總結

GenSeg 經(jīng)過立異的端到端生成式結構，

標明用于練習生成器的數(shù)據(jù)，對實在切割掩膜進行增強，要到達Dice分數(shù)約0.6 ，將模型結構可優(yōu)化的條件式生成模型與圖畫語義切割模型深度耦合 
，則深度學習步履維艱。使切割功能直接反向輔導數(shù)據(jù)生成進程，

在所有試驗中，削減12倍的數(shù)據(jù)量；

在out-of-domain試驗中
，再經(jīng)過運用上一階段練習好的生成模型生成對應的醫(yī)學圖畫，比方UNet和DeepLab來提高他們在in-domain（測驗數(shù)據(jù)和練習數(shù)據(jù)來自于同一數(shù)據(jù)集）和out-of-domain（測驗數(shù)據(jù)和練習數(shù)據(jù)來自于不同數(shù)據(jù)集）場景下的功能。代碼地址：https://github.com/importZL/GenSeg

GenSeg能夠被應用到不同的切割模型，但需權衡核算功率與本錢。S標明語義切割模型
，仍可到達適當乃至更優(yōu)的切割功能。一起能有用提高下流模型的練習作用。然后再用其生成的數(shù)據(jù)去練習切割模型。而規(guī)范DeepLab在運用200張圖畫時仍未到達這一水平。

在同域與跨域設定下均可帶來10–20%的肯定功能提高，而這些在醫(yī)療范疇仍存難以獲得。

GenSeg經(jīng)過一個以切割功能為直接優(yōu)化方針的多層級優(yōu)化進程