| 面向医学图像生成的鲁棒条件生成对抗网络 |
| |
| 引用本文： | 刘少鹏,赵慧民,洪佳明,吴晓航,许发宝,欧阳佳,梁鹏,熊建斌.面向医学图像生成的鲁棒条件生成对抗网络[J].电子学报,2023(2):427-437. |
| |
| 作者姓名： | 刘少鹏 赵慧民 洪佳明 吴晓航 许发宝 欧阳佳 梁鹏 熊建斌 |
| |
| 作者单位： | 1. 广东技术师范大学计算机科学学院;2. 广州大学管理学院;3. 广东省大数据分析与处理重点实验室;4. 广州中医药大学医学信息工程学院;5. 中山大学中山眼科中心眼科学国家重点实验室;6. 山东大学齐鲁医院眼科;7. 广东技术师范大学网络空间安全学院;8. 广东技术师范大学自动化学院 |
| |
| 基金项目： | 国家自然科学基金（No.62072122,No.62072123,No.62073090）；;广东省自然科学基金（No.2019A1515012048,No.2019A1515010700）；;广东省省级科技计划项目（No.2021A0505030074）； |
| |
| 摘 要： | 医学图像生成是计算机辅助诊断技术的关键组成，具有广泛的应用场景.当前基于生成对抗网络的端对端学习模型，依靠生成器和判别器两者对抗训练，获取真实数据的概率分布，从而指导图像生成.但标注有限的医学图像及其高分辨率特点，加大了模型训练难度，影响图像生成质量；同时，模型未纳入数据扰动因素，鲁棒性有限，容易被恶意攻击.为此，本文提出一个基于鲁棒条件生成对抗网络的医学图像生成模型——MiSrc-GAN.该模型包括精度渐进生成器、多尺度判别器以及对抗样本配对构造模块，有效融合GAN框架和对抗样本，改善判别器鲁棒性，有利于学习原始图像与待生成图像的联合概率分布.在真实数据集CSC和REFUGE上的实验表明，MiSrc-GAN生成的图像质量优于现有模型.
|
| 关 键 词： | 医学图像 图像生成 生成对抗网络 对抗样本 投影梯度下降 |
|
|
