用于高分辨率结构像到DTI合成的流形感知CycleGAN
图像与视频处理
2020-09-21 v3 计算机视觉与模式识别
摘要
非配对图像到图像翻译已成功应用于自然图像，但对扩散张量成像（DTI）等流形值数据关注甚少。DTI的非欧性质使当前生成对抗网络（GANs）无法生成合理图像，并主要将其应用局限于扩散MRI标量图，如分数各向异性（FA）或平均扩散率（MD）。即便这些标量图具临床用途，它们大多忽略纤维方向，因此在脑纤维分析中应用有限。此处我们提出一种流形感知CycleGAN，从非配对T1w图像学习高分辨率DTI的生成。我们将目标表述为对称正定3x3矩阵黎曼流形SPD(3)上数据分布的Wasserstein距离最小化问题，使用对抗损失与循环一致性损失。为确保生成的扩散张量位于SPD(3)流形上，我们利用Log-Euclidean度量的指数映射与对数映射的理论性质。我们证明，与标准GAN不同，我们的方法能生成逼真的高分辨率DTI，可用于计算基于扩散的指标并潜在运行纤维追踪算法。为评估模型性能，我们计算生成张量主方向与真值方向间的余弦相似度、其导出FA值的均方误差（MSE）及张量间的Log-Euclidean距离。我们证明，在合成清晰高分辨率DTI时，我们的方法FA MSE比标准CycleGAN好2.5倍，余弦相似度比流形感知Wasserstein GAN高至多30%。
引用
@article{arxiv.2004.00173,
title = {Manifold-Aware CycleGAN for High-Resolution Structural-to-DTI Synthesis},
author = {Benoit Anctil-Robitaille and Christian Desrosiers and Herve Lombaert},
journal= {arXiv preprint arXiv:2004.00173},
year = {2020}
}
备注
Accepted at MICCAI 2020 International Workshop on Computational Diffusion MRI