基于深度强化学习的医学CT图像合成用于数据增强
计算机视觉与模式识别
2021-03-23 v2
摘要
深度学习在CT图像重建方面展现出巨大潜力，特别是能够实现低剂量成像与集成诊断。然而，这些优势与训练这些神经网络所需的多样化图像数据低可用性形成巨大矛盾。我们提出通过一种深度强化学习（DRL）方法与风格迁移（ST）技术相集成的方式来克服这一瓶颈，其中DRL生成解剖形状，ST合成纹理细节。我们表明，我们的方法在大规模、多样化地生成新颖且解剖学准确的高分辨率CT图像方面具有很高前景。我们的方法专门设计用于即使小型图像数据集也能工作，考虑到许多研究者可用的图像数据量往往较少，这一点是理想的。
引用
@article{arxiv.2103.10493,
title = {Image Synthesis for Data Augmentation in Medical CT using Deep Reinforcement Learning},
author = {Arjun Krishna and Kedar Bartake and Chuang Niu and Ge Wang and Youfang Lai and Xun Jia and Klaus Mueller},
journal= {arXiv preprint arXiv:2103.10493},
year = {2021}
}
备注
Fully3D 2021