StyleGAN2-ADA 在医学图像上的性能评估

尽管生成对抗网络（GANs）在医学影像领域展现出巨大潜力，但其应用仍面临四大主要瓶颈：计算成本高、数据需求量大、可靠的评估指标缺乏以及训练过程复杂。本研究针对这些挑战，首次将StyleGAN2-ADA应用于高分辨率医学影像数据集，开展系统性探索。所使用的数据集包含来自非增强与增强对比剂计算机断层扫描（CT）的含肝脏轴向切片。此外，我们还整合了四个公开的多模态医学影像数据集进行综合评估。在训练过程中，我们采用迁移学习（基于Flickr-Faces-HQ数据集预训练）与数据增强技术（水平翻转及自适应判别器增强）对StyleGAN2网络进行训练。生成图像的质量通过定量指标Fréchet Inception Distance（FID）进行评估，并辅以定性分析：邀请七名放射科医生及放射肿瘤科医师参与视觉图灵测试，以判断生成图像的真实性。实验结果表明，StyleGAN2-ADA在肝脏CT数据集上取得了5.22（±0.17）的FID分数；同时，在公开的SLIVER07、ChestX-ray14、ACDC以及Medical Segmentation Decathlon（脑肿瘤）数据集中，分别创下10.78、3.52、21.17和5.39的新纪录FID分数。在视觉图灵测试中，临床专家将生成图像误判为真实图像的比例为42%，接近随机猜测水平，表明生成图像在视觉上已具备高度逼真性。我们的计算消融研究进一步揭示：迁移学习与数据增强能够显著稳定训练过程，并提升生成图像的感知质量。此外，FID分数与临床专家对医学图像的主观感知评价具有高度一致性。最终，本研究发现，StyleGAN2-ADA能够在无需超参数调优或重新训练的情况下，持续生成高质量医学影像，展现出良好的泛化能力与实用性。