换一批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.
更多相关知识
分类号
TN957
栏目名称
DOI
10.12263/DZXB.20210051
发布时间
2023-05-08（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（No.62072122）
国家自然科学基金（No.62072123）
国家自然科学基金（No.62073090）
广东省自然科学基金项目（No.2019A1515012048）
广东省自然科学基金项目（No.2019A1515010700）
广东省省级科技计划项目（No.2021A0505030074）
广东省大数据分析与处理重点实验室开放基金（No.202001）
广东省大数据分析与处理重点实验室开放基金（No.202202）
- 浏览4
- 被引19
- 下载2
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
