具有肿瘤一致性损失的多模态生成对抗网络用于脑 MR 图像合成
计算机视觉与模式识别
2020-05-05 v1 图像与视频处理
摘要
不同模态的磁共振（MR）图像可为临床诊断提供互补信息，但获取全部模态往往成本高昂。现有多数方法仅关注于两模态间合成缺失图像，在多模态缺失时其鲁棒性与效率受限。为解决该问题，我们提出一种多模态生成对抗网络（MGAN），从单一 MR 模态 T2 同时合成三种高质量 MR 模态（FLAIR、T1 和 T1ce）。实验结果表明，我们所提方法合成图像的质量优于基线模型 pix2pix 的合成结果。此外，对于 MR 脑图像合成，保留生成模态中的关键肿瘤信息十分重要，因此我们进一步向 MGAN 引入多模态肿瘤一致性损失，称为 TC-MGAN。我们利用 TC-MGAN 合成的模态提升肿瘤分割精度，结果证明了其有效性。
引用
@article{arxiv.2005.00925,
title = {Multi-Modality Generative Adversarial Networks with Tumor Consistency Loss for Brain MR Image Synthesis},
author = {Bingyu Xin and Yifan Hu and Yefeng Zheng and Hongen Liao},
journal= {arXiv preprint arXiv:2005.00925},
year = {2020}
}
备注
5 pages, 3 figures, accepted to IEEE ISBI 2020