基于MD-CGAN的脑部肿瘤图像生成方法研究

• 作者: 何敏 邱圆 易小平 郭畅宇
• 来源期刊: 湖南大学学报（自然科学版）
• 关键词: 深度学习 磁共振图像 样本扩充 生成对抗网络
• 年，卷（期）: 2022,（8）
• 所属期刊栏目: 计算机科学
• 页码范围: 179-185
• 页数: 6页
• 分类号: TP391
• 语种: 中文
• DOI: 10.16339/j.cnki.hdxbzkb.2022241

摘要

深度学习已广泛用于脑部磁共振（MR）图像分析中，但脑部肿瘤MR图像样本不足会严重影响深度学习模型的性能.提出基于多鉴别器循环一致性生成对抗网络（MD-CGAN）的样本生成方法 .利用所提出的MD-CGAN生成脑部肿瘤病理区域图像，将生成的脑部肿瘤病理区域图像覆盖脑部正常图像子区域，合成得到脑部肿瘤MR图像. MD-CGAN引入的双对抗损失避免了模型崩塌问题的产生，引入的循环一致性损失函数可以保证脑部正常子区域图像生成脑部肿瘤病理区域图像，从而使得MD-CGAN生成的图像具有高质量和多样性.以FID值作为评价指标，利用本文提出的MD-CGAN与近几年较经典的生成网络生成脑部肿瘤病理区域图像并计算FID值.实验结果表明，本文所提出网络的FID值比SAGAN、StyleGAN和StyleGAN2的值分别低26.43%、21.91%、12.78%.为进一步验证本文方法的有效性，利用生成的脑部肿瘤图像扩充样本，并依托扩充前后的样本集进行脑部肿瘤分割网络训练.实验表明，样本扩充后的分割网络性能更优异.本文方法生成的脑部肿瘤MR图像质量高、多样性强，这些样本可代替真实样本参与模型的训练，从而有效解决脑部肿瘤MR图像训练样本不足的问题.