医学图像重建中的生成对抗网络:一个系统的文献综述
Jabbar Hussain1, Magnus Båth2, Jonas Ivarsson1
1Dept. of Applied IT, University of Gothenburg, Forskningsgången 6, 417 56, Sweden.
Computers in biology and medicine
|April 8, 2025
概括
生成对抗网络 (GAN) 显著提高医学成像质量和从不完整数据的重建. 本综述强调了它们在各种医疗任务和模式中的广泛应用,推动了诊断的进步.
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:
- 生成对抗网络 (GANs) 在医疗图像处理方面表现有前途.
- 从不完整的数据进行图像重建仍然是一个重大挑战,影响图像质量.
研究的目的:
- 系统地审查GAN在增强和重建医学成像数据中的应用.
- 探索GAN在克服医疗图像质量当前局限性的潜力.
主要方法:
- 使用ACM数字图书馆进行了系统的文献审查.
- 关键词包括"生成对抗网络"",医疗图像"和"图像重建".
主要成果:
- 在18种模式和31个器官中,GAN被广泛用于各种医疗任务,包括疾病诊断.
- GAN在提高图像质量和重建方面表现出适应性和有效性,影响诊断技术.
- 网络大小,批量大小和损失函数的精细化是影响GAN性能的关键因素,尽管培训挑战仍然存在.
结论:
- GAN是动态工具,可以显著提高医学成像质量和培训方法.
- 医学成像和诊断技术的进步中,GAN是不可或缺的.
- 整合GAN正在推动医学成像领域的实质性进展.
