基于共享隐高斯混合模型的跨域医学图像翻译

当前基于深度学习的分割模型常因训练数据不足而在域间泛化较差。在真实临床应用中，跨域图像分析工具需求很高，因为常需来自不同域的医学图像以实现精确诊断。放射学中的一个重要例子是从非增强 CT 到增强 CT 的泛化。不同期的增强 CT 扫描用于增强某些病灶或器官。许多现有的跨域图像到图像翻译模型已显示出可改善大器官的跨域分割。然而，此类模型在翻译过程中缺乏保留精细结构的能力，而这对许多临床应用（如分割主动脉和盆腔动脉中的小钙化斑块）十分重要。为在医学图像翻译中保留精细结构，我们提出一种使用来自高斯混合模型的共享隐变量的基于块的网络。我们将我们的图像翻译框架与几种最先进方法在跨域图像翻译上比较，并显示我们的模型在保留精细结构上做得更好。我们模型的优越性能通过用翻译图像执行两项任务得到验证——主动脉斑块的检测与分割以及胰腺分割。我们期望我们的框架的效用将扩展到分割之外的问题，因为生成图像的质量提高且保留小结构的能力增强。