典型文献
生成对抗式网络及其医学影像应用研究综述
文献摘要：
生成对抗式网络(generative adversarial network,GAN)由负责学习数据分布的生成器和负责鉴别样本真伪的判别器构成,二者在相互对抗过程中互相学习逐渐变强.该网络模型使深度学习方法可以自动学习损失函数,减少了对专家知识的依赖,已经广泛应用于自然图像处理领域,对解决医学影像处理的相关瓶颈问题亦具有巨大应用前景.本文旨在找到生成对抗式网络与医学影像领域面临挑战的结合点,通过分析已有工作对未来研究方向进行展望,为该领域研究提供参考.1)阐述了生成对抗式网络的基本原理,从任务拆分、条件约束以及图像到图像的翻译等角度对其衍生模型进行分析回顾;2)对生成对抗式网络在医学影像领域中的数据增广、模态迁移、图像分割以及去噪等方面的应用进行回顾,分析各方法的优缺点与适用范围;3)对现有图像生成质量评估方法进行小结;4)总结生成对抗式网络在医学影像领域的研究进展,并结合该领域问题特性,指出现有理论应用存在的不足与改进方向.生成对抗式网络提出以来,理论不断完善,在医学影像的处理应用中也取得了长足发展,但仍然存在一些亟待解决的问题,包括3维数据合成、几何结构合理性保持、无标记和未配对数据使用以及多模态数据交叉应用等.
文献关键词：
生成对抗式网络(GAN);医学影像;深度学习;数据增广;模态迁移;图像分割;图像去噪
中图分类号：
作者姓名：
张颖麟;胡衍;东田理沙;刘江
作者机构：
南方科技大学, 深圳 518055;TOMEY株式会社,名古屋 451-0051,日本
文献出处：
引用格式：
[1]张颖麟;胡衍;东田理沙;刘江-.生成对抗式网络及其医学影像应用研究综述)[J].中国图象图形学报,2022(03):687-703
A类：
生成对抗式网络,任务拆分
B类：
generative,adversarial,network,GAN,学习数据,数据分布,生成器,别样,本真,真伪,判别器,互相学习,变强,深度学习方法,自动学习,学习损失,损失函数,专家知识,医学影像处理,瓶颈问题,大应用,面临挑战,结合点,未来研究方向,衍生模型,数据增广,模态迁移,图像分割,图像生成,质量评估,小结,合该,理论应用,不足与改进,改进方向,处理应用,长足发展,数据合成,几何结构,结构合理,无标记,未配对,数据使用,多模态数据,图像去噪
AB值：
0.337298
相似文献
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。
