HAGAN: Hybrid Augmented Generative Adversarial Network for Medical Image Synthesis

医学图像合成（MIS）在智能医疗领域中扮演着重要角色，大大节省了医疗诊断的经济和时间成本。然而，由于医学图像的复杂性和不同组织细胞的相似特征，现有的方法在满足其生物一致性方面面临巨大挑战。为此，我们提出了混合增强生成对抗网络（HAGAN），以保持结构纹理和组织细胞的真实性。HAGAN包含注意力混合（AttnMix）生成器、分层鉴别器和鉴别器和生成器之间的反向跳跃连接。AttnMix一致性可微分正则化鼓励真假图像之间的结构和纹理变化感知，从而提高合成图像的病理完整性和局部区域特征的准确性。分层鉴别器为生成器引入逐像素鉴别反馈，同时增强全局和局部细节的显著性和可鉴别性。反向跳跃连接通过融合真实和合成分布特征进一步提高了细节的准确性。我们在三个不同规模的数据集上进行了实验评估，即COVID-CT、ACDC和BraTS2018，结果表明HAGAN优于现有方法，在高分辨率和低分辨率方面均实现了最先进的性能。

本文旨在解决医学图像合成中的生物一致性问题，提出了Hybrid Augmented Generative Adversarial Network (HAGAN)。

HAGAN包含Attention Mixed (AttnMix) Generator、Hierarchical Discriminator和Reverse Skip Connection between Discriminator and Generator，通过不同的正则化、反馈和融合机制来提高生成图像的生物一致性和细节精度。

本文在COVID-CT、ACDC和BraTS2018三个数据集上进行了实验，证明HAGAN在高分辨率和低分辨率下均优于现有方法，具有较高的性能表现。本文的亮点在于提出了一种新的机制来提高生成图像的生物一致性和细节精度。

近期相关研究包括Conditional Generative Adversarial Network (cGAN)、Pix2Pix、CycleGAN等。