基于数学体模与医学成像测量建立可解释随机对象模型的AmbientCycleGAN
图像与视频处理
2024-02-05 v1 计算机视觉与模式识别
摘要
为产生具有诊断信息量的图像而设计的医学成像系统，应通过基于任务的图像质量（IQ）测量进行客观评估。理想情况下，基于任务的IQ测量计算需要考虑测量数据中的所有随机性来源，包括待成像对象集合中的变异性。为了满足这一需求，可以采用能够生成合成对象或体模集合的随机对象模型（SOM）。已开发出各种数学SOM或体模，它们可以可解释地合成对象，例如块状对象模型和参数化躯干体模。然而，这种纯粹由数学定义的SOM可能无法全面捕捉真实的对象变异。为了建立真实的SOM，使用实验数据是可取的。最近提出了一种增强型生成对抗网络（AmbientGAN），用于从医学成像测量中建立SOM。然而，AmbientGAN生成的对象能在多大程度上被可解释地控制，目前尚不清楚。本文引入了一种名为AmbientCycleGAN的新方法，该方法利用含噪测量数据将数学SOM转换为真实的SOM。我们进行了考虑簇状块状背景（CLB）模型和真实乳腺X线照片的数值研究。结果表明，我们提出的方法能够基于数学模型和含噪测量数据稳定地建立SOM。此外，还研究了所提出的AmbientCycleGAN在合成对象中可解释地控制图像特征的能力。
引用
@article{arxiv.2402.01171,
title = {AmbientCycleGAN for Establishing Interpretable Stochastic Object Models Based on Mathematical Phantoms and Medical Imaging Measurements},
author = {Xichen Xu and Wentao Chen and Weimin Zhou},
journal= {arXiv preprint arXiv:2402.01171},
year = {2024}
}
备注
SPIE Medical Imaging 2024