基于生成对抗网络与变分自编码器的扩散加权磁共振脑图像生成：一项对比研究
计算机视觉与模式识别
2020-06-26 v1 机器学习
图像与视频处理
摘要
我们展示了可使用深度生成模型合成高质量、多样且逼真的扩散加权磁共振图像。基于专业神经放射科医师的评估以及关于生成合成脑图像质量与多样性的多种指标，我们提出了两种网络——内省变分自编码器（Introspective Variational Autoencoder）与基于风格的 GAN（Style-Based GAN）——它们符合医学领域数据增强的要求，在该领域中信息以分散且非均匀的方式保存，且对其访问在许多方面受限。
引用
@article{arxiv.2006.13944,
title = {Diffusion-Weighted Magnetic Resonance Brain Images Generation with Generative Adversarial Networks and Variational Autoencoders: A Comparison Study},
author = {Alejandro Ungría Hirte and Moritz Platscher and Thomas Joyce and Jeremy J. Heit and Eric Tranvinh and Christian Federau},
journal= {arXiv preprint arXiv:2006.13944},
year = {2020}
}
备注
20 pages, 5 figures, 2 tables