mustGAN：用于 MR 图像合成的多流生成对抗网络
图像与视频处理
2019-09-26 v1 计算机视觉与模式识别
摘要
多对比度 MRI 协议提高了可用于诊断的形态学信息水平。然而，对比度的数量和品质在实践中受到扫描时间和患者运动等多种因素的限制。合成缺失或受损的对比度可缓解这一限制，从而提升临床效用。多对比度 MRI 的常用方法包括一对一和一对多合成方法。一对一方法以单一源对比度作为输入，学习对源独特特征敏感的潜在表示。与此同时，一对多方法接收多个不同源，学习对跨源共性特征更敏感的共享潜在表示。为增强图像合成，我们在此提出一种多流方法，通过多个一对一流与一个联合一对多流的混合来聚合多个源图像的信息。一对多流生成的共享特征图与一对一流生成的互补特征图通过融合块相结合。融合块的位置被自适应修改以最大化特定任务性能。在 T1、T2、PD 加权和 FLAIR 图像上的定性与定量评估清楚地表明，所提方法相较于先前最先进的一对一和一对多方法具有更优性能。
引用
@article{arxiv.1909.11504,
title = {mustGAN: Multi-Stream Generative Adversarial Networks for MR Image Synthesis},
author = {Mahmut Yurt and Salman Ul Hassan Dar and Aykut Erdem and Erkut Erdem and Tolga Çukur},
journal= {arXiv preprint arXiv:1909.11504},
year = {2019}
}