结合病理解耦与对抗学习的伪健康图像合成
图像与视频处理
2021-06-21 v3 计算机视觉与模式识别
机器学习
摘要
伪健康合成是指从病理图像中生成特定于受试者的“健康”图像的任务。此类图像在异常检测以及理解病理和疾病引起的变化等任务中非常有用。在本文中，我们提出了一种模型，旨在将病理信息与看似健康的信息解耦。我们将看似健康的部分与疾病所在位置（作为分割图）解耦，然后通过网络将它们重新组合以重建输入的疾病图像。我们在有配对或无配对设置下使用对抗训练，在可用时我们将疾病图像与分割图进行配对。我们使用多项标准，通过定量和主观（人类研究）评估了伪健康图像的质量。我们在 ISLES、BraTS 和 Cam-CAN 数据集上进行的一系列实验中表明，我们的方法优于几种基线和文献中的方法。我们还表明，由于更好的训练过程，我们能够恢复由疾病引起的周围组织变形。我们的实现已在 https://github.com/xiat0616/pseudo-healthy-synthesis 上公开。本文已被 Medical Image Analysis 接收：https://doi.org/10.1016/j.media.2020.101719。
引用
@article{arxiv.2005.01607,
title = {Pseudo-healthy synthesis with pathology disentanglement and adversarial learning},
author = {Tian Xia and Agisilaos Chartsias and Sotirios A. Tsaftaris},
journal= {arXiv preprint arXiv:2005.01607},
year = {2021}
}
备注
This paper has been accepted by Medical Image Analysis