1. 本选题研究的目的及意义
医学图像分割是计算机辅助诊断（CAD）中的关键步骤，其目标是从医学图像中识别和提取出感兴趣的解剖结构或病变区域。
这项技术在临床诊断、治疗计划制定和疾病跟踪等方面具有至关重要的作用。
本选题研究旨在探索和应用生成对抗网络（GAN）在医学图像分割中的潜力。
2. 本选题国内外研究状况综述
医学图像分割是医学图像处理领域中的一个重要研究方向，近年来，深度学习的快速发展为医学图像分割提供了新的技术手段，取得了一系列突破性进展。
其中，生成对抗网络（GAN）作为一种新兴的深度学习技术，在图像生成、图像翻译和图像增强等领域表现出强大的能力，受到了国内外学者的广泛关注。
1. 国内研究现状
3. 本选题研究的主要内容及写作提纲
本选题研究的主要内容包括以下几个方面:
1. 主要内容
1.研究GAN的基本原理和常见变体:深入研究GAN的理论基础，包括生成器和判别器的结构设计、对抗训练过程以及常见的GAN变体，例如DCGAN、WGAN和CycleGAN等，为后续的应用研究奠定基础。
4. 研究的方法与步骤
本研究将采用以下方法和步骤：
1.文献调研与综述:全面调研国内外关于GAN和医学图像分割的最新研究成果，了解GAN的基本原理、常见变体以及在医学图像分割中的应用现状，为本研究提供理论基础和参考依据。
2.数据集收集与预处理:收集和整理公开可用的医学图像数据集，例如BraTS脑肿瘤分割数据集、LiTS肝脏分割数据集和LIDC-IDRI肺部结节数据集等。
对原始数据进行预处理，包括图像归一化、数据增强和标签制作等，以满足模型训练的要求。
5. 研究的创新点
本研究的创新点在于：
1.针对特定医学图像分割任务，提出改进的GAN模型:在现有GAN模型的基础上，结合医学图像的特点，对模型的网络结构、损失函数或训练策略进行改进，以提高分割精度和效率。
2.探索新的GAN训练策略或正则化方法:针对医学图像数据量小、标注困难等问题，探索新的GAN训练策略或正则化方法，例如半监督学习、弱监督学习或数据增强等，以提高模型的泛化能力和鲁棒性。
3.将GAN应用于新的医学图像分割任务:探索将GAN应用于新的医学图像分割任务，例如多模态医学图像分割、三维医学图像分割或动态医学图像分割等，拓展GAN的应用范围。
6. 计划与进度安排
第一阶段 （2024.12~2024.1）确认选题，了解毕业论文的相关步骤。
第二阶段（2024.1~2024.2）查询阅读相关文献，列出提纲
第三阶段（2024.2~2024.3）查询资料，学习相关论文
7. 参考文献（20个中文5个英文）
1. 李宏伟,柴秀娟,王飞.生成对抗网络GAN的研究进展综述[J].计算机科学,2021,48(06):1-13.
2. 郭晓峰,王雪,王坤峰,等.生成对抗网络GAN及其在图像领域应用的研究综述[J].计算机应用研究,2020,37(06):1601-1612 1620.
3. 周凯,黄露,刘静,等.基于深度学习的医学图像分割方法综述[J].计算机工程与应用,2020,56(21):6-16 31.
