通过注册引导的一致性和解缠学习提升医学图像合成
计算机视觉与模式识别
2024-07-11 v1 人工智能
摘要
医学图像合成仍然具有挑战性，主要原因是训练期间存在错位噪声。现有方法尝试通过包含注册引导模块来解决此挑战，但这些方法倾向于忽视合成和注册模块之间任务特定约束，可能导致合成模块仍生成与错位目标图像在空间上对齐的图像，尽管注册模块发挥着作用。因此，本文提出了注册引导的一致性方法，并为医学图像合成引入了解缠学习。所提出的注册引导一致性架构通过在合成前后应用相同的变形场来促进合成和注册模块之间的任务特异性，同时通过对齐损失强制输出一致。此外，设计了具备解缠解剖结构和不同模态下特定风格的能力的合成模块。引入解缠损失，以进一步要求合成模块在潜在空间中保持几何完整性。我们在自建的腹部 CECT-CT 数据集和公开的骨盆 MR-CT 数据集上进行的实验表明，所提出的方法在性能上具有优势。
引用
@article{arxiv.2407.07660,
title = {Boosting Medical Image Synthesis via Registration-guided Consistency and Disentanglement Learning},
author = {Chuanpu Li and Zeli Chen and Yiwen Zhang and Liming Zhong and Wei Yang},
journal= {arXiv preprint arXiv:2407.07660},
year = {2024}
}