改进GAN的光化性角化病图像数据增强方法

针对传统网络应用于医学图像数据增强时出现的特征丢失和多样性不足的问题,提出一种基于能量的改进生成对抗网络模型.首先将简单的原始随机噪声输入高斯混合模型,尽管增加了少部分的计算量,但转换后具有潜在复杂分布的噪声能在一定程度上提升生成样本的类内多样性和类间多样性.然后在判别器部分把简单自编码器替换为U-Net状的变体网络,多层采样的过程可以增强对细节纹理的感知,进而提高生成图像的清晰度和特征还原.最后使用混合体驱动算法,按照加权参数逐步混合多个生成器,在迭代过程中弥补先前混合体的不足,提高生成模块的鲁棒性.在光化性角化病图像数据集上的实验结果表明,该网络训练生成的图像在弗雷歇初始距离上优于现有的WGAN(Wasserstein GAN)模型3.41.另外由于判别器可预训练的特性,收敛速度快于当前的WGAN.同时也在公开数据集MNIST和CelebA上验证改进生成对抗网络的有效性.