评估生成对抗网络学习规范医学图像统计量的能力
图像与视频处理
2022-04-28 v2 计算机视觉与模式识别
医学物理
摘要
近年来，生成对抗网络（GANs）因在医学成像中的潜在应用而获得极大关注，例如医学图像合成、复原、重建、翻译以及客观图像质量评估。尽管在生成高分辨率、感知真实的图像方面取得了令人印象深刻的进展，现代 GAN 是否能可靠地学习对下游医学成像应用有意义的统计量仍不明确。本工作中，研究了一种最先进 GAN 学习规范随机图像模型（SIMs）统计量的能力，这些模型与图像质量客观评估相关。结果表明，尽管所采用的 GAN 成功学习了所考虑特定医学 SIM 的若干基本一阶与二阶统计量并生成了高感知质量的图像，其未能正确学习若干与这些 SIM 相关的逐图统计量，这凸显了从图像质量客观度量角度评估医学图像 GAN 的迫切需求。
引用
@article{arxiv.2204.12007,
title = {Assessing the ability of generative adversarial networks to learn canonical medical image statistics},
author = {Varun A. Kelkar and Dimitrios S. Gotsis and Frank J. Brooks and Prabhat KC and Kyle J. Myers and Rongping Zeng and Mark A. Anastasio},
journal= {arXiv preprint arXiv:2204.12007},
year = {2022}
}