醫(yī)學(xué)圖像處理中物體和器官的標(biāo)注在異常檢測(cè)和形狀識(shí)別中起著重要作用赁温。此外速兔，分割被定義為許多其他任務(wù)的預(yù)處理步驟墅拭，如檢測(cè)和分類(lèi)。因此涣狗，自動(dòng)分割引起了大量研究者的關(guān)注谍婉，近幾十年來(lái)，自動(dòng)分割是醫(yī)學(xué)圖像處理中應(yīng)用深度學(xué)習(xí)最常見(jiàn)的課題屑柔。
1.1 MR圖像
磁共振成像（MRI）是無(wú)線(xiàn)電成像領(lǐng)域中使用最廣泛的技術(shù)屡萤。作為一種動(dòng)態(tài)且靈活的技術(shù)，MRI可以實(shí)現(xiàn)多變的圖像對(duì)比度掸宛，該過(guò)程的實(shí)現(xiàn)是通過(guò)使用不同的脈沖序列和改變成像參數(shù)對(duì)應(yīng)縱向松弛時(shí)間(T1)和橫向松弛時(shí)間(T2)死陆，T1加權(quán)和T2加權(quán)成像的信號(hào)強(qiáng)度與特定組織的特征有關(guān)[10]。MR成像中，圖像的對(duì)比度依賴(lài)于相位對(duì)比脈沖序列參數(shù)措译，最常見(jiàn)的脈沖序列是T1加權(quán)和T2加權(quán)自旋回波序列[12]别凤。通過(guò)MR成像可以觀(guān)察大腦、肝臟领虹、胸规哪、腹部和骨盆的結(jié)構(gòu)細(xì)節(jié)，這有利于診斷檢測(cè)或治療[13]塌衰。
MRI對(duì)軟組織有很好的成像能力诉稍；有非常高的分辨率；具有較高的信噪比最疆；利用不同的脈沖序列可以得到對(duì)比度多變的多通道圖像杯巨，進(jìn)而用于不同解剖結(jié)構(gòu)的目標(biāo)分割和分類(lèi)[14]。然而努酸，在MRI中存在多種偽影服爷，如部分容積、隨機(jī)場(chǎng)噪聲获诈、強(qiáng)度不均勻性仍源、梯度、運(yùn)動(dòng)舔涎、環(huán)繞笼踩、吉布斯振鈴、磁化性等[15]终抽。此外戳表，相比于CT圖像，MRI的獲取需要相當(dāng)長(zhǎng)的時(shí)間昼伴，且通常條件下很難得到統(tǒng)一的圖像質(zhì)量匾旭。
1.2 CT圖像
醫(yī)學(xué)CT成像設(shè)備使用X射線(xiàn)（一種電磁波）得到人體的結(jié)構(gòu)和功能信息。CT影像是基于X射線(xiàn)吸收剖面的重構(gòu)圖像圃郊，由于不同物質(zhì)和組織吸收X射線(xiàn)能力不同价涝，因此X射線(xiàn)可用于診斷[16]。CT成像作為當(dāng)前多類(lèi)疾病實(shí)體診斷的金標(biāo)準(zhǔn)持舆，廣泛應(yīng)用于大腦色瘩、肝臟、胸部逸寓、腹部居兆、骨盆、脊柱等身體部位以及CT血管造影的早期診斷篩查[17]竹伸。但是與MR圖像相比較泥栖，CT圖像敏感性和特異性相對(duì)較差簇宽。
CT成像中的偽影[18]包括：部分容積效應(yīng)、條形偽影吧享、運(yùn)動(dòng)偽影魏割、束硬化偽影、環(huán)狀偽影钢颂、金屬偽影等钞它。由于這些偽影的存在給CT圖像分割帶來(lái)了一定的難度，不同組織部位分割精度也不一樣[19]殊鞭。
1.3 醫(yī)學(xué)圖像分割的特點(diǎn)
醫(yī)學(xué)圖像分割是醫(yī)學(xué)圖像處理與分析領(lǐng)域的復(fù)雜而關(guān)鍵的步驟遭垛，其目的是將醫(yī)學(xué)圖像中具有某些特殊含義的部分分割出來(lái)，并提取相關(guān)特征操灿，為臨床診療和病理學(xué)研究提供可靠的依據(jù)耻卡，輔助醫(yī)生做出更為準(zhǔn)確的診斷[20]。圖像分割過(guò)程是把圖像分割成多個(gè)區(qū)域牲尺，這些區(qū)域內(nèi)部有類(lèi)似的性質(zhì)，如灰度幌蚊、顏色谤碳、紋理、亮度溢豆、對(duì)比度等蜒简。醫(yī)學(xué)圖像分割的目標(biāo)是(以放射治療為例)[21]：(1)研究解剖結(jié)構(gòu)；(2)識(shí)別感興趣區(qū)域(即定位腫瘤漩仙、病變和其他異常組織)搓茬；(3)測(cè)量組織體積；(4)觀(guān)察腫瘤生長(zhǎng)或治療中腫瘤體積的減少队他，為治療前的計(jì)劃和治療中提供幫助卷仑；(5)輻射劑量計(jì)算。
