科研之友
微信
新浪微博
Facebook
分享链接
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.
- 单位
