FedMed-ATL：基于仿射变换损失的错位非配对脑图像合成
图像与视频处理
2022-07-19 v3 计算机视觉与模式识别
摘要
完全对齐且配对的多模态神经影像数据的存在已在脑疾病诊断中证明其有效性。然而，收集全套良好对齐且配对的数据是不切实际的，因为实际困难可能包括高成本、长采集时间、图像损坏和隐私问题。此前，错位非配对神经影像数据（称为MUD）通常被视为噪声标签。然而，当错位数据发生严重畸变（例如旋转角度不同）时，这种基于噪声标签的方法无法良好完成。本文中，我们提出一种新颖的联邦自监督学习（FedMed）用于脑图像合成。我们构建了一种仿射变换损失（ATL），以在不违反医院隐私法规的情况下利用严重畸变的图像。随后我们引入一种新的数据增强过程用于自监督训练，并将其输入三个辅助头，即辅助旋转、辅助平移和辅助缩放头。所提方法在严重错位非配对数据设置下合成结果的质量以及优于其他基于GAN算法的稳定性方面均展现出先进性能。所提方法还降低了对可变形配准的需求，同时鼓励利用错位非配对数据。实验结果验证了我们的学习范式相较于其他state-of-the-art方法的优异性能。
引用
@article{arxiv.2201.12589,
title = {FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine Transform Loss},
author = {Jinbao Wang and Guoyang Xie and Yawen Huang and Yefeng Zheng and Yaochu Jin and Feng Zheng},
journal= {arXiv preprint arXiv:2201.12589},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2201.08953