基于深度神经网络的磁共振图像分割与生成
图像与视频处理
2020-01-16 v1
摘要
磁共振图像（MRIs）在医学领域被广泛用于检测与更好地理解疾病。为加速扫描的自动处理并增强医学研究，本项目聚焦于自动分割MRIs中目标部位并自随机噪声生成新MRI数据集。更具体地，一种称为U-net的深度神经网络架构被用于分割膝关节MRIs的骨骼与软骨，且比较并调优若干生成对抗网络（GANs）以创建可用作更先进模型训练集的新颖逼真高质量脑MRIs。描述了三种主要架构：深度卷积GAN（DCGAN）、超分辨率残差GAN（SRResGAN）与渐进式GAN（ProGAN），并测试了五种损失函数：原始损失、LSGAN、WGAN、WGAN_GP与DRAGAN。此外，借助基于主成分分析的评估度量进行了定量基准测试。结果显示U-net在分割膝关节MRIs骨骼与软骨上可达到最先进性能（准确率超99.5%）。而且，三种GAN架构能成功生成逼真脑MRIs，尽管部分模型收敛困难。稳定网络的主要见解为：使用单侧平滑标签、在损失函数中以梯度惩罚正则化（如WGAN_GP或DRAGAN中）、在判别器中添加小批量相似层以及长训练时间。
引用
@article{arxiv.2001.05447,
title = {Segmentation and Generation of Magnetic Resonance Images by Deep Neural Networks},
author = {Antoine Delplace},
journal= {arXiv preprint arXiv:2001.05447},
year = {2020}
}
备注
76 pages, 48 figures, Master thesis