GANetic Loss for Generative Adversarial Networks with a Focus on Medical Applications

生成对抗网络（GANs）是机器学习模型，用于估计给定数据集的潜在统计结构，因此可用于各种任务，如图像生成或异常检测。尽管最初很简单，但为GANs设计有效的损失函数仍然具有挑战性，并且已经提出了各种损失函数，旨在改善生成模型的性能和稳定性。本研究将GANs的损失函数设计作为一个优化问题，使用遗传编程（GP）方法进行求解。为了实验性地寻找改进的损失函数，首先在MNIST数据集上使用小型深度卷积GAN（DCGAN）模型进行了实验。然后在CIFAR10上评估了发现的函数，其中最佳函数被命名为GANetic loss，与通常用于GAN训练的损失相比，它表现出了异常的性能和稳定性。为了进一步评估它在更具挑战性的问题上的普适性，GANetic loss被应用于两个医学应用：图像生成和异常检测。使用组织病理学、胃肠道或青光眼图像进行实验，以评估GANetic loss在医学图像生成中的表现，结果显示与基线模型相比，图像质量得到了改善。在息肉和青光眼图像中使用GANetic Loss，检测异常的效果得到了显著提高。总之，GANetic损失函数在多个数据集和应用程序上进行了评估，始终优于替代损失函数。此外，GANetic loss可实现稳定的训练和可重复的结果，这是GANs的一个已知弱点。

本文旨在设计一种更加有效和稳定的GAN损失函数，以提高GAN在图像生成和异常检测等任务中的性能。

本文采用基因编程方法设计GAN损失函数，通过实验搜索得到一种名为GANetic loss的损失函数，该函数表现出更好的性能和稳定性。

实验使用了MNIST和CIFAR10数据集，以及医学图像数据集进行测试。GANetic loss在图像生成和异常检测任务中均表现出优秀的性能。本文提出的GANetic loss函数能够有效地解决GAN训练中的不稳定性问题。

近年来，GAN的损失函数设计一直是研究的热点。相关研究包括WGAN、LSGAN、DRAGAN等。