HAGAN：用于医学图像合成的混合增强生成对抗网络
图像与视频处理
2025-03-07 v1 计算机视觉与模式识别
摘要
医学图像合成（MIS）在智能医疗领域发挥着重要作用，极大地节省了医疗诊断的经济和时间成本。然而，由于医学图像的复杂性以及不同组织细胞的相似特征，现有方法在满足其生物学一致性方面面临巨大挑战。为此，我们提出了混合增强生成对抗网络（HAGAN），以保持结构纹理和组织细胞的真实性。HAGAN 包含注意力混合（AttnMix）生成器、分层判别器以及判别器与生成器之间的反向跳跃连接。AttnMix 一致性可微正则化鼓励对真实和虚假图像之间的结构和纹理变化进行感知，这提高了合成图像的病理完整性和局部区域特征的准确性。分层判别器向生成器引入逐像素的判别反馈，以同时增强全局和局部细节的显著性与判别力。反向跳跃连接通过融合真实和合成的分布特征，进一步提高精细细节的准确性。我们在三个不同规模的数据集（即 COVID-CT、ACDC 和 BraTS2018）上的实验评估表明，HAGAN 优于现有方法，并在高分辨率和低分辨率下均实现了 SOTA 性能。
引用
@article{arxiv.2405.04902,
title = {HAGAN: Hybrid Augmented Generative Adversarial Network for Medical Image Synthesis},
author = {Zhihan Ju and Wanting Zhou and Longteng Kong and Yu Chen and Yi Li and Zhenan Sun and Caifeng Shan},
journal= {arXiv preprint arXiv:2405.04902},
year = {2025}
}