LV-GAN论文阅读与代码复现_ev-gan复现-CSDN博客

本文链接：https://blog.csdn.net/qq_58641076/article/details/122009441

《LV-GAN: A deep learning approach for limited-view optoacoustic imaging based on hybrid datasets》，基于混合数据集的有限视野光声成像深度学习方法。

本文提出一种基于生成对抗网络的混合数据驱动深度学习方法，称为LV-GAN，用于从有限视野OA图像中高效恢复高质量图像。通过仿真和实验数据的训练，LV-GAN在小于60°的有限视角下也能实现高精度恢复。在有限视野恢复中，迭代重建方法面临的挑战是相当大的计算时间和优化困难。

生成对抗网络在生物医学应用中，由于两个子网络的对抗性特征，可以避免过度平滑的图像并保留高频特征。LV-GAN基于GAN网络的结构构建，通过正则化代价函数训练，能够在极低的检测角度范围内恢复OA图像。

仿真数据的丰富性和实验数据的相关性，可以减少对大型实验训练数据集的需求，提高LV-GAN对不同场景的适用性。三个常用的指标已被用于定量评估LVGAN在代表性结构的不同有限视野情况下的图像性能。

LV-GAN架构。LV-GAN是按照GAN框架构建的，GAN框架具有两个同时训练的不同网络、一个从有限视野OA图像生成高质量OA图像的生成器和一个试图区分生成的高质量OA图像和标签图像的鉴别器。损失函数设计为对抗损失和MSE的结合，使如下所示损失函数最小化：

其中，x 是有限视角下的OA图像。

对于生成器，使用了改进的U-net架构，包括5个下行采样模块和5个上行采样模块，使用跳跃连接收缩信息。使用卷积+BN+LRelu的配置，上层输出经过最大池化后输出至下层。其中激活函数设置如下：

底层是一个卷积层，特征映射数量保持在1024。下层输出经过双线性上采样运算符输出。网络卷积核设置为3*3，使用平均值为0、标准偏差为0的截断正态分布随机初始化权重。

对于鉴别器，卷积核大小步长设置为4*4。在本文的训练中，生成器和鉴别器的输入图像的大小都是512像素×512像素。Batchsize设置为4。公式(1)中参变量设置为0.1。使用Adam优化器，初始学习率设置为0.0001 。

实验装置。使用定制的OAI系统生成LV-GAN的实验训练数据和测试数据。一种可调谐的光学参量振荡器激光器提供了重复频率为10hz、脉宽小于10ns的短脉冲激光。波长为705nm的照明光被引导到定制的540光纤束中，然后分成四个束。中心频率为3的圆柱形聚焦超声换能器。采用5mhz࿰