全文总字数：3302字

1. 研究目的与意义及国内外研究现状

癌症是当前人类健康最大的威胁，根据WHO(世界卫生组织) 报告，2012年全世界共新增1400万癌症病例并有820万人死亡。其中，中国新增307万癌症患者并造成约220万人死亡，分别占全球总量的21.9%和26.8%。因此癌症的早期筛查和预防刻不容缓。随着科技的发展，当前对癌症的预诊断主要是MRI方式造影。因为对患者是无伤害的。因此一个有效的计算机辅助诊断系统将会辅助医生更加方便精准的做出诊断。目前最好的计算机辅助诊断系统都是用深度学习完成,但是这将需要大量的数据。因为Deep learning本身就是以数据驱动的方式进行，并且其性能在一定范围内与样本数量成正比。但是医学图像往往要比自然图像难获取的多。尤其是有医生标记的医学图像。有标记的核磁共振图像在医学图像中更加宝贵。以往扩充训练集的方式都是通过旋转，平移等一些基本的几何变换或者是用迁移学习来进行，但是这些方式的随机性差，并且扩充的数量很有限。但是随着2016年GAN（生成时对抗网络）的兴起，在数据扩充方面有了新的方向。因为它的输入是随机噪声，这样可以产生无穷的训练样本。但是现在大多都应用在自然图像领域，很少在医学领域中看到GAN网络的应用。本课题将GAN网络和我们的医学专家标记的医学数据样本结合，然后再用深度网络去做对比，从而开发出更好的计算机辅助诊断系统算法。

国内外研究现状

目前国内外在医学图像领域扩充数据集的方式都用几何变换或迁移学习的方式。尤其在放射图像领域，由于DCE-MRI图像数据的高度复杂性，所以很少有比较好的肿瘤分割效果。在医学图中像放射领域利用GAN网络做的比较好的成果有Dong Nie , Dinggang Shen等人在2016年发表的Medical Image Synthesis with Context-Aware Generative Adversarial Networks工作。他们用GAN做了CT和MRI图像间多模态的转换。

2. 研究的基本内容

(1)数据分析处理，包括预处理，构建训练集等；

(2)选用合适的gan网络在病理数据集和放射数据集上进行对抗训练；

(3)用对抗的数据集和原来的数据集在合适的深度网络上进行训练分割，并测试；

3. 实施方案、进度安排及预期效果

(1)3月1号至3月20号看论文，并且完成计算机深度框架配置；

(2)3月21号至3月31号构建训练集；

(3)4月1号至4月20号构建并训练网络进行实验；

4. 参考文献

1. yannick berker et al. mri-based attenuation correction for hybrid pet/mri systems: a 4-class tissue segmentation technique using a combined ultrashort-echo-time/dixon mri sequence. j. nucl. med., 53(5):796–804, 2012.

2. david j brenner and eric j hall. computed tomographyan increasing source of radiation exposure. n. engl. j. med., 357(22):2277–2284, 2007.

3. ciprian catana et al. toward implementing an mri-based pet attenuation-correction method for neurologic studies on the mr-pet brain prototype. j. nucl. med., 51(9):1431–1438, 2010.