对抗式伪健康合成需要病理因子分解
计算机视觉与模式识别
2019-01-23 v1 机器学习
机器学习
摘要
伪健康合成，即从病理图像生成特定受试者的“健康”图像，可能在异常检测、理解病理与疾病引起的变化甚至数据增强等任务中有所帮助。我们将该任务视为因子分解问题：旨在分离出看似健康的部分与疾病所在位置（以图形式）。随后将这两个因子（由网络）重组以重建输入的疾病图像。我们以对抗方式训练模型，采用配对或非配对设定，其中在可用时将疾病图像与图（作为分割掩码）配对。我们定量评估伪健康图像的质量。在 ISLES 与 BraTS 数据集上进行的一系列实验表明，我们的方法优于条件 GAN 与 CycleGAN，凸显了在伪健康图像生成这一图像翻译任务中使用对抗方法的挑战。
引用
@article{arxiv.1901.07295,
title = {Adversarial Pseudo Healthy Synthesis Needs Pathology Factorization},
author = {Tian Xia and Agisilaos Chartsias and Sotirios A. Tsaftaris},
journal= {arXiv preprint arXiv:1901.07295},
year = {2019}
}