渐进生长 AmbientGAN 用于从成像测量中学习随机对象模型
图像与视频处理
2020-01-28 v1 机器学习
机器学习
摘要
医学成像系统的目标优化需要充分刻画测量数据中随机性的所有来源，其中包括待成像对象集合内部的变异性。这可以通过建立描述待成像对象类别中变异性的随机对象模型（SOM）来实现。生成对抗网络（GANs）在建立 SOM 方面具有潜在用途，因为它们极有希望学习描述训练数据集合内变异性的生成模型。然而，由于医学成像系统记录的是对象属性的含噪且间接的表示，GANs 不能直接用于建立待成像对象的随机模型。为解决此问题，人们开发了名为 AmbientGAN 的增强 GAN 架构，以从含噪且间接的测量数据建立 SOM。然而，由于对抗训练可能不稳定，AmbientGAN 的适用性可能受限。本工作中，我们提出一种新颖的训练策略——AmbientGAN 的渐进生长（ProAGAN）——以稳定 AmbientGAN 的训练，从而从含噪且间接的成像测量中建立 SOM。我们考虑了一个理想化的磁共振（MR）成像系统和临床 MR 脑图像。所提方法通过使用 ProAGAN 生成的合成图像与描绘真实对象属性的图像计算得到的信号检测性能进行比较来评估。
引用
@article{arxiv.2001.09523,
title = {Progressively-Growing AmbientGANs For Learning Stochastic Object Models From Imaging Measurements},
author = {Weimin Zhou and Sayantan Bhadra and Frank J. Brooks and Hua Li and Mark A. Anastasio},
journal= {arXiv preprint arXiv:2001.09523},
year = {2020}
}
备注
SPIE Medical Imaging 2020