AnatoMaskGAN：基于 GNN 的切片特征融合与噪声增强用于医学语义图像合成
图像与视频处理
2025-08-18 v1 计算机视觉与模式识别
摘要
医学语义掩码合成有助于数据增强和分析，但大多数基于 GAN 的方法仍产生一对一图像，缺乏复杂扫描的空间一致性。为此，我们提出 AnatoMaskGAN，一种新型合成框架，将切片相关的空间特征嵌入以精确聚合相邻切片之间的上下文依赖，引入多样化的图像增强策略，并优化深度特征学习以提高在复杂医学图像上的性能。具体而言，我们设计一种基于 GNN 的强相关切片特征融合模块，以建模切片之间的空间关系并整合相邻切片的上下文信息，从而更全面地捕捉解剖学细节；我们引入三维空间噪声注入策略，对空间特征与噪声进行加权和融合，以增强结构多样性的建模；我们还融入灰度纹理分类器，以优化生成过程中的灰度分布和纹理表征。在公开的 L2R-OASIS 和 L2R-Abdomen CT 数据集上进行大量实验，表明 AnatoMaskGAN 在 L2R-OASIS 上的 PSNR 提升至 26.50 dB（比当前最先进方法高出 0.43 dB），在 L2R-Abdomen CT 上实现 0.8602 的 SSIM——相较于最佳模型提升 0.48 个百分点，展示了在重建精度和感知质量方面的优势。进一步的消融研究依次移除切片特征融合模块、空间 3D 噪声注入策略和灰度纹理分类器，结果表明每个组件对 PSNR、SSIM 和 LPIPS 都有显著贡献，进一步确认了每个核心设计在提升重建精度和感知质量方面的独立价值。
引用
@article{arxiv.2508.11375,
title = {AnatoMaskGAN: GNN-Driven Slice Feature Fusion and Noise Augmentation for Medical Semantic Image Synthesis},
author = {Zonglin Wu and Yule Xue and Qianxiang Hu and Yaoyao Feng and Yuqi Ma and Shanxiong Chen},
journal= {arXiv preprint arXiv:2508.11375},
year = {2025}
}
备注
8 pages