利用渐进生长环境GAN从医学成像测量中学习随机对象模型
图像与视频处理
2020-06-02 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
已有观点主张，医学成像系统与重建算法应通过使用客观图像质量度量来评估和优化，这些度量量化观察者在特定诊断任务上的性能。待成像对象的变化是可能显著限制观察者性能的一个重要变异来源。该变异来源可由随机对象模型（SOMs）描述。SOM是一种生成模型，可用于建立具有规定统计特性的待成像对象集合。为了准确建模解剖结构和对象纹理中的变化，期望利用特性良好的成像系统获取的实验成像测量来建立SOM。深度生成神经网络，如生成对抗网络（GANs），在此任务上具有巨大潜力。然而，传统GAN通常利用受测量噪声和重建过程影响的重建图像进行训练。为规避此问题，已提出一种将GAN与测量算子增强结合的环境GAN（AmbientGAN）。但原始AmbientGAN无法立即受益于渐进生长等现代训练流程，这限制了其应用于实际尺寸医学图像数据的能力。为规避此限制，本工作提出了一种新的渐进生长环境GAN（ProAmGAN）策略，用于从医学成像测量中建立SOM。开展了对应于常见医学成像模态的程式化数值研究，以演示并验证所提出的建立SOM的方法。
引用
@article{arxiv.2006.00033,
title = {Learning stochastic object models from medical imaging measurements using Progressively-Growing AmbientGANs},
author = {Weimin Zhou and Sayantan Bhadra and Frank J. Brooks and Hua Li and Mark A. Anastasio},
journal= {arXiv preprint arXiv:2006.00033},
year = {2020}
}
备注
Submitted to IEEE Transactions on Medical Imaging