高志军， 王新勃, 王 健

(黑龙江科技大学 计算机与信息工程学院, 哈尔滨 150022)

0 引 言

光学相干层图像(OCT)一直被认为是眼底及其相关疾病筛查和诊断的最重要测试手段之一，但由于视网膜OCT图像获取方式比较困难，且人工标注代价高昂，导致训练学习样本数量少，因此，视网膜OCT图像生成研究已成为计算机视觉和眼科领域的一项重要任务。深度学习兴起以来，正在彻底地改变着自动化图像分析的诸多领域，GPU硬件和新算法的发展使这些方法能够更有效地应用于医学图像处理等相关领域。生成式对抗网络(GAN)[1]提出后，在图像生成任务中表现突出。深度卷积生成对抗网络(DCGAN)[2]提出后，首次应用到视网膜OCT图像生成中，使自动生成视网膜OCT图像效果优于传统数据生成方法，取得了惊人的进步。LAPGAN等[3]网络的问世，在皮肤病图像数据合成取得了显著的成效， B.Christoph等[4]采用渐进式ProGAN合成皮肤病变的高分辨率图像，效果极佳，连专业的皮肤科医生都很难分辨是否为合成的。戚永军等[5]采用改进的DCGAN模型生成肺结节图像取得了很好的效果。

虽然DCGAN是比较好的网络模型，但是对GAN模型的稳定性还需进一步提升，且训练时仍需要平衡生成器和鉴别器的训练进程，其结果往往是生成器训练了多次，而鉴别器训练了一次，易导致生成图像结果不稳定。为了弥补上面的不足，笔者采用样式迁移生成式对抗网络(StyleGAN)框架[6]，通过对StyleGAN网络结构上调节网络的超参数和优化激活函数，使StyleGAN生成视网膜各层生物解剖结构更佳逼近真实的视网膜OCT图像。……