协调病理与正常像素以实现伪健康图像合成
图像与视频处理
2022-03-30 v1 计算机视觉与模式识别
机器学习
摘要
从病理图像合成特定受试者的无病理图像对于算法开发和临床实践具有重要价值。近年来，若干基于生成对抗网络（GAN）的方法在伪健康合成中取得了令人鼓舞的结果。然而，GAN中的判别器（即分类器）无法准确识别病灶，进而妨碍生成理想的伪健康图像。为解决该问题，我们提出一种新型判别器——分割器，以精确定位病灶并提升伪健康图像的视觉质量。随后，我们将生成的图像应用于医学图像增强，并利用增强结果应对医学图像分割中存在的低对比度问题。此外，通过利用标签噪声的两个属性，提出一种可靠指标来衡量合成图像的健康程度。在BraTS的T2模态上的综合实验表明，所提方法大幅优于当前最先进的方法。该方法仅使用30%的训练数据即取得优于现有方法的性能。所提方法在LiTS及BraTS的T1模态上也验证了有效性。本研究的代码与预训练模型已公开于 https://github.com/Au3C2/Generator-Versus-Segmentor。
引用
@article{arxiv.2203.15347,
title = {Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis},
author = {Yunlong Zhang and Xin Lin and Yihong Zhuang and LiyanSun and Yue Huang and Xinghao Ding and Guisheng Wang and Lin Yang and Yizhou Yu},
journal= {arXiv preprint arXiv:2203.15347},
year = {2022}
}