典型文献
基于MD-CGAN的脑部肿瘤图像生成方法研究
文献摘要：
深度学习已广泛用于脑部磁共振(MR)图像分析中,但脑部肿瘤MR图像样本不足会严重影响深度学习模型的性能.提出基于多鉴别器循环一致性生成对抗网络(MD-CGAN)的样本生成方法.利用所提出的MD-CGAN生成脑部肿瘤病理区域图像,将生成的脑部肿瘤病理区域图像覆盖脑部正常图像子区域,合成得到脑部肿瘤MR图像.MD-CGAN引入的双对抗损失避免了模型崩塌问题的产生,引入的循环一致性损失函数可以保证脑部正常子区域图像生成脑部肿瘤病理区域图像,从而使得MD-CGAN生成的图像具有高质量和多样性.以FID值作为评价指标,利用本文提出的MD-CGAN与近几年较经典的生成网络生成脑部肿瘤病理区域图像并计算FID值.实验结果表明,本文所提出网络的FID值比SAGAN、StyleGAN和Style?GAN2的值分别低26.43％、21.91％、12.78％.为进一步验证本文方法的有效性,利用生成的脑部肿瘤图像扩充样本,并依托扩充前后的样本集进行脑部肿瘤分割网络训练.实验表明,样本扩充后的分割网络性能更优异.本文方法生成的脑部肿瘤MR图像质量高、多样性强,这些样本可代替真实样本参与模型的训练,从而有效解决脑部肿瘤MR图像训练样本不足的问题.
文献关键词：
深度学习;磁共振图像;样本扩充;生成对抗网络
中图分类号：
作者姓名：
何敏;邱圆;易小平;郭畅宇
作者机构：
湖南大学电气与信息工程学院,湖南长沙410082;中南大学湘雅医院,湖南长沙410031
文献出处：
引用格式：
[1]何敏;邱圆;易小平;郭畅宇-.基于MD-CGAN的脑部肿瘤图像生成方法研究)[J].湖南大学学报（自然科学版）,2022(08):179-185
A类：
SAGAN,GAN2
B类：
MD,CGAN,脑部肿瘤,图像生成,生成方法,MR,图像分析,像样,影响深度,深度学习模型,多鉴别器,循环一致性生成对抗网络,样本生成,肿瘤病,子区域,崩塌,循环一致性损失,损失函数,FID,生成网络,StyleGAN,样本集,肿瘤分割,分割网络,网络训练,样本扩充,网络性能,图像质量,实样,本参,图像训练,训练样本,磁共振图像
AB值：
0.26438
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
