论文笔记《Adversarial Networks for Prostate Cancer Detection》
摘要：深度神经网络的大量可训练参数使得它们天生就需要大量的数据。这一特性严重挑战了医学影像学界，更糟糕的是，许多影像学模式本质上是模棱两可的，导致目前的损失公式无法捕捉到评分者依赖的注释。为了缓解上述问题，我们提出在分割网络中使用对抗性训练。我们学习如何利用152位病人的磁共振成像来分割侵袭性前列腺癌，并显示所提出的方案在侦测灵敏度和Dice评分方面优于事实上的标准。在较小的数据集限制下，所获得的效果尤其显著。
问题：神经网络训练需要大量的数据。
方法：在分割网络中使用对抗性训练。
上图：一：Table 1
表格的上面一行使用不同的loss方法来训练，下面三行则是不同的检测指标。
注：1 Dice指标(Dice Score,DSC)：
具体参照：https://blog.csdn.net/qwer7512090/article/details/92846558?
2 : GS (Gleason Score)
Gleason分级是一种被广泛采用的 前列腺癌组织学分级 的方法。
具体参考博客：https://blog.csdn.net/Jason_Lee_/article/details/103882462?
3 tumor sensitivity ：肿瘤敏感度
二 箱线图
三：