To further ensure the synthesized d

To further ensure the synthesized data contain distinguishable CS cancerous patterns, we compute the Auxiliary Distances (AD) of Jensen–Shannon divergence (JSD) between the synthetic CS and real nonCS images of the two modalities. By maximizing the two ADs, in addition to minimizing the W-distances in the unsupervised training process, the synthesizer is guided to include meaningful CS PCa features through attempting to better distinguish the synthesized CS mp-MRI data from those real nonCS mp-MRI data.

結果 (繁體中文) 1:

為了進一步確保合成數據包含可區分癌性CS模式，我們計算詹森 - 香農散度的合成CS和兩個模態的真實nonCS圖像之間的距離的輔助（AD）（JSD）。通過最大化兩個廣告中，除了減少在無監督訓練過程中W-距離，所述合成器被引導到包括有意義CS的PCa通過嘗試更好從那些真實nonCS區分合成CS MP-MRI數據特性MP-MRI數據。

結果 (繁體中文) 2:

為了進一步確保合成資料包含可區分的CS癌性模式，我們計算了合成CS和兩種模式的真實非CS圖像之間的詹森-山發背離（JSD）的輔助距離（AD）。通過最大化兩個 AD，除了在無監督訓練過程中最小化 W 距離外，通過嘗試更好地區分合成的 CS mp-MRI 資料以及真正的非CS，引導合成器包括有意義的 CS PCa 功能mp-MRI 資料。

結果 (繁體中文) 3:

為了進一步確保合成的數據包含可區分的CS癌變模式，我們計算了兩種模式的合成CS影像和真實nonCS影像之間的Jensen-Shannon散度（JSD）的輔助距離（AD）。通過最大化這兩個ADs，除了在無監督訓練過程中最小化W距離外，通過嘗試更好地區分合成的CS-mp-MRI數據和真實的nonCS-mp-MRI數據，指導合成器包含有意義的CS-PCa特徵。