使用生成对抗网络进行医学图像生成
图像与视频处理
2020-05-22 v1 计算机视觉与模式识别
机器学习
摘要
生成对抗网络(GANs)是计算机视觉领域中一种无监督的深度学习方法,近年来在识别多模态医学影像数据的内部结构方面获得了显著关注。该对抗网络同时生成逼真的医学图像及相应标注,已被证明在诸多场景中有用,如图像增广、图像配准、医学图像生成、图像重建和图像到图像翻译。这些特性引起了医学图像分析领域研究人员的注意,我们见证了其在许多新颖和传统应用中的快速采纳。本章提供了基于 GANs 的临床应用在医学图像生成与跨模态合成中的最新进展。讨论了在医学图像解释中广受欢迎的各种 GANs 框架,如深度卷积 GAN (DCGAN)、拉普拉斯 GAN (LAPGAN)、pix2pix、CycleGAN 和无监督图像到图像翻译模型 (UNIT),它们通过引入额外的混合架构持续提升性能。此外,涵盖了这些框架在图像重建与合成中的一些近期应用,以及该领域的未来研究方向。
引用
@article{arxiv.2005.10687,
title = {Medical Image Generation using Generative Adversarial Networks},
author = {Nripendra Kumar Singh and Khalid Raza},
journal= {arXiv preprint arXiv:2005.10687},
year = {2020}
}
备注
19 pages, 3 figures, 5 tables