基于生成对抗网络的声光图像合成
图像与视频处理
2022-10-26 v3 计算机视觉与模式识别
机器学习
医学物理
摘要
光声断层成像(PAT)有望以高空间分辨率恢复组织形态与功能特性。然而，先前利用有监督机器学习求解光学逆问题的尝试受限于标记参考数据的缺失。虽然通过仿真训练数据应对了该瓶颈，但真实与仿真图像之间的域差距仍是一项未解挑战。我们提出一种新颖的PAT图像合成方法，将生成合理仿真的挑战拆分为两个独立问题：(1) 真实组织形态的概率生成，以及 (2) 对应光学与声学属性的逐像素赋值。前者通过训练于语义标注医学影像数据的生成对抗网络(GAN)实现。根据一项下游任务的验证研究，我们的方法比传统基于模型的方法生成更真实的合成图像，因此可成为基于深度学习的定量PAT(qPAT)的基础步骤。
引用
@article{arxiv.2103.15510,
title = {Photoacoustic image synthesis with generative adversarial networks},
author = {Melanie Schellenberg and Janek Gröhl and Kris K. Dreher and Jan-Hinrich Nölke and Niklas Holzwarth and Minu D. Tizabi and Alexander Seitel and Lena Maier-Hein},
journal= {arXiv preprint arXiv:2103.15510},
year = {2022}
}
备注
10 pages, 6 figures, 2 tables, update with paper published at Photoacoustics