的方法。然而，MCMC 技术的当前应用仅限于若干对象模型，如块对象模型和二值纹理模型，且尚不清楚如何将 MCMC 方法与其他更复杂的对象模型结合使用。采用生成对抗网络（GANs）的深度学习方法极有希望从图像数据中学习随机对象模型（SOMs）。在本研究中，我们描述了一种通过对使用 GANs 学习到的 SOMs 应用 MCMC 技术来近似 IO 的方法。所提方法可与任意可通过 GANs 学习的对象模型配合使用，从而扩展了 MCMC 技术用于近似 IO 性能的适用领域。本研究中考虑了信号完全已知（SKE）和信号统计已知（SKS）的二值信号检测任务。将所提方法计算的 IO 性能与常规 MCMC 方法计算的性能进行比较。讨论了所提方法的优势。