Curvilinear Structure-preserving Unpaired Cross-domain Medical Image Translation
计算机视觉与模式识别
2025-10-23 v1
摘要
无配对图像到图像翻译已成为医学成像中至关重要的技术，使能够在不昂贵配对数据集的情况下实现跨模态合成、域适应和数据增强。然而，现有方法常会扭曲细微的曲线结构，如微血管，削弱诊断可靠性和定量分析。这种限制在眼科和血管成像中尤为重要，因为细微形态变化具有重要临床意义。我们提出了 Curvilinear Structure-preserving Translation (CST)，一种在无配对翻译期间显式保留细微曲线结构的通用框架，通过整合结构一致性来实现训练。具体而言，CST 将曲线提取模块纳入基线模型，以实现拓扑监督。它可以无缝集成到现有方法中。我们将其集成到 CycleGAN 和 UNSB 作为两个具有代表性的 backbone。全面评估覆盖三种成像模态: 光学相干断层血管图、色彩 fundus 和 X 射线冠状动脉造影，证明 CST 在提高翻译保真度方面取得了状态最佳的性能。通过强化学习映射中的几何完整性，CST 为医学成像中基于曲线结构的跨域翻译建立了原则性的路径。
引用
@article{arxiv.2510.19679,
title = {Curvilinear Structure-preserving Unpaired Cross-domain Medical Image Translation},
author = {Zihao Chen and Yi Zhou and Xudong Jiang and Li Chen and Leopold Schmetterer and Bingyao Tan and Jun Cheng},
journal= {arXiv preprint arXiv:2510.19679},
year = {2025}
}