基于生成对抗网络的血管几何合成
计算机视觉与模式识别
2018-04-13 v1
摘要
计算合成的血管可用于医学图像分析应用的训练与评估。我们提出了一种深度生成模型来合成血管几何，并应用于心脏 CT 血管造影（CCTA）中的冠状动脉。在所提方法中，训练了一个由生成器和判别器网络组成的 Wasserstein 生成对抗网络（GAN）。生成器试图合成逼真的血管几何，而判别器试图将合成几何与真实血管几何区分开来。真实与合成的血管几何均基于血管中心轴参数化为一维信号。生成器可选择性地接收一个属性向量，以合成具有特定特征的血管。该 GAN 使用包含从 CCTA 扫描中提取的 4,412 个真实冠状动脉几何参数化的参考数据库进行优化。训练后，可基于从潜空间采样的随机向量合成合理的冠状动脉几何。定性分析显示真实与合成冠状动脉之间具有高度相似性。对潜空间的详细分析表明，生成器准确捕捉了冠状动脉解剖结构中的多样性。结果表明，Wasserstein 生成对抗网络可用于合成血管几何。
引用
@article{arxiv.1804.04381,
title = {Blood Vessel Geometry Synthesis using Generative Adversarial Networks},
author = {Jelmer M. Wolterink and Tim Leiner and Ivana Isgum},
journal= {arXiv preprint arXiv:1804.04381},
year = {2018}
}
备注
Submitted to the 1st Conference on Medical Imaging with Deep Learning (MIDL2018), Amsterdam, The Netherlands (https://openreview.net/forum?id=SJ4N7isiG)