DC-cycleGAN：基于非配对数据的双向 CT 到 MR 图像合成
图像与视频处理
2023-06-02 v2 计算机视觉与模式识别
机器学习
摘要
磁共振（MR）与计算机断层扫描（CT）图像是两类典型的医学图像，为精确临床诊断与治疗提供互为补充的信息。然而，出于成本、辐射剂量及模态缺失等考量，同时获取两种图像可能受限。近来，医学图像合成引起日益增长的研究兴趣以应对该局限。本文提出一种双向学习模型，记为双对比 cycleGAN（DC-cycleGAN），用于从非配对数据合成医学图像。具体而言，在判别器中引入双对比损失，利用源域样本作为负样本间接建立真实源图像与合成图像间的约束，并迫使合成图像远离源域。此外，将交叉熵与结构相似性指数（SSIM）集成入 DC-cycleGAN，以在合成图像时兼顾样本的亮度与结构。实验结果表明，与其他基于 cycleGAN 的医学图像合成方法（如 cycleGAN、RegGAN、DualGAN 与 NiceGAN）相比，DC-cycleGAN 能产出前景良好的结果。代码将发布于 https://github.com/JiayuanWang-JW/DC-cycleGAN。
引用
@article{arxiv.2211.01293,
title = {DC-cycleGAN: Bidirectional CT-to-MR Synthesis from Unpaired Data},
author = {Jiayuan Wang and Q. M. Jonathan Wu and Farhad Pourpanah},
journal= {arXiv preprint arXiv:2211.01293},
year = {2023}
}