重访基于配准的合成：聚焦于无监督 MR 图像合成
图像与视频处理
2024-02-20 v1
摘要
深度学习 (DL) 显著推动了医学图像合成的进步，实现了先进的图像到图像翻译以生成合成图像。然而，DL 方法面临域偏移和对训练数据的高需求等挑战，限制了其泛化能力和适用性。历史上，图像合成也曾使用可变形图像配准 (DIR) 进行，该方法将所需模态的移动图像变形以匹配固定图像的解剖结构。然而，对其速度和准确性的担忧导致其流行度下降。随着基于 DL 的 DIR 的最新进展，我们重新审视并重振了这一研究方向。本文提出了一种基于 DIR 的快速且准确的合成方法。我们利用合成罕见磁共振 (MR) 序列（即白质抑制 (WMn) T1 加权 (T1-w) 图像）的任务来展示我们方法的潜力。在训练期间，我们的方法基于广泛可用的 MPRAGE 序列（一种脑脊液抑制 (CSFn) T1-w 反转恢复梯度回波脉冲序列）学习 DIR 模型。在测试期间，首先应用训练好的 DIR 模型估计移动与固定 CSFn 图像之间的形变。随后，将此估计形变应用于对齐移动 CSFn 图像的配对 WMn 对应图像，从而为固定 CSFn 图像生成合成 WMn 图像。我们的实验证明了使用 DIR 进行无监督图像合成的前景。这些发现突显了本技术在监督合成方法受限于训练数据不足的场景中的潜力。
引用
@article{arxiv.2402.12288,
title = {Revisiting registration-based synthesis: A focus on unsupervised MR image synthesis},
author = {Savannah P. Hays and Lianrui Zuo and Yihao Liu and Anqi Feng and Jiachen Zhuo and Jerry L. Prince and Aaron Carass},
journal= {arXiv preprint arXiv:2402.12288},
year = {2024}
}
备注
SPIE Medical Imaging 2024