MI^2GAN：基于互信息约束的医学图像域适应生成对抗网络
图像与视频处理
2020-07-31 v2 计算机视觉与模式识别
摘要
多中心医学图像之间的域偏移仍是学界一个开放性问题，它会降低深度学习模型的泛化性能。生成对抗网络（GAN）能够合成逼真图像，是解决该问题的潜在方案之一。然而，现有基于GAN的方法在图像到图像（I2I）翻译中往往难以保持图像中的物体，这降低了它们在域适应任务中的实用性。本文提出一种新颖的GAN（即MIGAN），以在跨域I2I翻译过程中保持图像内容。具体而言，我们将源图像与翻译图像的内容特征与域信息解耦，然后最大化解耦内容特征之间的互信息以保留图像物体。所提出的MIGAN在两项任务上进行了评估——使用结肠镜图像进行息肉分割，以及眼底图像中视盘与视杯的分割。实验结果表明，所提出的MIGAN不仅能生成精美的翻译图像，还能显著提升广泛使用的深度学习网络（如U-Net）的泛化性能。
引用
@article{arxiv.2007.11180,
title = {MI^2GAN: Generative Adversarial Network for Medical Image Domain Adaptation using Mutual Information Constraint},
author = {Xinpeng Xie and Jiawei Chen and Yuexiang Li and Linlin Shen and Kai Ma and Yefeng Zheng},
journal= {arXiv preprint arXiv:2007.11180},
year = {2020}
}
备注
The first two authors contributed equally