面向增强 MR 至 CT 转换的解剖特征优先级损失函数
图像与视频处理
2025-09-23 v3 计算机视觉与模式识别
摘要
在医学图像合成中，局部结构细节的精度至关重要，尤其是针对特定临床需求，如识别和测量细小结构。传统的图像翻译和合成方法通常针对全局图像重建进行优化，往往难以提供针对详细局部分析所需的精细程度。本研究通过引入一种新的解剖特征优先级（AFP）损失函数到合成过程中，以解决这一挑战。该方法利用针对特定下游任务（如特定解剖区域的分割）设计的预训练模型的特征，聚焦于临床上重要的结构，从而增强重建效果。AFP 损失函数可以取代或补充全局重建方法，确保对全局图像保真度和局部结构细节之间取得平衡。本文探索了该损失函数的各种实现方式，包括其集成到基于 GAN 和基于 CNN 的不同合成网络中。我们的方法在两个语境中应用和评估：一个是肺部 MR 至 CT 转换，侧重于高质量的支气管结构重建，使用私有数据集；另一个是骨盆 MR 至 CT 合成，旨在准确表示器官和肌肉，使用来自 Synthrad2023 挑战赛的公开数据集。我们利用针对这些解剖区域的预训练分割模型所获得的嵌入，展示了 AFP 损失能够优先处理并准确重建关键特征的能力。这种量身定制的方法在临床应用中提升合成特异性和实用性方面显示出有前景的潜力。
关键词
引用
@article{arxiv.2410.10328,
title = {Anatomical feature-prioritized loss for enhanced MR to CT translation},
author = {Arthur Longuefosse and Baudouin Denis de Senneville and Gael Dournes and Ilyes Benlala and Pascal Desbarats and Fabien Baldacci},
journal= {arXiv preprint arXiv:2410.10328},
year = {2025}
}