论文标题
具有生成对抗网络的合成磁共振图像
Synthetic Magnetic Resonance Images with Generative Adversarial Networks
论文作者
论文摘要
数据增强对于医学研究以增加培训数据集的规模并取得更好的结果至关重要。在这项工作中，我们实验了具有不同损失功能的三个GAN体系结构，以产生新的大脑MRI。结果表明，在判别器中使用高批量相似性层的高参数调整以及在损失函数中使用小批量相似性层的重要性，以实现具有高质量和现实主义的收敛性。此外，需要巨大的计算时间来生成与原始数据集的无法区分的图像。
Data augmentation is essential for medical research to increase the size of training datasets and achieve better results. In this work, we experiment three GAN architectures with different loss functions to generate new brain MRIs. The results show the importance of hyperparameter tuning and the use of mini-batch similarity layer in the Discriminator and gradient penalty in the loss function to achieve convergence with high quality and realism. Moreover, huge computation time is needed to generate indistinguishable images from the original dataset.
