1. 本选题研究的目的及意义
近年来，深度学习在医学图像分析领域取得了显著的进展，而对抗生成网络（GenerativeAdversarialNetworks,GANs）作为一种新兴的深度学习技术，为医学图像分析带来了新的机遇。
GANs能够学习真实数据的潜在分布，生成逼真的图像数据，并在图像生成、分割、分类等任务中展现出巨大潜力。
本选题旨在研究基于对抗生成网络的医学图像分析方法，探索其在医学影像诊断中的应用价值。
2. 本选题国内外研究状况综述
对抗生成网络（GANs）自2014年提出以来，在计算机视觉、自然语言处理等领域取得了令人瞩目的成就。
近年来，越来越多的研究者开始关注GANs在医学图像分析领域的应用。
1. 国内研究现状
3. 本选题研究的主要内容及写作提纲
本研究将针对医学图像分析中的关键问题，研究基于对抗生成网络的解决方案，主要内容包括以下几个方面：1.研究基于对抗生成网络的医学图像生成方法，包括数据增强、图像重建和超分辨率。
a.数据增强：利用GANs生成逼真的医学图像数据，扩充训练数据集，提高模型的泛化能力。
b.图像重建：利用GANs从有限的投影数据中重建高质量的医学图像，例如CT、MRI等。
4. 研究的方法与步骤
本研究将采用理论研究和实验研究相结合的方法，首先进行文献调研，了解国内外在对抗生成网络和医学图像分析方面的研究现状，在此基础上，研究对抗生成网络的基本原理、算法和模型，并根据医学图像的特点，对现有的对抗生成网络模型进行改进和优化，使其更适用于医学图像分析任务。
在实验研究阶段，将使用公开的医学图像数据集进行实验，验证所提出的方法的有效性和先进性，并对实验结果进行分析和讨论，最终得出研究结论。
具体步骤如下：1.文献调研：查阅国内外相关文献，了解对抗生成网络和医学图像分析的研究现状、最新进展和存在的问题，为本研究提供理论基础。
5. 研究的创新点
本研究的创新点主要体现在以下几个方面：1.提出一种改进的对抗生成网络模型，用于医学图像生成，该模型能够生成更逼真、更清晰的医学图像，有效解决医学图像数据不足的问题。
2.将对抗生成网络应用于医学图像分割，提出一种基于对抗生成网络的医学图像分割方法，该方法能够提高医学图像分割的精度和效率，辅助医生进行精准诊断。
3.探索对抗生成网络在医学图像分类中的应用，提出一种基于对抗生成网络的医学图像分类方法，该方法能够提取更discriminative的特征，提高疾病诊断的准确率。
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. 郭雨晨,王飞,尹义龙,等.生成对抗网络在医学图像分析中的应用综述[J].计算机工程,2021,47(11):1-14.
2. 孙逢甲,王田,杜一铭,等.生成对抗网络及其在医学图像处理中的应用[J].计算机科学,2019,46(9):1-16.
3. 刘文杰,王坤,王立春.生成对抗网络在医学图像生成中的应用综述[J].小型微型计算机系统,2021,42(02):257-265.
