生成对抗网络在医学图像计算上的进展与展望

生成对抗网络中生成器和判别器进行博弈的对抗训练方法在计算机视觉任务中引起了大量关注。生成器的参数更新不是直接来自真实数据样本,而是依据判别器的真伪和类别判别,从而具有生成媲美真实图像的能力。此外,生成对抗网络的对抗训练方式具有半监督/无监督训练特性,非常适合应用于医学图像计算领域,用以解决医学图像数据量少、质量低的缺陷。本文从不同角度对基于生成对抗网络的医学图像计算(医学图像合成、超分辨率重建和辅助诊断)的研究进展进行了回顾,并从模型设计、性能表现等方面对相关工作进行了概述和分析。最后,对生成对抗网络在该领域面临的挑战及潜在应用进行了展望。

基于小波分层的多方向医学CT图像增强算法

结合先进的小波理论,对医学CT图像进行小波多尺度变换,得到具有方向性的分量。把改进的小波阈值法与基于小波的同态滤波结合起来分别与这些分量对应起来进行增强,最后分别得到不同尺度(层次)增强的图像,再进一步合成,得到较好的增强效果。实验结果表明,采用该算法可对图像去除噪声的同时能很好的保留图像的重要特征,达到增强医学CT图像的效果。