高分辨率三维医学图像基于 GAN 的内存高效域翻译
图像与视频处理
2020-10-13 v1 计算机视觉与模式识别
机器学习
摘要
生成对抗网络（GANs）目前很少应用于大尺寸三维医学图像，因其巨大的计算需求。本工作提出一种多尺度基于块的 GAN 方法，以内存高效的方式生成高分辨率三维医学图像体数据，从而建立非配对域翻译。实现内存高效图像生成的关键思想是首先生成图像的低分辨率版本，随后生成恒定尺寸但分辨率逐级增长的块。为避免块伪影并融入全局信息，块生成以先前分辨率尺度的块为条件。这些多尺度 GAN 被训练为从图像草图生成逼真图像，以执行非配对域翻译。这得以在保留测试数据拓扑的同时生成训练域数据的外观。域翻译场景的评估在尺寸为 155x240x240 的脑 MRI 与尺寸可达 512x512x512 的胸部 CT 上进行。与常见基于块的方法相比，多分辨率方案实现了更好的图像质量并防止块伪影。此外，它确保独立于图像尺寸的恒定 GPU 内存需求，允许生成任意大图像。
引用
@article{arxiv.2010.03396,
title = {Memory-efficient GAN-based Domain Translation of High Resolution 3D Medical Images},
author = {Hristina Uzunova and Jan Ehrhardt and Heinz Handels},
journal= {arXiv preprint arXiv:2010.03396},
year = {2020}
}
备注
Accepted for Computerized Medical Imaging and Graphics