基于生成对抗网络与贝叶斯推断的 Micro-CT 合成及内耳超分辨率
图像与视频处理
2021-02-08 v2 计算机视觉与模式识别
摘要
现有的医学图像超分辨率方法依赖低分辨率与高分辨率图像对，以全监督方式学习映射。然而，此类图像对在临床实践中往往难以获取。本文中，我们利用未配对数据解决真实场景下的超分辨率问题，并合成分辨率线性提升 \textbf{八倍} 的颞骨结构 Micro-CT 图像，该结构嵌入于内耳之中。我们探索循环一致性生成对抗网络用于超分辨率任务，并为该翻译方法配备贝叶斯推断。我们进一步引入 \emph{Hu矩距离} 这一评估指标来量化颞骨形状。我们在公开的内耳 CT 数据集上评估我们的方法，并在视觉与定量上均看到优于最先进基于深度学习方法的改进。此外，我们进行了多评分者视觉评估实验，发现受训专家一致将所提方法评为所有方法中质量得分最高。进而，我们能够量化未配对翻译任务中的不确定性，且不确定性图可提供颞骨的结构信息。
引用
@article{arxiv.2010.14105,
title = {Micro-CT Synthesis and Inner Ear Super Resolution via Generative Adversarial Networks and Bayesian Inference},
author = {Hongwei Li and Rameshwara G. N. Prasad and Anjany Sekuboyina and Chen Niu and Siwei Bai and Werner Hemmert and Bjoern Menze},
journal= {arXiv preprint arXiv:2010.14105},
year = {2021}
}
备注
final version in ISBI 2021