探索基于 CycleGAN 的 CBCT 增强在自适应放疗中的约束条件
图像与视频处理
2021-10-13 v2 机器学习
摘要
基于 CycleGAN 的合成图像生成研究近期在医学界迅速增多，因其能有效利用非配对数据集。然而，这些合成图像的临床接受度面临重大挑战，因为它们需接受严格的评估协议。CycleGAN 一个公认的缺陷——在生成图像中引入伪影——在医学图像情形下是不可原谅的。为缓解这一缺陷，我们探索了 CycleGAN 的不同约束条件，并研究了这些约束的自适应控制。我们还探讨了以结构保持损失形式对 CycleGAN 施加额外约束的益处。受 arXiv:2012.12821 启发、在源与目标间频域保留内容的广义频率损失被研究并与现有损失（如 MIND 损失 arXiv:1809.04536）进行比较。本论文使用 ganslate 框架（https://github.com/ganslate-team/ganslate）中的 CycleGAN 实现进行实验。由我们方法生成的合成图像在定量与定性上均被研究，并优于基线 CycleGAN 及其他方法。此外，未发现可观测伪影或图像质量损失，这对合成图像的接受至关重要。如此生成的合成医学图像还使用领域特定评估及以分割作为下游任务进行评估，以清晰凸显其对临床工作流的适用性。
引用
@article{arxiv.2110.04659,
title = {Exploring constraints on CycleGAN-based CBCT enhancement for adaptive radiotherapy},
author = {Suraj Pai},
journal= {arXiv preprint arXiv:2110.04659},
year = {2021}
}