基于生成对抗网络的车动脉搏超声图像域适应
计算机视觉与模式识别
2026-01-06 v1
摘要
深度学习在医学影像中得到广泛应用，假设测试和训练数据集属于相同的概率分布。然而，当处理由不同系统生成或同一系统的不同参数设置下的医学图像时，常会遇到挑战。此类图像包含多样的纹理和驻波噪声，违反了上述假设。因此，在不同设备或设置下的数据上训练的模型往往难以有效工作。重新为每个特定设备或设置重新训练模型既费时又昂贵。为此，我们提出一种新型基于生成对抗网络（GAN）的模型。我们将域适应任务形式化为图像到图像翻译任务，在此框架下，我们修改测试数据中源域图像的纹理模式并去除驻波噪声，以便与目标域图像对齐，同时保持图像内容不变。我们将所提方法应用于包含来自三个不同域的车动脉搏超声图像的两个数据集。实验结果表明，该模型成功地翻译了图像的纹理模式并去除了车动脉搏超声图像中的驻波噪声。此外，我们对CycleGAN方法进行了比较研究。实验发现，所提模型在两个数据集上的域适应性能（直方图相关系数为0.960（0.019）与0.920（0.043），Bhattacharya距离为0.040（0.020）与0.085（0.048））优于无域适应时（0.916（0.062）与0.890（0.077），0.090（0.070）与0.121（0.095））。
引用
@article{arxiv.2601.01460,
title = {Domain Adaptation of Carotid Ultrasound Images using Generative Adversarial Network},
author = {Mohd Usama and Belal Ahmad and Christer Gronlund and Faleh Menawer R Althiyabi},
journal= {arXiv preprint arXiv:2601.01460},
year = {2026}
}
备注
15 pages, 9 figures, 4 tables