從醫(yī)學(xué)圖像中自動(dòng)分割出目標(biāo)是個(gè)艱巨的任務(wù)麸折，因?yàn)獒t(yī)學(xué)圖像具有較高的復(fù)雜性且缺少簡(jiǎn)單的線(xiàn)性特征锡凝；此外分割結(jié)果的準(zhǔn)確率還受到部分容積效應(yīng)、灰度不均勻性垢啼、偽影窜锯、不同軟組織間灰度的接近性等因素的影響[22]。針對(duì)通常采用的校正技術(shù)來(lái)說(shuō)芭析，可以將MR和CT圖像中的偽影分類(lèi)為[23]：(1)需要適當(dāng)?shù)臑V波算法處理的偽影锚扎，如噪聲偽影、敏感性偽影馁启、存在非清晰邊緣的偽影驾孔；(2)需要適當(dāng)圖像修復(fù)算法的偽影，如運(yùn)動(dòng)偽影；(3)需要特定算法的偽影助币，如部分容積和灰度不均勻性浪听。圖像處理領(lǐng)域盡管在已存在很多算法處理上述問(wèn)題，但是醫(yī)學(xué)圖像分割仍然是個(gè)復(fù)雜和具有挑戰(zhàn)性的問(wèn)題眉菱。從醫(yī)學(xué)圖像處理過(guò)程的角度來(lái)看迹栓，基于灰度和基于紋理特征技術(shù)的分類(lèi)是常規(guī)的分類(lèi)方式[24]。此外俭缓，用機(jī)器學(xué)習(xí)的工具去優(yōu)化這些圖像分割算法是當(dāng)前較受關(guān)注的技術(shù)[25]．
CT和MR圖像的分割主要涉及3個(gè)相關(guān)問(wèn)題：變化的噪聲克伊、像素灰度分類(lèi)的不確定性及灰度的非均衡性[26]。圖像中單一組織的灰度水平一般是逐漸變化的华坦，且其概率密度服從特定的分布函數(shù)愿吹，該組織對(duì)應(yīng)的圖像區(qū)域包含有限的像素(或體素)且滿(mǎn)足部分容積平均，然而該區(qū)域中的單個(gè)像素(或體素)的灰度不與任何一類(lèi)一致惜姐，往往被看作混合組織類(lèi)[28]犁跪。
FCN
傳統(tǒng)的基于卷積神經(jīng)網(wǎng)絡(luò)的分割方法的做法通常是：為了對(duì)一個(gè)像素分類(lèi)，使用該像素周?chē)囊粋€(gè)圖像塊作為卷積神經(jīng)網(wǎng)絡(luò)的輸入用于訓(xùn)練和預(yù)測(cè)歹袁。這種方法有幾個(gè)缺點(diǎn)：一是存儲(chǔ)開(kāi)銷(xiāo)很大坷衍。例如對(duì)每個(gè)像素使用的圖像塊的大小為15x15，則所需的存儲(chǔ)空間為原來(lái)圖像的225倍条舔。二是計(jì)算效率低下枫耳。相鄰的像素塊基本上是重復(fù)的，針對(duì)每個(gè)像素塊逐個(gè)計(jì)算卷積孟抗，這種計(jì)算也有很大程度上的重復(fù)迁杨。三是像素塊大小的限制了感知區(qū)域的大小。通常像素塊的大小比整幅圖像的大小小很多凄硼，只能提取一些局部的特征铅协，從而導(dǎo)致分類(lèi)的性能受到限制。
