基于深度学习的肺部CT影像识别——采用U-net、3D CNN、cGAN实现肺结节的检测（三）

点击此处跳转到系列博客索引

---

---

引言

深度学习网络模型需要海量的数据集训练，否则无法体现深度学习应有的优势。因此医学图像数据增强是至关重要的，基于生成对抗网络充分利用数据本身来进行数据生成，从而在一定程度上解决正样本不足的问题，提升肺结节的检测精度。

CT-GAN图像数据增强

基于条件生成网络的肺结节图像生成算法CT-GAN。该网络能学习图像到图像的映射关系，通过篡改原始的CT图像数据，在指定位置添加肺结节，得到近似真实的医学图像数据，从而扩充正样本数据。

算法原理

原始GAN模型是通过随机噪声来生成数据，没有引入约束信息特征，因此生成数据的效果并不理想。本章研究基于条件生成对抗网络（cGAN）$[1]$的肺结节图像生成算法CT-GAN$[2]$，加入了图像到图像之间的映射关系作为约束信息特征。该算法通过训练能够篡改原始的CT图像数据，在指定位置添加肺结节，得到近似真实的医学图像数据，从而扩充正样本数据。

为了注入结节，算法的预处理和后处理步骤是必要的，整个CT-GAN的处理流程如下图所示。