基于对抗训练的半监督学习生成神经影像模态方法
机器学习
2019-12-11 v1 图像与视频处理
机器学习
摘要
脑部磁共振成像（MRI）可有不同模态，如 T1 加权和液体衰减反转恢复（FLAIR），已被用于研究广泛的神经系统疾病。当前最先进的脑组织分割与疾病分类模型需要多种模态进行训练和推理。然而，所有这些模态的采集昂贵、耗时、不便，且所需模态常常不可用。因此，这些数据集包含大量未配对（unpaired）数据，即数据集中的样本并不包含所有模态。另一方面，包含全部模态的样本（配对（paired）数据）占比较小，而且每种模态相较于数据点的数量而言是高维的。在本工作中，我们提出了一种利用半监督学习在两种神经影像模态间进行转换以解决这些问题的方法。我们提出的模型——半监督对抗 CycleGAN（Semi-Supervised Adversarial CycleGAN，SSA-CGAN）——使用对抗损失从未配对（unpaired）数据点中学习，使用循环损失对映射的一致重建进行约束，并使用另一对抗损失来利用配对（paired）数据点。我们的实验表明，与现有方法相比，我们所提出的框架在多种模态的成对转换中降低了重建误差与方差，并且对热噪声更具鲁棒性。
引用
@article{arxiv.1912.04391,
title = {Semi-supervised Learning Approach to Generate Neuroimaging Modalities with Adversarial Training},
author = {Harrison Nguyen and Simon Luo and Fabio Ramos},
journal= {arXiv preprint arXiv:1912.04391},
year = {2019}
}