通过解耦解剖算术实现可控心脏图像合成

大规模获取带有罕见疾病或状况的标注数据仍然是一项挑战。若有一种能够可控地合成图像以纠正此类代表性不足的方法，将极为有用。假设存在恰当的潜在表示，“潜在向量算术”的思想可提供实现此类合成的手段。恰当的表示必须对输入数据的保真度进行编码、保持不变性与等变性，并允许算术运算。受将图像解耦为空间解剖（张量）因子与伴随成像（向量）表示的能力所驱动，我们提出了一种称为“解耦解剖算术”的框架，其中生成模型学习组合不同输入图像的解剖因子，使得当它们与期望的成像模态（例如MRI）重新纠缠时，生成具有目标特征的逼真新心脏图像。为了鼓励算术步骤后解剖因子的逼真组合，我们提出了一种位于生成器之前的局部噪声注入网络。我们的模型用于生成逼真图像、病理标签和分割掩码，以扩充现有数据集，并随后改进事后分类与分割任务。代码公开于https://github.com/vios-s/DAA-GAN。