In this work, we aim at a GAN-based

In this work, we aim at a GAN-based method which can concurrently meet these three requirements and synthesize high quality mp-MRI images of CS PCa to meaningfully augment mp-MRI data of CS PCa for improving the performance of CNN-based PCa detection and classification. In the following, we start with a survey of related work and summarize their limitations.Prior work: If we refer different modalities of MRI as different domains, mp-MRI data synthesis can then be more broadly formulated as a multidomain or crossdomain data synthesis problem, which has been widely studied in recent years for synthesizing both natural and medical images. Existing multi-/cross- domain data synthesis methods can be categorized into three major classes: (1) cross-domain image translation which, given a real image sampled from one domain (e.g., a T1 image), synthesizes its counterpart in another domain (e.g., a T2 image); (2) direct multi- domain image synthesis which generates two images of different domains with a constraint on the paired relationship based on a common low-dimensional vector; (3) sequential multi-domain image synthesis, which first generates images in one domain based on low-dimensional vectors, followed by cross-domain image translation that maps them to their counterparts in another domain.

結果 (繁體中文) 1:

在這項工作中，我們的目標是能同時滿足這三個要求和綜合CS前列腺癌的高品質MP-MRI圖像CS前列腺癌的有意義的擴充MP-MRI數據對於提高基於CNN-PCA檢測的性能基於GaN的方法和CLASSI科幻陽離子。下面，我們開始與相關工作的調查和總結其局限性。
以前的工作：如果我們參考MRI不同的方式為不同的域，MP-MRI數據合成然後可以更廣泛地配製成多域或跨域數據綜合問題，這已被廣泛研究，近年來合成自然和醫學圖像。現有多/跨域數據合成方法可以分為三個主要類型：（1）跨域圖像平移其中，由於從一個域採樣的實像（例如，T1圖像），合成其對應在另一個域（例如，T2圖像）; （2）直接多域圖像合成，其產生不同的域的兩個圖像與基於一個共同的低維向量的成對關係的約束; （3）順序的多域圖像合成，其中網絡連接基於低維向量RST產生在一個域中的圖像，

結果 (繁體中文) 2:

在這項工作中，我們瞄準了一種基於GAN的方法，該方法可以同時滿足這三個要求，併合成CS PCa的高品質mp-MRI圖像，從而有效地擴充CS PCa的mp-MRI資料，從而提高基於CNN的PCa檢測和分類的性能。下面，我們從相關工作調查開始，總結其局限性。
前期工作：如果我們將不同模式的MRI作為不同的領域，mp-MRI資料合成可以更廣泛地表述為多域或跨域資料合成問題，近年來，該問題被廣泛研究用於合成自然圖像和醫學圖像。現有的多域/跨域資料合成方法可分為三大類：（1） 跨域圖像轉換，給定從一個域採樣的真實圖像（例如 T1 圖像），在另一個域中合成其對應圖像（例如 T2 圖像）;（3） 跨域圖像轉換，給定從一個域採樣的真實圖像（例如 T1 圖像），從而合成另一個域中的對應類圖像（例如 T2 圖像）;（2） 直接多域圖像合成，生成兩個不同域的圖像，基於公共低維向量對配對關係進行約束;（3） 連續多域圖像合成，首先基於低維向量在一個域中生成圖像，然後跨域圖像轉換將影像地圖到另一個域中的對應域。

結果 (繁體中文) 3:

本文的研究目的是提出一種同時滿足這三個要求的基於GAN的方法，合成高品質的CS-PCa的mp-MRI影像，有意義地增强CS-PCa的mp-MRI數據，以提高基於CNN的PCa檢測和分類的效能。下麵，我們從相關工作的調查入手，總結其局限性。
先前的工作：如果我們將不同形式的MRI稱為不同的域，那麼mp-MRI數據合成可以更廣泛地表述為多域或跨域的數據合成問題，近年來在合成自然影像和醫學影像方面得到了廣泛的研究。現有的多域/跨域數據合成方法可分為三大類：（1）跨域圖像轉換，給定從一個域（如T1影像）採樣的真實影像，合成另一個域（如T2影像）中的對應影像；（2）直接多域影像合成，生成兩個不同影像基於公共低維向量的成對關係有約束的域；（3）序列多域影像合成，首先基於低維向量在一個域中生成影像，然後進行跨域圖像轉換，將它們映射到另一個域中的對應影像。