MedGAN：基于GAN的医学图像翻译
计算机视觉与模式识别
2019-11-26 v2
摘要
图像到图像翻译被视为医学图像分析领域的新前沿，具有众多潜在应用。然而，近期大量方法提供基于专用任务架构的个体化方案，或需要通过非端到端训练进行精调。本文提出一种名为MedGAN的新框架，用于以端到端方式在图像层面进行医学图像到图像翻译。MedGAN建立在生成对抗网络(generative adversarial networks, GANs)近期进展之上，将对抗框架与非对抗损失的新组合相融合。我们利用判别器网络作为可训练特征提取器，惩罚翻译后医学图像与期望模态之间的差异。此外，利用风格迁移损失将期望目标图像的纹理与精细结构匹配到翻译图像。另外，我们提出一种名为CasNet的新生成器架构，通过编码器-解码器对的渐进精调增强翻译医学输出的锐度。无需任何应用特定修改，我们将MedGAN应用于三项不同任务：PET-CT翻译、MR运动伪影校正和PET图像去噪。放射科医生的感知分析与定量评估表明，MedGAN优于其他现有翻译方法。
引用
@article{arxiv.1806.06397,
title = {MedGAN: Medical Image Translation using GANs},
author = {Karim Armanious and Chenming Jiang and Marc Fischer and Thomas Küstner and Konstantin Nikolaou and Sergios Gatidis and Bin Yang},
journal= {arXiv preprint arXiv:1806.06397},
year = {2019}
}
备注
16 pages, 8 figures