生成对抗网络医学图像去噪研究综述

医学图像作为辅助医生诊断和治疗的重要手段,其清晰度对临床医疗的重要性不言而喻。生成对抗网络(GAN)独特的对抗训练思想在图像生成任务中展现出强大的学习能力,因其能生成高质量的样本,故在计算机视觉领域的研究前景光明。针对GAN应用于医学图像去噪任务进行概括和总结。首先介绍GAN的基础理论和优缺点;然后对适用于医学图像去噪的GAN的衍生模型进行详细介绍,总结有助于提升GAN医学图像去噪性能的各种损失函数及其作用,以及其他可以嵌套在GAN模型中并对医学图像去噪起辅助作用的深度学习类框架;并总结提升医学图像去噪的GAN网络性能的方法;最后探讨了GAN用于医学图像去噪的应用前景、面临的挑战以及未来可能的研究方向。

基于强化学习的多变量时序数据缺失值补全方法

针对基于深度神经网络填补多变量时序数据缺失值时存在误差引入的问题,将强化学习和图神经网络结合,提出了基于强化学习的多变量时序数据缺失值补全方法(reinforcement learning based missing value completion method for multivariate time series data,RL-CFMTS)。具体地,设计了一个图神经网络模块,用于预测最终的缺失值。同时,该模块还为强化学习模块提供状态向量和奖励,指导强化学习为目标时序节点挑选其认为最相似的b个节点来建立时序关系,以减少误差的引入。在3个真实世界数据集上的实验结果表明,RL-CFMTS在插补准确性方面优于近年来的多变量时序数据缺失值填补方法,在天气、股票和疫情数据集中平均绝对误差(mean absolute error,MAE)指标分别提升了12.78%、15.80%和55.73%。