生成器对分割器:伪健康合成
计算机视觉与模式识别
2021-07-16 v3
摘要
本文研究伪健康合成问题,其定义为从病理图像合成特定受试者的无病理图像。近期基于生成对抗网络(GAN)的方法已被用于该任务。然而,这些方法不可避免地陷入保留受试者特定身份与生成类健康外观之间的权衡。为克服这一挑战,我们提出一种新颖的对抗训练机制——生成器对分割器(Generator versus Segmentor, GVS),通过分治策略缓解该权衡。我们进一步考虑到分割器在训练过程中泛化性能退化的问题,并提出通过屏蔽已良好变换的像素来抑制该问题的逐像素加权损失。此外,我们提出一种新的度量标准来衡量合成图像看起来有多健康。在公开数据集 BraTS 上的定性与定量实验表明,所提方法优于现有方法。此外,我们也在 LiTS 数据集上验证了方法的有效性。我们的实现与预训练网络已公开于 https://github.com/Au3C2/Generator-Versus-Segmentor。
引用
@article{arxiv.2009.05722,
title = {Generator Versus Segmentor: Pseudo-healthy Synthesis},
author = {Zhang Yunlong and Li Chenxin and Lin Xin and Sun Liyan and Zhuang Yihong and Huang Yue and Ding Xinghao and Liu Xiaoqing and Yu Yizhou},
journal= {arXiv preprint arXiv:2009.05722},
year = {2021}
}
备注
Accepted by MICCAI2021