基于生成对抗网络的医疗图像处理:系统性审查
Jun Liu1, Kunqi Li1, Hua Dong1
1College of Information Engineering, Nanchang Hangkong University, Nanchang, Jiangxi, 330063, China.
Current medical imaging
|October 26, 2023
概括
生成对抗网络 (GAN) 通过改进用于诊断和治疗的数据生成来增强医疗图像分析. 未来的研究应该解决诸如不稳定性和可解释性等GAN挑战.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 生成对抗性网络 (GAN) 为医学成像提供了卓越的数据生成.
- 图像重建,细分,检测,分类和交叉模式合成中越来越多地应用GAN.
- 对医学成像中的GAN进行审查对研究人员来说是有益的.
研究的目的:
- 审查GANs的起源,原则和扩展形式.
- 总结基于GAN的最新医疗图像处理方法.
主要方法:
- 在谷歌学者和PubMed.Med上进行文献搜索.
- 关键词:细分,分类,医疗图像,生成对抗网络.
- 选了 5423 篇出版物,其中 121 篇研究被纳入最终分析.
主要成果:
- 审查涵盖了2017年1月1日至今的GAN申请.
- 分析了7个领域的121项研究:合成,分类,细分,转换,重建,消毒和病变检测.
- 研究按临床应用,分类方法和成像方式分类.
结论:
- GAN有效地解决了医疗图像诊断模型的有限培训数据.
- 在推进医学图像增强方面,GANs显示出前景.
- 未来的研究应该专注于GAN挑战:模式崩,不稳定性和可解释性.
