Synthetic Brain Images: Bridging the Gap in Brain Mapping With Generative Adversarial Model

磁共振成像（MRI）是获取精确解剖信息的重要模态，对于诊断和治疗规划在医学成像中起着重要作用。近年来，由于深度学习技术，特别是生成对抗网络（GANs）的引入，图像合成问题已经发生了革命性变化。本研究调查了使用深度卷积生成对抗网络（DCGAN）生成高保真度和逼真的MRI图像切片的方法。建议的方法使用具有各种脑MRI扫描的数据集来训练DCGAN架构。当判别器网络区分创建的和真实的切片时，生成器网络学习合成逼真的MRI图像切片。生成器通过对抗性训练方法改进其生成切片的能力，以紧密模仿真实MRI数据。结果表明，DCGAN在医学成像研究中有广泛的应用前景，因为它们表明，如果我们对它们进行连续数量的纪元训练，它们可以有效地生成MRI图像切片。这项工作增加了关于应用深度学习技术进行医学图像合成的研究的不断扩大的文献资料。可以生成的切片具有增强数据集、在深度学习模型训练中提供数据增强以及提供一些功能使MRI数据清理更容易的能力，并且提供了一个三个主要解剖平面的易于使用和清洁的数据集。

使用深度卷积生成对抗网络（DCGAN）合成高保真度的MRI图像切片，以增强数据集、提供数据增强，以及简化MRI数据清理。

通过使用具有各种脑MRI扫描的数据集来训练DCGAN结构，鉴别器网络区分生成的和真实的切片，生成器网络学习合成逼真的MRI图像切片，通过对抗训练方法，生成器提高了生成逼真MRI数据的能力。

论文使用DCGAN成功合成MRI图像切片，这有助于增强数据集、提供数据增强，以及简化MRI数据清理。实验中使用的数据集包含多种脑MRI扫描。

最近的相关研究包括使用GAN合成医学图像的其他工作，如Conditional GANs for Medical Image Synthesis、Deep learning in medical imaging: A review和A survey on deep learning in medical image analysis。