基于 MRI 的跨模态医学图像估计中的 CNN 与 GAN

Azin Shokraei Fard; David C. Reutens; Viktor Vegh

基于 MRI 的跨模态医学图像估计中的 CNN 与 GAN

图像与视频处理 2021-06-07 v1 计算机视觉与模式识别

作者: Azin Shokraei Fard , David C. Reutens , Viktor Vegh

摘要

跨模态图像估计涉及从一种医学成像模态的图像生成另一种模态的图像。卷积神经网络（CNNs）已被证明在识别、刻画和提取图像模式方面有用。生成对抗网络（GANs）使用 CNN 作为生成器，估计图像基于一个附加网络被判别为真或假。图像估计框架内的 CNN 与 GAN 可更广义地视为深度学习方法，因为成像数据往往规模庞大，导致网络权重数量较多。CNN/GAN 图像估计文献中几乎所有研究都涉及 MRI 数据与其他模态（主要为 PET 或 CT）的使用。本综述概述了 CNN 与 GAN 在基于 MRI 的跨模态医学图像估计中的使用。我们勾勒了所实现的神经网络，并详述了用于 CNN 与 GAN 图像到图像估计器的网络构造。同时给出了跨模态图像估计背后的动机。与 CNN 相比，GAN 在跨模态图像估计中似乎提供了更好的效用，这一发现基于我们对估计图像与实际图像比较指标的分析。我们的最终评述强调了跨模态医学图像估计领域面临的关键挑战，并概述了未来研究的建议。

关键词

卷积神经网络生成对抗网络 MRI 跨模态图像估计医学成像 PET CT

引用

@article{arxiv.2106.02198,
  title  = {CNNs and GANs in MRI-based cross-modality medical image estimation},
  author = {Azin Shokraei Fard and David C. Reutens and Viktor Vegh},
  journal= {arXiv preprint arXiv:2106.02198},
  year   = {2021}
}

基于 MRI 的跨模态医学图像估计中的 CNN 与 GAN

摘要

关键词

引用

相关论文