面向医学图像转换的多分辨率引导 3D GAN
图像与视频处理
2024-12-03 v1 计算机视觉与模式识别
摘要
医学图像转换是将一种成像模态转换为另一种模态的过程，以减少来自同一患者的多次图像获取。这可以提高治疗效率，减少所需的时间、设备和劳动力。本文引入了一个基于多分辨率引导的生成对抗网络 (GAN) 框架，用于 3D 医学图像转换。我们的框架将 3D 多分辨率稠密注意力 UNet (3D-mDAUNet) 作为生成器，采用 3D 多分辨率 UNet 作为判别器，并优化其独特的损失函数组合，包括体素级 GAN 损失和 2.5D 感知损失。我们的方法在多种成像模态、身体部位和年龄组的体积图像质量评估 (IQA) 中取得令人鼓舞的成果，显示其鲁棒性。此外，我们提出了一种从合成到真实的适用性评估作为额外的评估，以评估合成数据在下游应用（如分割）中的有效性。该全面评估表明，我们的方法不仅产生高质量的合成医学图像，而且在临床应用中可能具有实用价值。我们的代码已在 github.com/juhha/3D-mADUNet 上提供。
引用
@article{arxiv.2412.00575,
title = {Multi-resolution Guided 3D GANs for Medical Image Translation},
author = {Juhyung Ha and Jong Sung Park and David Crandall and Eleftherios Garyfallidis and Xuhong Zhang},
journal= {arXiv preprint arXiv:2412.00575},
year = {2024}
}