Generation of 3D Brain MRI Using Auto-Encoding Generative Adversarial Networks论文解读

  本文出自MICCAI2019。

摘要

  随着深度学习在医学图像分析任务中显示出前所未有的成功，缺乏足够的医学数据正成为一个关键问题。近年来，利用生成对抗网络（GAN）解决有限数据问题的尝试在生成具有多样性的真实图像方面取得了成功，但大部分工作都是基于图像到图像的转换，因此需要来自不同领域的大量数据集。在此，我们提出了一个新的模型，通过学习数据分布，可以成功地从随机向量生成三维脑MRI数据。我们的三维GAN模型结合了变分自动编码器（VAE）和GAN的优点，并引入了额外的编码鉴别网络，利用α-GAN来解决图像模糊和模式崩溃问题。我们也使用带梯度惩罚的Wasserstein-GAN（WGAN-GP）来降低训练的不稳定性。为了证明我们的模型的有效性，我们生成了正常大脑MRI的新图像，并且表明我们的模型在定量和定性测量方面都优于基准模型。我们还训练该模型来合成脑部疾病的MRI数据，以证明我们的模型的广泛适用性。我们的结果表明，所提出的模型可以从一组小的训练数据中成功地生成各种类型和模式的三维全脑MRI影像数据。

介绍

  近年来，深度神经网络，特别是卷积神经网络（CNN）在基于可获得大数据的分类和分割等各种计算机视觉任务中表现出了优异的性能。伴随着这些成果，医学图像分析领域，包括疾病诊断和病变检测领域也取得了显著的突破。然而，训练基于CNN的模型需要大量的医学图像数据，这些数据的获取既费时又费钱。传统的几何变换方法（如翻转、旋转）可以用来增强训练数据，但它们的效果高度依赖于原始数据。
  生成性对抗网络（GAN）是一种积极探索的解决数据缺乏问题