使用 CycleGAN 从未配对数据进行跨模态图像合成：梯度一致性损失与训练数据规模的影响
计算机视觉与模式识别
2018-08-01 v3
摘要
CT 常用于骨科手术。MRI 因其优越的软组织对比度，与 CT 配合使用以识别肌肉结构并诊断骨坏死。然而，MRI 对骨结构的对比度较差。显然，如果有对应的 CT 可用将非常有帮助，因为骨边界更清晰且 CT 具有标准化单位（即 Hounsfield 单位）。因此，我们的目标是 MR 到 CT 的合成。CycleGAN 已成功应用于头部的未配对 CT 和 MR 图像，但由于关节和肌肉的存在，这些图像的强度对变化不如骨盆区域的图像大。在本文中，我们通过添加梯度一致性损失扩展了 CycleGAN 方法，以提高边界处的准确性。我们进行了两项实验。为了评估图像合成，我们研究了图像合成精度对 1) 训练数据数量和 2) 梯度一致性损失的依赖性。为了证明我们方法的适用性，我们还研究了合成图像上的分割精度。
引用
@article{arxiv.1803.06629,
title = {Cross-modality image synthesis from unpaired data using CycleGAN: Effects of gradient consistency loss and training data size},
author = {Yuta Hiasa and Yoshito Otake and Masaki Takao and Takumi Matsuoka and Kazuma Takashima and Jerry L. Prince and Nobuhiko Sugano and Yoshinobu Sato},
journal= {arXiv preprint arXiv:1803.06629},
year = {2018}
}
备注
10 pages, 7 figures, MICCAI 2018 Workshop on Simulation and Synthesis in Medical Imaging