基于贝叶斯条件生成对抗网络的 MRI 脑图像合成
图像与视频处理
2021-04-23 v2 计算机视觉与模式识别
摘要
作为医学影像中的一项强大技术，图像合成被广泛应用于去噪、超分辨率重建和模态转换等任务。近年来，深度神经网络的复兴在医学影像领域取得了巨大进展。尽管已提出许多基于深度学习的模型来提高图像合成精度，但对模型不确定性的评估——这一对医学应用至关重要的部分——却一直缺失。在本工作中，我们提出使用带有具体丢弃（concrete dropout）的贝叶斯条件生成对抗网络（GAN）来提升图像合成精度。同时，整个流程中引入了一种不确定性校准方法，使贝叶斯网络产生的不确定性具有可解释性。该方法在一个包含 102 名受试者的脑肿瘤数据集上，通过 T1w 到 T2w 磁共振图像转换进行了验证。与采用蒙特卡洛丢弃（Monte Carlo dropout）的传统贝叶斯神经网络相比，所提方法的结果达到了显著更低的均方根误差（RMSE），p 值为 0.0186。此外，还展示了通过不确定性重校准方法对生成的不确定性校准效果的改善。
引用
@article{arxiv.2005.11875,
title = {Bayesian Conditional GAN for MRI Brain Image Synthesis},
author = {Gengyan Zhao and Mary E. Meyerand and Rasmus M. Birn},
journal= {arXiv preprint arXiv:2005.11875},
year = {2021}
}
备注
26 pages, 7 figures