GAN架构MRI到CT合成的系统性基准测试
计算机视觉与模式识别
2026-03-17 v1
摘要
将磁共挍成像（MRI）转换为计算机断层扫描（CT）已被提出作为有效解决方案，以促进MRI-only临床工作流程的同时限制离子辐射暴露。尽管已提出了众多用于MRI到CT转换的生成对抗网络（GAN）架构，但针对异构模型的系统性和公平比较仍有限。我们在三个解剖区域（腹部、胸部、头颈部）上对十个GAN架构进行全面基准测试，评估数据集为SynthRAD2025。所有模型均在统一的验证协议下训练，采用相同的预处理和优化设置。性能通过综合指标进行评估，包括体素级精度、结构保真度、感知质量和分布层面逼真度，同时分析计算复杂度。受监督的配对模型始终优于非配对方法，确认了体素级监督的重要性。Pix2Pix在各区域实现了最均衡的性能，同时保持了良好的质量与复杂度权衡。多区域训练提高了结构鲁健性，而单区域训练最大化了体素级保真度。这一基准为MRI-only放射治疗工作流程中的模型选择提供定量和计算指导，并建立了可复现的框架用于未来的比较研究。为确保实验可复现性，我们在以下链接公开代码及整体结果：https://github.com/arco-group/MRI_TO_CT.git
引用
@article{arxiv.2603.13520,
title = {A Systematic Benchmark of GAN Architectures for MRI-to-CT Synthesis},
author = {Alessandro Pesci and Valerio Guarrasi and Marco Alì and Isabella Castiglioni and Paolo Soda},
journal= {arXiv preprint arXiv:2603.13520},
year = {2026}
}