GAN在医学图像综述 | 您所在的位置:网站首页 › gan图像生成 › GAN在医学图像综述 |
Generative adversarial network in medical imaging: A review
介绍医学图像的应用重建医学图像合成无条件图像合成跨模态图像合成其他有条件合成工作
医学图像公开数据集医学图像定量评估指标未来工作与展望
这篇文章发表于顶刊Medical Imaging Analysis 2019上,文章细数了GAN应用于医学图像的七大领域——重建(图像去噪)、合成、分割、分类、检测、配准和其他工作,并介绍了包括医学图像数据集、度量指标等内容,并对未来工作做出展望。由于笔者研究方向之故,本博客暂时只关注重建、合成部分的应用。关于该论文中所有列出的文章,均可在
GitHub链接中找到。
介绍
本文统计的截止时间是2019年1月1日之前,统计的论文数据图表如下所示: GAN在医学图像的应用方式可以分为两种,一种方式是利用生成器G来帮助探索和发现训练数据的潜在结构和学习生成新的样本,来解决数据缺乏和病人隐私问题。另一种方式是利用判别器D进行分类或是疾病区域的检测。 因为临床条件的限制,例如辐射剂量和病人的舒适性,采集得到的医学影像的质量常常受限于噪声或者伪影。 大部分的重建工作都是基于Pix2Pix GAN框架或是CycleGAN框架,想查看重建相关论文可以参考原文表1。 为了提高局部结构的重建保真度,许多工作在pix2pix框架中引入了各种不同的损失函数,所有的损失函数总结如原文表2所示。然而,除了依赖于人类观察者或后续的图像分析任务(比如分割、分类)之外,没有可靠的方法来比较它们的有效性。应创建新的参考标准数据集,以便更好地比较这些基于GAN的方法。 医学图像合成GAN可以帮助解决隐私性问题和训练样本不足的问题。相比传统方法,它生成的图像更具有多样性。 无条件图像合成无条件图像合成指的是从噪声中生成图像,常见的GAN框架包括DCGAN、WGAN、PGGAN等。有关无条件图像合成的论文可以参考原文表4。 跨模态图像合成跨模态图像合成指的是从一种模态图像生成另一种模态,比如从MR中合成CT图像。它的优势在于可以减少获取的时间、减少花费和硬件要求。可以生成相同部位的另一模态图像,获得更多的信息。 最常见的框架是Pix2Pix GAN框架、CycleGAN框架以及UNIT框架(多对一合成)。有关跨模态图像合成的论文参考原文表5。 其他有条件合成工作除了从噪声或是另一可获取模态中合成之外,医学图像还可以通过分割图、文本等进行合成。这些合成工作如表6中所示。 医学图像公开数据集首先是如何评价生成图像的质量问题,作者提到传统的指标如PSNR、SSIM并不完全符合人眼视觉效果。因此,作者给出如下三个建议:(1)使用后续的图像分析任务(如分类、分割)进行评估;(2)请专家进行评估,但这种方法耗时长、成本高、不易扩展;(3)使用更高级的评估指标,作者提到了一种已经有学者采用的learned perceptual image path similarity (LPIPS)指标。 其次是在跨模态合成图像中,有配对或是不配对的图像训练方式。但未配对训练没有数据保真度损失项,因此无法保证在翻译过程中保留小异常区域。有学者提出警告不要使用未配对合成的图像作为临床应用。在图像合成的过程中,应当特别注意保留局部异常区域(病灶区域)。 最后,作者提出了几点GAN应用的展望:(1)无监督迁移学习,消除由于不同设备获取的图像之间的差异带来的训练模型成本;(2)去除伪影,有助于减少重复检查的次数;(3)异常检测,电子病历到图像的转换等等; |
CopyRight 2018-2019 实验室设备网 版权所有 |