医学图像分类_医学图像领域的GANs

这是一篇关于GANs在医学图像领域的总结，如果各位大佬也在做医学图像分割/分类，可以mark交流一下。

Introduction

Goodfellow等人引入了生成对抗网络(GANs)来模拟数据分布。GANs能合成真实图像，其原因与两个基本属性有关。

1. GANs是一种无监督的训练方法，可以通过数据获取信息，其方式类似于人类学习图像特征的方式。

2. GANs通过发现数据潜在的高维分布，在特征提取方面有很好的表现。

本文综述了医学图像处理应用中提出的基于GAN的结构，包括去噪、重构、分割、检测、分类和图像合成。论文分布情况如图1所示。

本文最终得到了63篇论文，涵盖了各种GANs。在第3节中，介绍了用于医学图像应用的GAN及其子类的体系结构。第4节描述了GANs在医学图像处理应用中的不同贡献(去噪、重建、分割、检测、分类和合成)，第5节给出了将GANs用于医学图像处理的研究方法、挑战和未来方向。

监督深度学习是目前许多计算机视觉和医学图像分析任务中最先进的技术。然而，其主要限制因素，是它依赖于大量带注释的训练数据。在医学领域，这一点尤为重要，因为医学图像的获取和标注需要专家，导致标签训练数据严重缺乏。

另一个机器学习的问题是，对于一般任务(如超分辨率、分割或图像到图像转换)，必须手工设计相似性度量。传统的相似性包含像素级的损失，如L1和L2距离，两者都会模糊结果，缺乏上下文的整合。GANs的对抗式训练通过学习丰富的相似性度量来区分真假数据从理论上消除了对显式像素级目标函数建模的需要。这一特性最近被用于改进医学图像分割、图像增强(如去噪)以及使用基于GANs的图像到图像转换技术解决医学图像domain shift的问题。

domain shift现象实际上是目前限制深度学习模型泛化能力的另一个主要问题。假设训练数据(training data)和推理数据（inference data）来自相同的分布，因此训练的模型也应该在不可见的数据(unseen data)上正常工作，这种假设往往不成立，并限制了模型的适用性。Domain Adaptation是指使模型对这种domain shift具有鲁棒性，而对抗性训练具有很大的潜力。

概述

GAN框架由生成器(G)、鉴别器(D)以及真实数据X的训练数据集组成。G生成器,是一个多层网络参数θG,旨在找到一种映射x = G(z,θG)。通过映射,G生成假数据。另一方面,鉴别器D(x;θD)旨在把假样本和真实数据区分开来。