用于 MRI 图像翻译的 CycleGAN 模型

图像到图像的翻译在医学领域日益流行，用于将图像从一个域转换到另一个域。通过域变换进行的医学图像合成具有增强给定类别图像有限的数据集的优势。从学习的角度来看，这一过程通过内在扩大模型对更多样化视觉数据的接触并使其能够学习更泛化的特征，有助于模型的数据导向鲁棒性。在生成额外神经影像的情况下，获取不可识别的医疗数据并增强较小的标注数据集是有利的。本研究提出开发一种 CycleGAN 模型，用于将神经影像从一种场强翻译到另一种场强（例如，从 3 Tesla 到 1.5）。将该模型与基于 DCGAN 架构的模型进行了比较。CycleGAN 能够以合理的精度生成合成图像和重建图像。从源域（3 Tesla）到目标域（1.5 Tesla）的映射函数表现最佳，平均 PSNR 值为 25.69 $\pm$ 2.49 dB，MAE 值为 2106.27 $\pm$ 1218.37。