多纹理GAN：探索脑MR图像的多尺度纹理迁移
图像与视频处理
2021-02-16 v1 计算机视觉与模式识别
摘要
MRI数据集的扫描仪间与协议间差异已知会导致显著的量化变异性。因此图像到图像或扫描仪到扫描仪的迁移是医学图像分析领域一个关键前沿，具有大量潜在应用。然而，现有算法中有相当比例无法显式利用并保留来自目标扫描仪的纹理细节，且针对专门任务特定架构提供独立解决方案。本文设计一种多尺度纹理迁移，以更丰富的细节增强重建图像。具体而言，在计算纹理相似性后，多尺度纹理可自适应地将纹理信息从目标图像或参考图像迁移到复原图像。与先前算法所做的逐像素匹配空间不同，我们在神经空间中以多尺度方案匹配纹理特征。该匹配机制可利用多尺度神经迁移，促使模型从目标或参考图像中掌握更多与语义相关及病灶相关的先验。我们在三项不同任务上评估我们的多尺度纹理GAN，无需任何任务特定修改：扩散MRI的跨协议超分辨率、T1-Flair以及Flair-T2模态迁移。我们的多纹理GAN恢复了更多高分辨率结构（即边缘与解剖）、纹理（即对比度与像素强度）以及病灶信息（即肿瘤）。广泛的定量与定性实验表明，我们的方法在协议间或扫描仪间迁移上取得了优于最先进方法的结果。
引用
@article{arxiv.2102.07225,
title = {Multi-Texture GAN: Exploring the Multi-Scale Texture Translation for Brain MR Images},
author = {Xiaobin Hu},
journal= {arXiv preprint arXiv:2102.07225},
year = {2021}
}