一种用于医学图像合成的基于注意力的生成模型
图像与视频处理
2023-06-08 v1 计算机视觉与模式识别
摘要
磁共振（MR）和计算机断层扫描（CT）成像是诊断疾病和规划治疗的宝贵工具。然而，辐射暴露和成本等限制会限制对某些成像模态的获取。为解决此问题，医学图像合成可从一种模态生成另一种模态，但许多现有模型在数据集存在多个切片时难以进行高质量图像合成。本研究提出一种称为 ADC-cycleGAN 的基于注意力的双对比生成模型，可从具有多个切片的非配对数据合成医学图像。该模型将双对比损失项与 CycleGAN 损失相结合，以确保合成图像与源域可区分。此外，在生成器中引入注意力机制，以从通道和空间域提取信息性特征。为在处理多个切片时提升性能，使用 -means 算法将数据集聚类为 组，每组用于训练一个独立的 ADC-cycleGAN。实验结果表明，所提出的 ADC-cycleGAN 模型生成的样本与其他最先进生成模型相当，分别取得了 19.04385 和 0.68551 的最高 PSNR 和 SSIM 值。我们在 https://github.com/JiayuanWang-JW/ADC-cycleGAN 发布了代码。
引用
@article{arxiv.2306.01562,
title = {An Attentive-based Generative Model for Medical Image Synthesis},
author = {Jiayuan Wang and Q. M. Jonathan Wu and Farhad Pourpanah},
journal= {arXiv preprint arXiv:2306.01562},
year = {2023}
}