64、深度学习中的生成对抗网络与对抗方法在医学图像分析中的应用

深度学习中的生成对抗网络与对抗方法在医学图像分析中的应用

1. 半监督学习在医学图像分类中的应用

在医学图像分析中，半监督学习结合生成对抗网络（GAN）展现出了一定的潜力。例如，在胸部 X 光扫描的分类任务中，有研究将半监督学习与 GAN 结合，用于区分正常胸部 X 光扫描和显示心脏病的扫描。判别器 D 接收由生成器 G 合成的样本、来自 pdata 的有标签样本（属于有限数量的类别之一）以及来自同一分布但标签未知的样本。尽管该研究是在有限的测试数据上进行的，使用的是相对较小的网络对下采样的 32×32 扫描图像进行处理，但初步结果表明，这种技术可以提供有益的正则化。

2. 基于 GAN 的半监督学习在图像分割中的应用

另一种基于 GAN 的半监督学习方法被用于生物医学图像分割。该方法受到了 Luc 等人的监督分割方法的启发，并且与 Isola 等人的工作相关。在这些工作中，分割器被解释为条件 GAN 的生成器，根据输入图像生成分割图，而判别器则试图区分预测的分割图和手动分割图。在 Zhang 等人的研究中，这种框架被应用于半监督学习。分割器同时应用于有标签和无标签的数据，GAN 的判别器则尝试区分预测是基于有标签数据库的数据还是无标签数据库的数据。对抗训练对分割器进行正则化，使得对无标签数据的预测质量与对有标签数据的预测质量相似。这种正则化在组织学图像中的腺体分割和电子显微镜中的真菌分割中被证明是有益的。

3. 对抗训练在生物医学图像分析中的优势与挑战

对抗训练是一种强大的技术，在生物医学图像分析的许多任务中推动了深度学习的进一步发展。当用于数据合成时，GAN 可以生成在感知上令人信服的图像或解剖几何形状的样本。生物医学图像分析中