基于图像集合的医学图像插补
计算机视觉与模式识别
2019-03-14 v1
摘要
我们提出一种算法，用于生成与所采集的层间间距较大的临床脑部 MRI 扫描一致的高分辨率、解剖学上合理的图像。尽管临床图像的大型数据集蕴含丰富信息，但采集时的时间限制导致稀疏扫描未能捕捉大量解剖结构。这些特性常使计算分析难以进行，因为许多图像分析算法应用于此类图像时往往失效。明确处理稀疏层间距的高度专门化算法在不同问题领域间泛化性差。相反，我们旨在使原本为高分辨率研究扫描开发的现有算法能应用于显著欠采样扫描。我们引入一个生成模型，捕捉临床图像集合中跨受试者的精细解剖结构，并推导出一种填补大层间间距扫描中缺失数据的算法。我们的实验结果表明，该方法优于最先进的超分辨率上采样技术，并有望促进此前在此类质量扫描下无法进行的后续分析。我们的实现可在 https://github.com/adalca/papago 免费获取。
引用
@article{arxiv.1808.05732,
title = {Medical Image Imputation from Image Collections},
author = {Adrian V. Dalca and Katherine L. Bouman and William T. Freeman and Natalia S. Rost and Mert R. Sabuncu and Polina Golland},
journal= {arXiv preprint arXiv:1808.05732},
year = {2019}
}
备注
Accepted at IEEE Transactions on Medical Imaging (\c{opyright} 2018 IEEE)