針對(duì)以上問(wèn)題, Long Jonathan等人[52]2015年提出全卷積網(wǎng)絡(luò)(FullyConvolutional Networks, FCN)結(jié)構(gòu)帆喇。FCN可以對(duì)圖像進(jìn)行像素級(jí)的分類(lèi)警医，從而解決了語(yǔ)義級(jí)別的圖像分割問(wèn)題。與經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)在卷積層之后使用全連接層得到固定長(zhǎng)度的特征向量進(jìn)行分類(lèi)（全聯(lián)接層＋softmax 輸出）不同坯钦，全卷積網(wǎng)絡(luò)可以接受任意尺寸的輸入圖像预皇，采用反卷積層對(duì)最后一個(gè)卷積層的特征圖進(jìn)行上采樣, 使它恢復(fù)到輸入圖像相同的尺寸，從而可以對(duì)每個(gè)像素都產(chǎn)生了一個(gè)預(yù)測(cè), 同時(shí)保留了原始輸入圖像中的空間信息, 最后在上采樣的特征圖上進(jìn)行逐像素分類(lèi)婉刀，完成最終的圖像分割吟温。FCN的網(wǎng)絡(luò)結(jié)構(gòu)如圖 1 所示。
在FCN網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上突颊，Korez 等人[53]提出了3D FCN網(wǎng)絡(luò)結(jié)構(gòu)鲁豪，并將3D FCN網(wǎng)絡(luò)分割出的脊椎結(jié)構(gòu)用形變模型算法進(jìn)行優(yōu)化潘悼，進(jìn)一步提高了脊柱MR圖像的分割準(zhǔn)確率。Zhou等人[54]將FCN算法和多數(shù)投票算法相結(jié)合爬橡，在人體軀干CT圖像中分割出了19個(gè)目標(biāo)治唤。在網(wǎng)絡(luò)訓(xùn)練過(guò)程中，將經(jīng)過(guò)每一個(gè)像素點(diǎn)的矢狀面糙申、軸狀面宾添、冠狀面的CT圖像分別輸入至2D FCN網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并用3D Majority Voting算法對(duì)三幅圖像的分割結(jié)果進(jìn)行表決柜裸，得到最后的分割結(jié)果缕陕。Moeskops等人[55]采用腦部MRI、心肌MRI和冠狀動(dòng)脈在心臟CT血管造影（CTA）中的冠狀動(dòng)脈圖像同時(shí)訓(xùn)練一個(gè)FCN網(wǎng)絡(luò)疙挺，使得訓(xùn)練好的網(wǎng)絡(luò)可同時(shí)用于這三類(lèi)目標(biāo)的分割扛邑。
FCN在對(duì)圖像進(jìn)行分割時(shí)，上采樣層將特征恢復(fù)到原圖像的大小铐然，此過(guò)程會(huì)導(dǎo)致像素定位不精確蔬崩，從而影響分割結(jié)果的準(zhǔn)確性欢峰。為了解決這一問(wèn)題铐刘，許多研究者采用MRF算法[56]或CRF算法[58]對(duì)FCN輸出的分割結(jié)果進(jìn)行改進(jìn)几于，進(jìn)一步優(yōu)化分割結(jié)果讳侨。
3.2U-net
2015年，OlafRonneberger等人[64]提出了U-net網(wǎng)絡(luò)結(jié)構(gòu)薄湿，U-net是基于FCN的一種語(yǔ)義分割網(wǎng)絡(luò)，適用于做醫(yī)學(xué)圖像的分割。
U-net網(wǎng)絡(luò)結(jié)構(gòu)與FCN網(wǎng)絡(luò)結(jié)構(gòu)相似樟氢，也是分為下采樣階段和上采樣階段，網(wǎng)絡(luò)結(jié)構(gòu)中只有卷積層和池化層侠鳄，沒(méi)有全連接層埠啃，網(wǎng)絡(luò)中較淺的高分辨率層用來(lái)解決像素定位的問(wèn)題，較深的層用來(lái)解決像素分類(lèi)的問(wèn)題伟恶，從而可以實(shí)現(xiàn)圖像語(yǔ)義級(jí)別的分割碴开。與FCN網(wǎng)絡(luò)不同的是，U-net的上采樣階段與下采樣階段采用了相同數(shù)量層次的卷積操作博秫，且使用skip connection結(jié)構(gòu)將下采樣層與上采樣層相連潦牛，使得下采樣層提取到的特征可以直接傳遞到上采樣層，這使得U-net網(wǎng)絡(luò)的像素定位更加準(zhǔn)確挡育，分割精度更高巴碗。此外，在訓(xùn)練過(guò)程中即寒，U-net只需要一次訓(xùn)練橡淆，F(xiàn)CN為達(dá)到較精確的FCN-8s結(jié)構(gòu)需要三次訓(xùn)練召噩，故U-net網(wǎng)絡(luò)的訓(xùn)練效率也高于FCN網(wǎng)絡(luò)。
