基于GAN的医学图像分割开题报告

全文总字数：10295字

1. 研究目的与意义（文献综述）

1.1 研究目的及意义

在当前的医疗诊断中，医学图像具有越来越重要的临床应用价值。常用的医学图像有磁共振(magnetic resonance imaging，mri)、超声、计算机断层扫描(x-raycomputer tomography，ct)、正电子发射计算机断层扫描以及病理切片图像等。医学图像处理是分析医学图像的首要步骤，有助于使图像更加直观、清晰，提高诊断效率，因此国内外都十分重视医学影像处理。其中，图像分割是图像处理的重要环节，也是难点，是制约三维重建等技术应用的瓶颈性问题。医学图像分割的目的是将医学图像中具有某些特殊含义的部分分割出来，并提取相关特征，为临床诊疗和病理学研究提供可靠的依据，辅助医生做出更为准确的诊断。

2. 研究的基本内容与方案

本文以卷积神经网络（cnn）为背景，利用最近的生成对抗网络（gan）的概念，其中生成器映射潜在噪声空间到真实的图像，而鉴别器区分从数据库和生成器中抽取的样本。我们将这个概念扩展到多任务学习中，其中鉴别器-分类器网络（dc-net）区分假/真的实例，并指定正确的类标签，设计并制作一种自动检测和定位肿瘤的算法。gan的原始版本可以实现鉴别器网络的两路softmax输出，通过[real，fake]查找分布。对于在k类数据库上进行半监督学习的任务，可以很容易地扩展概念，在鉴别器的输出处加入k 1路softmax层；现在，预测标签将是[class 1，class 2，..，class k，fake]。改进后的判别器可以称为分辨器-分类器网络（dc网络）。设p_dc（c = k | x）表示通过dc网络定义给定一个实例x属于第k类的概率。k = 1,2，... k表示来自数据库的标签（在我们的例子中k = 2：肿瘤补丁和背景补丁），k = k 1表示fake类。现在，dc网络最大限度地减少了两种类型的损失，即a）分类损失和b）对抗性损失。

图1 结构框图

3. 研究计划与安排

第1－4周：查阅相关文献资料，明确研究内容，了解研究所需理论基础。确定方案，完成开题报告。

第5－6周：熟悉掌握基本理论，完成英文资料的翻译，熟悉开发环境。

第7－9周：编程实现各算法，并进行仿真调试。

4. 参考文献（12篇以上）

[1]goel n, yadav a, singh bm. medical imageprocessing: a review[a]. computational intelligence on power, energy andcontrols with their impact on humanity[c].2017:57-62.

[2]fitzpatrick j m, sonka m. medical imageprocessing and analysis[j]. spanish journal of agricultural research, 2000,10(3):786-793.

[3]kajitani n, asakura a, gotoh t, et al. areconstruction system of medical images based on three-dimensional imagessegmentation[j]. ipsj sig notes, 2000, 2000:13-18.