用于纵向医学图像合成的深度生成潜在模型中的显式时间嵌入
计算机视觉与模式识别
2023-01-16 v1 机器学习
摘要
医学成像在现代诊断和治疗中发挥着至关重要的作用。疾病或治疗进展的时间特性通常导致纵向数据。由于成本和潜在危害，获取深度学习所需的大型医学数据集可能很困难。医学图像合成可以帮助缓解这一问题。然而，到目前为止，能够合成纵向体积数据的 GAN 的可用性仍然有限。为了解决这个问题，我们利用基于潜在空间的图像编辑的最新进展，提出了一种新颖的联合学习方案，以在 GAN 的潜在空间中显式嵌入时间依赖性。与以前的方法不同，这使我们能够在有限的监督下合成连续、平滑且高质量的纵向体积数据。我们在包含不同纵向依赖关系的三个数据集上展示了我们方法的有效性。即，建模简单的图像变换、呼吸运动和肿瘤消退，同时均表现出最小的解耦。该实现已在 https://github.com/julschoen/Temp-GAN 上公开发布。
引用
@article{arxiv.2301.05465,
title = {Explicit Temporal Embedding in Deep Generative Latent Models for Longitudinal Medical Image Synthesis},
author = {Julian Schön and Raghavendra Selvan and Lotte Nygård and Ivan Richter Vogelius and Jens Petersen},
journal= {arXiv preprint arXiv:2301.05465},
year = {2023}
}