基于DCGAN合成MR图像的深度学习模型在脑肿瘤自动分割中的性能提升研究

这篇研究论文创新性地采用深度卷积生成对抗网络（DCGAN）生成合成脑部磁共振（MR）图像，通过K-means算法自动标注肿瘤区域，构建了包含782张图像的高维数据集。研究验证了合成数据对UNet、ResUNet等五种深度学习模型在肿瘤分割任务中的性能提升，其中ResNet50模型表现最优（准确率99.26%，Dice系数81.32%），为医学影像数据稀缺问题提供了有效解决方案。

　　

Highlight

本研究提出了一种基于合成图像生成的深度学习方法，用于提升脑部MR图像中肿瘤区域的分割性能。近年来在图像生成任务中表现优异的深度卷积生成对抗网络（DCGAN）被选为核心架构，通过该模型合成了572张新MR图像，并采用K-means聚类算法实现肿瘤区域自动标注，最终构建了包含真实与合成数据的混合数据集。

Brain Tumor Segmentation with Deep Learning

在两种不同数据集上评估了五种深度学习模型（UNet、ResUNet、ResNet50、VGG16和VGG19）的肿瘤分割性能。第一阶段使用210张原始MR图像（训练集144张），第二阶段将数据集扩展至782张混合数据。结果显示，合成数据的引入显著提升了模型性能——例如VGG16在训练数据上的IoU从76.76%提升至86.88%，Dice系数从86.60%跃升至94.09%。

Results and Discussion

通过交并比（IoU）和Dice系数（DC）指标分析发现：使用合成数据训练时，所有模型性能均显著提升。特别值得注意的是，VGG16模型展现出最强的训练数据适应能力，而ResNet50在测试集表现最优异（准确率提升至99.26%）。这表明合成数据不仅能缓解医学影像数据稀缺问题，还能有效增强模型对肿瘤特征的捕捉能力。

Conclusion

本研究证实，采用DCGAN生成的合成MR图像可显著提高深度学习模型在脑肿瘤分割任务中的表现。通过自动标注构建的混合数据集使ResNet50模型的Dice系数从57.33%提升至81.32%，为临床诊断提供了更可靠的AI辅助工具。该方法为医学影像分析领域的数据增强提供了新思路。