评估在医学影像中建立基于生成对抗网络的随机图像模型的流程
图像与视频处理
2022-04-08 v1 计算机视觉与模式识别
医学物理
摘要
现代生成模型，如生成对抗网络（GANs），在医学影像的多个领域展现出巨大潜力，例如无条件医学图像合成、图像恢复、重建与转换，以及成像系统优化。然而，使用 GANs 建立随机图像模型（SIMs）的流程仍然较为通用，并未解决与医学影像相关的特定问题。在这项工作中，我们采用在血管造影图像中模拟真实血管的规范 SIMs 来评估使用 GANs 建立 SIMs 的流程。基于 GAN 的 SIM 与规范 SIM 进行比较，依据是其再现那些对所考虑的特定医学真实 SIM 有意义的统计量的能力。结果表明，使用经典指标和医学相关指标评估 GANs 可能会对训练好的 GANs 的保真度得出不同的结论。这项工作强调了开发用于评估 GANs 的客观指标的必要性。
引用
@article{arxiv.2204.03547,
title = {Evaluating Procedures for Establishing Generative Adversarial Network-based Stochastic Image Models in Medical Imaging},
author = {Varun A. Kelkar and Dimitrios S. Gotsis and Frank J. Brooks and Kyle J. Myers and Prabhat KC and Rongping Zeng and Mark A. Anastasio},
journal= {arXiv preprint arXiv:2204.03547},
year = {2022}
}
备注
Published in SPIE Medical Imaging 2022: Image Perception, Observer Performance, and Technology Assessment