U-net網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示, 藍(lán)色箭頭代表卷積和激活函數(shù), 灰色箭頭代表復(fù)制剪切操作, 紅色箭頭代表下采樣, 綠色箭頭代表反卷積,conv 1X1代表卷積核為1X1的卷積操作逸爵。從圖中可以看出具滴，U-net網(wǎng)絡(luò)沒(méi)有全連接層，只有卷積和下采樣师倔。U-net可以對(duì)圖像進(jìn)行端到端的分割构韵，即輸入是一幅圖像, 輸出也是一幅圖像。
U-net網(wǎng)絡(luò)提出后溯革，在醫(yī)學(xué)圖像分割領(lǐng)域表現(xiàn)優(yōu)秀贞绳，許多研究者均采用U-net網(wǎng)絡(luò)結(jié)構(gòu)做醫(yī)學(xué)圖像分割，并在U-net網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上提出改進(jìn)致稀。?i?ek等人[65]提出3D U-net網(wǎng)絡(luò)結(jié)構(gòu)冈闭，該結(jié)構(gòu)通過(guò)輸入3D圖像連續(xù)的2D切片序列實(shí)現(xiàn)3D圖像分割。Milletari等人[66]提出了U-net網(wǎng)絡(luò)結(jié)構(gòu)的一種3D變形結(jié)構(gòu)V-net抖单，V-net結(jié)構(gòu)使用Dice系數(shù)損失函數(shù)代替?zhèn)鹘y(tǒng)的交叉熵?fù)p失函數(shù)萎攒，且使用3D卷積核對(duì)圖像進(jìn)行卷積，通過(guò)1x1x1的卷積核減少通道維數(shù)矛绘。Drozdzal等人[67]提出在U-net網(wǎng)絡(luò)結(jié)構(gòu)中不僅可以使用長(zhǎng)跳躍連接結(jié)構(gòu)耍休，也可以使用短跳躍連接結(jié)構(gòu)。
在病灶分割任務(wù)中货矮，深度學(xué)習(xí)算法需要完成目標(biāo)識(shí)別羊精、器官分割和組織分割等多項(xiàng)任務(wù)，因此分割過(guò)程中應(yīng)結(jié)合圖像的全局信息和局部信息來(lái)實(shí)現(xiàn)病灶的準(zhǔn)確分割囚玫，Kamnitsas等人[68]和Ghafoorian等人[69]都提出使用多尺度卷積來(lái)提取圖像全局信息和局部信息喧锦。此外，Wang等人[70]提出一種傷口圖像分析系統(tǒng)抓督，先用U-net網(wǎng)絡(luò)對(duì)傷口圖像進(jìn)行分割燃少，再用SVM分類(lèi)器對(duì)分割出的傷口圖像進(jìn)行分類(lèi)，判斷傷口是否感染铃在，最后用GP回歸算法對(duì)傷口愈合時(shí)間進(jìn)行預(yù)測(cè)阵具。Brosch等人[71]使用U-net網(wǎng)絡(luò)對(duì)腦部MRI中的腦白質(zhì)病灶進(jìn)行分割，并在U-net網(wǎng)絡(luò)的第一層卷積和最后一層反卷積之間加入跳躍連接結(jié)構(gòu)定铜，使得該網(wǎng)絡(luò)結(jié)構(gòu)在訓(xùn)練數(shù)據(jù)較少的情況下仍得到了很好的分割結(jié)果阳液。
RNN
在自然圖像中，像素級(jí)的RNN被用作自回歸模型揣炕，生成模型最終可以產(chǎn)生類(lèi)似于訓(xùn)練集樣本的新圖像趁舀。
