评估强度归一化对 MR 图像合成的影响
计算机视觉与模式识别
2018-12-13 v1
摘要
图像合成学习从输入图像的强度特征到输出图像不同组织对比度的变换。该过程已被证明可应用于许多医学图像分析任务，包括填补、配准与分割。在进行合成时，输入图像的强度通常会在训练学习变换时和测试应用变换时进行缩放——即归一化——但目前尚不清楚何种类型的输入缩放是最优的。在本文中，我们考虑七种不同的强度归一化算法与三种不同的合成方法，以评估归一化的影响。我们的实验表明，强度归一化作为预处理步骤可改善所有被研究合成算法的合成结果。此外，我们给出的证据表明，强度归一化对于成功的基于深度学习的 MR 图像合成至关重要。
引用
@article{arxiv.1812.04652,
title = {Evaluating the Impact of Intensity Normalization on MR Image Synthesis},
author = {Jacob C. Reinhold and Blake E. Dewey and Aaron Carass and Jerry L. Prince},
journal= {arXiv preprint arXiv:1812.04652},
year = {2018}
}
备注
SPIE Medical Imaging 2019