基于混合对抗高斯域适应的半监督三维超分辨率与分割联合方法
图像与视频处理
2021-07-19 v1 计算机视觉与模式识别
摘要
优化心脏结构与功能分析需要准确的形状和运动的三维表征。然而，诸如心脏磁共振成像等技术通常仅限于获取具有低平面内分辨率和潜在切片间空间错位的连续横截面切片。医学图像中的超分辨率旨在提高图像分辨率，但传统上基于低分辨率数据集的特征进行训练，且不对相应的分割进行超分辨率处理。在此，我们提出了一种半监督多任务生成对抗网络（Gemini-GAN），利用高分辨率三维电影序列和分割的地面真值对图像及其标签进行联合超分辨率处理，同时采用无监督变分对抗混合自编码器（V-AMA）进行连续域适应。我们提出的方法在分别为1,331和205名成年人的两个跨国多族群人群上进行了广泛评估，在Dice指数、峰值信噪比和结构相似性指数度量方面均优于最先进的方法。该框架在外部验证上也超越了最先进的生成域适应模型（左心室的Dice指数为0.81对0.74）。这表明，在三维地面真值数据上训练并具有跨域泛化能力的联合超分辨率与分割，能够在不同人群中实现稳健的精准表型分析。
引用
@article{arxiv.2107.07975,
title = {Joint Semi-supervised 3D Super-Resolution and Segmentation with Mixed Adversarial Gaussian Domain Adaptation},
author = {Nicolo Savioli and Antonio de Marvao and Wenjia Bai and Shuo Wang and Stuart A. Cook and Calvin W. L. Chin and Daniel Rueckert and Declan P. O'Regan},
journal= {arXiv preprint arXiv:2107.07975},
year = {2021}
}