對(duì)于醫(yī)療應(yīng)用而言，RNN可用于醫(yī)學(xué)圖像分割問(wèn)題祝沸。 Stollenga等人[79]首次在六個(gè)方向上使用3D LSTM-RNN對(duì)腦部MR圖像進(jìn)行分割矮烹，用金字塔方式重新排列MD-LSTM中傳統(tǒng)的長(zhǎng)方體計(jì)算順序越庇，使得網(wǎng)絡(luò)可以在GPU上并行訓(xùn)練，大大提高了網(wǎng)絡(luò)訓(xùn)練效率奉狈，并在MRBrainS挑戰(zhàn)中取得了很好的分割結(jié)果卤唉。Andermatt等人[80]使用帶有門(mén)控單元的3D RNN網(wǎng)絡(luò)分割腦MR圖像中的灰質(zhì)和白質(zhì)，結(jié)合數(shù)據(jù)預(yù)處理和后處理操作仁期，進(jìn)一步提高了分割準(zhǔn)確率桑驱。Chen等人[81]提出了一個(gè)基于FCN和RNN的三維圖像分割新框架，這是第一個(gè)明確利用3D圖像各向異性的DL分割框架跛蛋。使用來(lái)自ISBI神經(jīng)元結(jié)構(gòu)分割挑戰(zhàn)的數(shù)據(jù)集和3D真菌圖像進(jìn)行評(píng)估熬的，他們的方法比已知的基于DL的3D分割方法在分割準(zhǔn)確率上更勝一籌。Poudel等人[82]提出了循環(huán)全卷積網(wǎng)絡(luò)（RFCN）赊级，將解剖學(xué)檢測(cè)和圖像分割將結(jié)合押框，形成一個(gè)端到端的網(wǎng)絡(luò)結(jié)構(gòu)，從而大大縮短了計(jì)算時(shí)間理逊，簡(jiǎn)化了分割流水線(xiàn)橡伞，并為實(shí)時(shí)應(yīng)用提供了可能。
GAN
一般來(lái)說(shuō)晋被，基于CNN的分割方法利用像素丟失來(lái)學(xué)習(xí)像素之間的局部和全局關(guān)系是不夠的兑徘。所以需要統(tǒng)計(jì)建模方法，如條件隨機(jī)場(chǎng)或統(tǒng)計(jì)形狀模型來(lái)修正他們的結(jié)果羡洛。雖然已經(jīng)提出了一些基于patch的CNN方法來(lái)解決這個(gè)問(wèn)題挂脑，但是這些方法需要在準(zhǔn)確性和patch大小之間進(jìn)行權(quán)衡。人們又提出了一種基于U-Net的基于加權(quán)交叉熵?fù)p失的體系結(jié)構(gòu)欲侮，但這些方法都面臨著weights優(yōu)化問(wèn)題最域。所以除了加權(quán)損失外，還需要一般性損失來(lái)解決這個(gè)問(wèn)題锈麸。GANs在醫(yī)學(xué)圖像分割主要在 大腦,胸部,眼睛,腹部, 顯微圖像, 心動(dòng), 脊柱。表5至10總結(jié)了基于GAN的分割方法牺蹄。從已知的DNN架構(gòu)來(lái)看忘伞，U-Net和ResNet 由于提供通用的識(shí)別功能，是最常用的網(wǎng)絡(luò)沙兰，可用作基于GAN的分段模型中的生成器氓奈。
大腦
胸部
胸部x線(xiàn)圖像分割的主要障礙是圖像質(zhì)量差、局部偽影和心肺重疊鼎天。Dai等人提出了一種基于GAN的解決方案(SCAN)舀奶，增強(qiáng)分割的全局一致性，提取心臟和左/右肺的輪廓斋射。這項(xiàng)工作的主要貢獻(xiàn)是使用一個(gè)完全連接的網(wǎng)絡(luò)與VGG下采樣路徑使用更少的特征映射育勺。
眼睛
在視網(wǎng)膜血管分割中但荤，許多基于CNN的方法甚至比人類(lèi)專(zhuān)家的表現(xiàn)更好。Son等人將CNN替換為遵循生成器的U-Net架構(gòu)的GAN涧至。在兩個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明腹躁，利用傳統(tǒng)的鑒別器可以獲得最佳的性能，甚至優(yōu)于人類(lèi)專(zhuān)家的注釋南蓬。
