基于GAN的频域分解翻译用于增强医学图像翻译
图像与视频处理
2023-11-07 v1 计算机视觉与模式识别
摘要
医学图像到图像的翻译是计算机视觉与生成式人工智能中的一项关键任务，对医学图像分析具有高度适用性。基于GAN的方法是主流的图像翻译方法，但它们常常忽略图像在频域中的变化与分布，或仅采取简单措施对齐高频信息，这可能导致生成图像失真且质量低下。为解决这些问题，我们提出了一种称为频域分解翻译（FDDT）的新方法。该方法将原始图像分解为高频分量与低频分量，其中高频分量包含细节与身份信息，低频分量包含风格信息。接下来，在空域中将变换后图像的高频与低频分量分别与原始图像高频与低频分量在同频带内的变换结果对齐，从而在保留图像身份信息的同时尽可能少地破坏图像的风格信息。我们在MRI图像与自然图像上用FDDT与若干主流基线模型进行了大量实验，并使用四种评估指标来评价生成图像的质量。与基线模型相比，FDDT最优可将Fréchet inception distance降低至多24.4%、结构相似性降低至多4.4%、峰值信噪比降低至多5.8%、均方误差降低至多31%。与先前方法相比，FDDT最优可将Fréchet inception distance降低至多23.7%、结构相似性降低至多1.8%、峰值信噪比降低至多6.8%、均方误差降低至多31.6%。
引用
@article{arxiv.2311.03175,
title = {Frequency Domain Decomposition Translation for Enhanced Medical Image Translation Using GANs},
author = {Zhuhui Wang and Jianwei Zuo and Xuliang Deng and Jiajia Luo},
journal= {arXiv preprint arXiv:2311.03175},
year = {2023}
}