具有K空间损失正则化的fRegGAN用于医学图像翻译
图像与视频处理
2023-10-18 v2 计算机视觉与模式识别
摘要
生成对抗网络（GANs）在生成逼真图像方面取得了显著成功，并日益用于医学成像中的图像到图像翻译任务。然而，GANs往往遭受偏向低频的频率偏差，可能导致生成图像中重要结构的丢失。为解决此问题，我们提出一种基于有监督RegGAN方法的新型频率感知图像到图像翻译框架，称之为fRegGAN。该框架采用K空间损失来正则化生成图像的频率内容，并结合已知的MRI K空间几何特性以引导网络训练过程。通过将我们的方法与RegGAN方法结合，我们可同时缓解使用未对齐数据训练和频率偏差的影响。我们在公开BraTS数据集上评估了该方法，在由T1加权MR图像合成T2加权图像时，于定量与定性指标上均优于基线方法。我们提供了详细的消融实验以理解各项修改对最终性能的影响。所提方法是提升医学领域图像到图像翻译与合成性能的一步，并有望用于图像处理与生成领域的其他应用。
引用
@article{arxiv.2303.15938,
title = {fRegGAN with K-space Loss Regularization for Medical Image Translation},
author = {Ivo M. Baltruschat and Felix Kreis and Alexander Hoelscher and Melanie Dohmen and Matthias Lenga},
journal= {arXiv preprint arXiv:2303.15938},
year = {2023}
}