3D脑MRI生成新进展：PyTorch实现自动编码生成对抗网络

资源摘要信息:"官方Pytorch实施“使用自动编码的生成对抗网络生成3D脑MRI”（MICACI 2019接受）" 知识点: 1. 生成对抗网络（GANs）：GAN是一种深度学习模型，由两部分组成：生成器（Generator）和判别器（Discriminator）。生成器的目标是生成尽可能真实的假数据，而判别器的目标是尽可能准确地区分真实数据和假数据。在本文中，生成对抗网络被用于生成3D脑部MRI。 2. 自动编码器：自动编码器是一种神经网络，其目标是学习输入数据的压缩表示。在本文中，自动编码器被用于辅助生成对抗网络生成3D脑部MRI。 3. Pytorch：Pytorch是一个开源机器学习库，基于Python，主要用于计算机视觉和自然语言处理。在本文中，Pytorch被用于实现生成对抗网络。 4. Jupyter Notebook：Jupyter Notebook是一个开源的web应用程序，允许创建和共享包含实时代码、方程、可视化和文本的文档。在本文中，建议使用Jupyter Notebook，以获得更好的可视化效果。 5. 3D脑部MRI数据集：在本文中，使用了三类MRI数据集，包括正常的MRI数据、肿瘤MRI数据和中风MRI数据。 6. 数据预处理：在本文中，使用了I/O工具将ADNI的所有DICOM（.dcm）文件转换为Nifti（.nii）文件格式。ADNI是一个公开的大型多模态神经影像学研究数据集。 7. 数据后处理：在本文中，使用了Freesurfer的“recon -all”命令对ADNI的MRI数据进行后处理。 8. 第22届医学影像计算和计算机辅助干预国际会议（MICCAI 2019）：这是一个关于医学影像计算和计算机辅助干预的国际会议，本文的研究成果被该会议接受。 9. 3dbraingen：这是一个提供3D Brain Generation的PyTorch实现的存储库，可以在GitHub上找到，文件名称为“3dbraingen-master”。