我们如何使 GAN 在单幅医学图像超分辨率中表现更好？一种病灶聚焦的多尺度方法
图像与视频处理
2019-01-14 v1 计算机视觉与模式识别
机器学习
摘要
单图像超分辨率（SISR）作为底层计算机视觉任务具有重要意义。基于生成对抗网络（GAN）的深度学习架构快速发展，实现了高效且有效的 SISR，以提升数码相机所捕获自然图像的空间分辨率。然而，医学图像的 SISR 仍是一个非常具有挑战性的问题。这是因为（1）与自然图像相比，医学图像通常具有更低的信噪比，（2）在自然图像上预训练的基于 GAN 的模型可能在医学图像中合成不真实图案，影响临床解读与诊断，以及（3）原始 GAN 架构可能遭受训练不稳定和模式坍缩，也会影响 SISR 结果。本文提出一种新颖的病灶聚焦超分辨率（LFSR）方法，其结合 GAN 以实现脑肿瘤 MRI 图像的感知真实 SISR 结果。更重要的是，我们使用近期发展的 GAN 变体（如 Wasserstein GAN（WGAN）和带梯度惩罚的 WGAN（WGAN-GP））进行测试与比较，并提出一种新颖的多尺度 GAN（MS-GAN），以实现更稳定和高效的训练以及提升超分辨率结果的感知质量。基于定量评估和我们所设计的均值意见得分，所提出的耦合 MS-GAN 的 LFSR 在感知质量和效率方面均表现更优。
引用
@article{arxiv.1901.03419,
title = {How Can We Make GAN Perform Better in Single Medical Image Super-Resolution? A Lesion Focused Multi-Scale Approach},
author = {Jin Zhu and Guang Yang and Pietro Lio},
journal= {arXiv preprint arXiv:1901.03419},
year = {2019}
}
备注
5 pages, 4 figure, 1 table. Accepted at 2019 IEEE International Symposium on Biomedical Imaging (ISBI)