20、基于对抗性图像到图像网络的医学图像分割技术

基于对抗性图像到图像网络的医学图像分割技术

深度学习领域近年来发展迅速，其中对抗训练（即生成对抗网络，GAN）被认为是过去十年机器学习中最有趣的想法之一。本文将介绍基于对抗性图像到图像网络的医学图像分割技术，包括生成对抗网络、深度图像到图像网络、使用对抗性图像到图像网络的分割方法以及基于内在语义循环一致性的体积域适应方法。

1. 生成对抗网络（GAN）

生成对抗网络是一类用于无监督机器学习的深度神经网络架构，广泛应用于计算机视觉、自然语言处理和医学图像分析等领域。其核心思想是让两个或多个神经网络相互竞争，在优化过程中最终达到平衡。

一般的GAN算法包含两个子神经网络：生成器网络和判别器网络。生成器的目标是从随机的D维噪声向量生成“假”图像，而判别器网络则对真实图像或生成图像进行真假标签预测，充当二元分类器。在优化过程中，二元分类的目标通过梯度下降帮助更新生成器和判别器的参数。随着目标函数的最小化，生成器生成的图像越来越接近真实图像，判别器也越来越难以区分真实图像和生成图像。

后来，出现了一些GAN的变体：
- 深度卷积生成对抗网络（DCGAN） ：由Radford等人提出，采用无监督学习设置，使用卷积滤波器进行图像生成。训练后，它能从学习到的上下文外观分布中生成高质量的合成图像，训练好的判别器还可作为图像特征提取器用于图像分类任务。
- pix2pix ：Isola等人提出的基于生成对抗网络的图像到图像框架，可实现从标签到图像或从草图到图像的转换。其设计灵感来自DCGAN，对抗网络保证了生成图像的质量，生成器通常采用经典的图像到图像网络，如U-net。
-