非对抗学习：用于多序列 MRI 的向量量化公共潜在空间
图像与视频处理
2024-07-04 v1 计算机视觉与模式识别
摘要
对抗式学习有助于在缺乏配对样本时将 MRI 从 source sequence 转换为 target sequence。然而,在临床环境中使用对抗式学习实现 MRI 合成具有挑战性,因为训练不稳定且模式崩溃。为解决此问题,我们利用中间序列估计多序列 MRI 之间的 common latent space,从而实现对不同序列的重建。我们提出一种生成模型,将每个序列的离散表示压缩到估计多个序列之间向量量化公共（VQC）潜在空间的高斯分布。此外,我们通过对比学习提高潜在空间一致性,通过 domain augmentation 增加模型稳定性。使用 BraTS2021 数据集的实验表明,我们的非对抗模型在其他 GAN-based 方法之上,且 VQC 潜在空间帮助我们的模型实现（1）anti-interference ability,即消除噪声、bias fields 和 artifacts 的影响,以及（2）solid semantic representation ability,具有一次性分割的潜力。我们的代码已公开。
引用
@article{arxiv.2407.02911,
title = {Non-Adversarial Learning: Vector-Quantized Common Latent Space for Multi-Sequence MRI},
author = {Luyi Han and Tao Tan and Tianyu Zhang and Xin Wang and Yuan Gao and Chunyao Lu and Xinglong Liang and Haoran Dou and Yunzhi Huang and Ritse Mann},
journal= {arXiv preprint arXiv:2407.02911},
year = {2024}
}