利用先进环境生成对抗网络从医学成像测量中学习随机对象模型
图像与视频处理
2022-03-01 v2 计算机视觉与模式识别
机器学习
机器学习
摘要
目的：为通过计算机仿真客观评估新型医学成像技术，考虑待成像对象集合中的变异性十分重要。该变异性来源可由随机对象模型（SOMs）描述。通常希望利用特性良好的成像系统获取的实验成像测量来建立SOMs，但此任务一直具有挑战性。方法：提出一种基于生成对抗网络（GAN）的方法，其采用AmbientGANs并结合现代渐进式或多分辨率训练策略。使用对应于理想化成像系统的计算机仿真磁共振成像（MRI）数据，以受控方式对依所提训练流程建立的AmbientGANs进行系统验证。还采用仿真的单线圈实验MRI数据以在较非理想化条件下演示该方法。结果：当成像测量受测量噪声污染时，所提AmbientGAN方法可生成干净图像。当成像测量数据不完整时，所提AmbientGAN能可靠地学习对象测量分量的分布。结论：包括使用Hotelling观测器的任务特定验证在内的视觉检查和定量分析均表明，所提AmbientGAN方法有望从成像测量中建立逼真的SOMs。
引用
@article{arxiv.2106.14324,
title = {Learning stochastic object models from medical imaging measurements by use of advanced ambient generative adversarial networks},
author = {Weimin Zhou and Sayantan Bhadra and Frank J. Brooks and Hua Li and Mark A. Anastasio},
journal= {arXiv preprint arXiv:2106.14324},
year = {2022}
}
备注
Journal of Medical Imaging