Lahiri et al.提出了一種基于DC-GAN的分割方法纺非，將RoI patch從背景中分割出來(lái)。類(lèi)似的CNN需要大量的訓(xùn)練數(shù)據(jù)才能很好地表現(xiàn)赘方，而提出的結(jié)構(gòu)使用九分之一的訓(xùn)練數(shù)據(jù)就可以達(dá)到類(lèi)似的性能烧颖。
Shankaranarayana等人提出利用cGAN網(wǎng)絡(luò)對(duì)二維彩色眼底圖像進(jìn)行分割。生成器是一個(gè)由對(duì)抗損耗和L1損耗構(gòu)成的網(wǎng)絡(luò)窄陡。
腹部
腹部MRI圖像中脾臟大小和形狀的不同炕淮，導(dǎo)致了CNN深度分割方法的錯(cuò)誤標(biāo)記。GANs模型可以解決這一問(wèn)題泳梆。
顯微圖像
脊柱
1鳖悠、GAN在醫(yī)療領(lǐng)域的優(yōu)勢(shì)
基于GAN的深度生成模型能夠產(chǎn)生逼真的圖像，在醫(yī)療圖像獨(dú)有的兩個(gè)挑戰(zhàn)中优妙，Gan具有得天獨(dú)厚的優(yōu)勢(shì)：
標(biāo)注的稀缺性：通常乘综，標(biāo)注在醫(yī)學(xué)圖像中too expensive且難以獲得。針對(duì)此類(lèi)問(wèn)題的基于監(jiān)督學(xué)習(xí)的深度神經(jīng)網(wǎng)絡(luò)具有挑戰(zhàn)性套硼。正如合成和轉(zhuǎn)化中的多項(xiàng)研究所證明的那樣卡辰，GAN可以利用這兩個(gè)即將到來(lái)的框架
不成對(duì)的數(shù)據(jù)：找到正確的數(shù)據(jù)（按像素或按區(qū)域）是極具挑戰(zhàn)性的。GAN框架十分強(qiáng)大邪意，例如cycle GAN從不成對(duì)的訓(xùn)練圖像中學(xué)習(xí)獨(dú)特的模式并產(chǎn)生逼真的輸出九妈。
2、缺點(diǎn)
本文確定當(dāng)前形式的GAN中可能阻礙其在醫(yī)學(xué)界發(fā)展的三個(gè)主要缺點(diǎn)：
合成數(shù)據(jù)的可信度：基本網(wǎng)絡(luò) - 發(fā)生器和鑒別器仍然是深度神經(jīng)網(wǎng)絡(luò)雾鬼，其機(jī)制尚未得到很好的研究萌朱。在醫(yī)學(xué)圖像中，強(qiáng)度通常與某些含義相關(guān)策菜，例如晶疼，可以基于CT數(shù)據(jù)的HU大致分類(lèi)組織類(lèi)型。目前GAN重建中缺少這種關(guān)聯(lián)和映射又憨，這一缺點(diǎn)足以讓臨床醫(yī)生不信任GAN合成的圖像翠霍。
不穩(wěn)定的訓(xùn)練：許多文獻(xiàn)指出GAN訓(xùn)練的數(shù)值是不穩(wěn)定的。這會(huì)導(dǎo)致mode cllaspe等情況蠢莺。state of the art的工作在真實(shí)圖像的GAN訓(xùn)練中著重于解決這些數(shù)值不穩(wěn)定問(wèn)題寒匙。然而，在醫(yī)學(xué)成像中躏将，圖像模式本身不清晰锄弱，如何識(shí)別這樣的問(wèn)題尚不清楚考蕾。
評(píng)估指標(biāo)：評(píng)估reconstruction結(jié)果的最佳方法仍不清楚。在醫(yī)學(xué)成像中棵癣，研究人員主要依靠傳統(tǒng)指標(biāo)（如PSNR或MSE）來(lái)評(píng)估GAN重建質(zhì)量辕翰。然而這種指標(biāo)的缺點(diǎn)是人們選擇GAN的主要原因。
參考鏈接：基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割綜述
關(guān)于GANs在醫(yī)學(xué)圖像領(lǐng)域應(yīng)用的總結(jié)
