基于无监督多元典型CSC$\ell_4$Net的脑图像合成
计算机视觉与模式识别
2021-03-23 v1 图像与视频处理
摘要
神经科学的近期进展凸显了多模态医学数据在探究特定病理与理解人类认知方面的有效性。然而，获取完整的不同模态集合受限于多种因素，如长采集时间、高检查成本与伪影抑制。此外，神经影像数据的复杂性、高维性与异质性，仍是有效利用现有随机扫描的另一关键挑战，因为同一模态的数据常因不同机器而测量方式不同。显然需要超越传统依赖成像的流程，从源输入合成解剖学特定的目标模态数据。本文中，我们提出利用新颖的CSCNet学习跨越模态内与模态间差异的专用特征。通过在特征图中初步统一模态内数据并进行多元典型适配，CSCNet促进了特征级互变换。正定黎曼流形惩罚的数据保真项进一步使CSCNet能依据变换特征重建缺失测量。最后，最大化 -范数归结为计算高效的优化问题。大量实验在多个数据集上验证了我们的CSCNet相较最先进方法的能力与鲁棒性。
引用
@article{arxiv.2103.11587,
title = {Brain Image Synthesis with Unsupervised Multivariate Canonical CSC$\ell_4$Net},
author = {Yawen Huang and Feng Zheng and Danyang Wang and Weilin Huang and Matthew R. Scott and Ling Shao},
journal= {arXiv preprint arXiv:2103.11587},
year = {2021}
}
备注
10 pages, 5 figures CVPR2021 oral