基于GAN生成现实的3D体积数据:一个系统的审查和分类
André Ferreira1, Jianning Li2, Kelsey L Pomykala3
1Center Algoritmi/LASI, University of Minho, Braga, 4710-057, Portugal; Computer Algorithms for Medicine Laboratory, Graz, Austria; Institute for AI in Medicine (IKIM), University Medicine Essen, Girardetstraße 2, Essen, 45131, Germany; Department of Oral and Maxillofacial Surgery, University Hospital RWTH Aachen, 52074 Aachen, Germany; Institute of Medical Informatics, University Hospital RWTH Aachen, 52074 Aachen, Germany.
Medical image analysis
|February 10, 2024
概括
生成对抗网络 (GAN) 创建现实的合成体积数据,解决医学和其他领域有限的数据可用性. 本综述总结了GAN用于生成高质量,保护隐私的体积数据的方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 高质量的体积数据对于AI在医学 (诊断,治疗监测) 中至关重要.
- 由于罕见疾病,隐私问题或高收购成本导致的数据稀缺性限制了人工智能模型培训.
- 生成对抗网络 (GAN) 通过合成现实的,保护隐私的体积数据提供了一个解决方案.
研究的目的:
- 审查和总结关于GANs用于生成体积合成数据的现有研究.
- 提供关于体积GAN现状的整体概述,包括方法,挑战和机会.
主要方法:
- 关于体积GANs的出版物的文献综述.
- 分析常见的GAN架构,损失函数和用于体积数据生成的评估指标.
- 开发一种新的分类法来分类体积GAN方法.
主要成果:
- 确定GAN是克服体积应用中的数据限制的关键技术.
- 概述了各种基于GAN的体积数据合成方法的优缺点.
- 介绍了当前体积GAN的综合分类和评估.
结论:
- 卷度GAN是生成高质量,符合隐私的合成数据的强大工具,特别是在医疗领域.
- 该审查强调了关键挑战,并确定了体积GAN开发和应用的未来研究机会.
