基于条件生成对抗网络的多对比度MRI图像合成
计算机视觉与模式识别
2018-02-06 v1
摘要
获取同一解剖结构具有多种不同对比度的图像，可增加一次MR检查中可用的诊断信息多样性。然而，扫描时间限制可能禁止获取某些对比度，且某些对比度的图像可能被噪声与伪影损坏。在此类情况下，从剩余对比度合成未获取或已损坏的对比度图像可提升诊断效用。对于多对比度合成，现有方法通过非线性回归或确定性神经网络学习源图像与目标图像之间的非线性强度变换。这些方法进而可能丢失合成图像中的高空间频率信息。本文提出一种基于条件生成对抗网络（conditional generative adversarial networks）的多对比度MRI合成新方法。所提方法通过对抗损失保留高频细节；并通过针对配准多对比度图像的像素级损失与针对未配准图像的循环一致性损失提供增强的合成性能。来自相邻横截面的信息被用于进一步提升合成质量。在来自健康受试者与患者的高权重T1与T2图像上的演示清晰地表明，与先前最先进（state-of-the-art）方法相比，所提方法具有更优性能。我们的合成方法可帮助提升多对比度MRI检查的质量与通用性，而无需延长检查时间。
引用
@article{arxiv.1802.01221,
title = {Image Synthesis in Multi-Contrast MRI with Conditional Generative Adversarial Networks},
author = {Salman Ul Hassan Dar and Mahmut Yurt and Levent Karacan and Aykut Erdem and Erkut Erdem and Tolga Çukur},
journal= {arXiv preprint arXiv:1802.01221},
year = {2018}
}