类GAN算法的脑部核磁共振图像增强技术研究

摘要

随着计算机的计算能力大幅提升以及深度学习等基于样本的参数估计模型快速更新和迭代,机器代替人工的医学诊断技术日益发展。然而,由于医疗样本的有限性和私密性导致样本量不足,使得大样本驱动的深度学习方法受到极大限制。一般图像增强方法生成的样本质量不高且多样性不足,传统生成对抗网络(GAN)的对抗式学习过程又具有训练不稳定和模式崩塌问题。对此,从理论以及实验角度分析了基于Wasserstein距离的类GAN模型可维持稳定性原因,同时设计了一种考量多样性的FID指标衡量方式。实验结果表明,该方法与不同种类的增强方法相比,在传统的FID指标上达到了1.29,在新的FID指标上达到了0.07。采用Wasser⁃stein距离的类GAN模型可以使对抗学习过程有稳定的收敛能力,同时保证了生成样本的质量与多样性。