基于马尔可夫链蒙特卡罗与生成对抗网络计算理想观测器
信号处理
2023-04-04 v1 计算机视觉与模式识别
机器学习
统计计算
摘要
医学成像系统通常通过客观或任务特定的图像质量（IQ）度量来评估和优化，这些度量量化了观测器在特定的临床相关任务上的性能。贝叶斯理想观测器（IO）的性能在所有观测器（数值的或人类的）中设定了上限，并已被提倡用作评估和优化学医成像系统的优值（FOM）。然而，IO 检验统计量对应于似然比，在多数情况下难以计算。先前提出了一种采用马尔可夫链蒙特卡罗（MCMC）技术的基于采样的方法来估计 IO 性能。然而，MCMC 方法用于 IO 近似的当前应用仅限于少数情况，其中所考虑的待成像物体分布可由相对简单的随机物体模型（SOM）描述。因此，仍然迫切需要扩展 MCMC 方法的适用领域，以解决大量需要基于 IO 的评估但相关 SOM 尚不可用的场景。在本研究中，描述并评估了一种采用基于生成对抗网络（GAN）的 SOM 的新型 MCMC 方法，称为 MCMC-GAN。MCMC-GAN 方法通过使用具有参考解的测试用例进行了定量验证。结果表明，MCMC-GAN 方法可以扩展 MCMC 方法用于医学成像系统 IO 分析的适用领域。
引用
@article{arxiv.2304.00433,
title = {Ideal Observer Computation by Use of Markov-Chain Monte Carlo with Generative Adversarial Networks},
author = {Weimin Zhou and Umberto Villa and Mark A. Anastasio},
journal= {arXiv preprint arXiv:2304.00433},
year = {2023}
}
备注
Submitted to IEEE Transactions on Medical Imaging