推进 AmbientGAN 以学习随机对象模型
图像与视频处理
2021-02-02 v1 计算机视觉与模式识别
机器学习
摘要
医学成像系统通常通过客观图像质量（IQ）度量来评估与优化，这些度量量化观察者在特定任务上的表现。待成像对象的变化是一种重要变异来源，可显著限制观察者表现。该对象变异性可由随机对象模型（SOMs）描述。为建立能准确建模真实对象变异的 SOMs，期望使用实验数据。为此，一种称为 AmbientGAN 的增强生成对抗网络（GAN）架构被提出并研究。然而，AmbientGANs 无法直接使用如 GAN 渐进生长（ProGANs）等先进 GAN 训练方法训练。因此，AmbientGANs 建立真实对象模型的能力受限。为规避此问题，提出了渐进生长 AmbientGAN（ProAmGAN）。但 ProAmGANs 设计用于生成二维（2D）图像，而医学成像模态通常用于三维（3D）对象成像。此外，采用传统生成器架构的 ProAmGANs 缺乏控制精细纹理等常在成像系统优化中被考虑的特定图像特征的能力。本研究中，我们通过提出两种先进 AmbientGAN 架构来解决这些局限：3D ProAmGANs 与 Style-AmbientGANs（StyAmGANs）。我们开展了涉及磁共振（MR）成像系统的风格化数值研究。展示了 3D ProAmGANs 从成像测量中学习 3D SOMs 的能力，以及 StyAmGANs 控制合成对象精细纹理的能力。
引用
@article{arxiv.2102.00281,
title = {Advancing the AmbientGAN for learning stochastic object models},
author = {Weimin Zhou and Sayantan Bhadra and Frank J. Brooks and Jason L. Granstedt and Hua Li and Mark A. Anastasio},
journal= {arXiv preprint arXiv:2102.00281},
year = {2021}
}
备注
SPIE Medical Imaging 2021