基于深度学习的有限训练数据乳腺 MRI 风格迁移

本文提出一种新颖的医学图像风格迁移方法 StyleMapper，其可在仅能获取有限训练数据的情况下，将医学扫描图像迁移至未见过的风格。这是通过在训练集上对无限多种模拟随机医学成像风格训练模型而实现的，与其他风格迁移方法相比，我们的工作计算效率更高。此外，我们的方法支持任意风格迁移：将图像迁移至训练时未见的风格。这对医学成像很有用，因为图像使用不同协议与不同扫描仪型号采集，导致数据可能需要在多种风格间迁移。方法：我们的模型将图像内容与风格解耦，并通过将风格编码替换为从目标风格的单一图像中提取的编码来修改图像风格，无需额外优化。这也使模型能区分不同图像风格，包括训练时未见的风格。我们给出了所提模型的正式描述。结果：在乳腺磁共振图像上的实验结果表明了我们的方法在风格迁移上的有效性。结论：我们的风格迁移方法可将不同扫描仪采集的医学图像对齐为统一风格的数据集，从而可在该数据集上训练分类、目标检测等其他下游任务。