基于StitchLayer与辅助距离最大化的半监督多参数MRI数据合成
机器学习
2018-12-18 v1 计算机视觉与模式识别
机器学习
摘要
在本文中，我们通过半监督对抗学习解决合成包含临床显著性（CS）前列腺癌（PCa）的多参数磁共振成像（mp-MRI）数据的问题，即表观扩散系数（ADC）图和T2加权（T2w）图像。具体而言，我们的合成器以顺序方式生成mp-MRI数据：首先从128维潜向量生成ADC图，然后将其转化为T2w图像。合成器以半监督方式训练。在监督训练过程中，提供有限数量的成对ADC-T2w图像及相应的ADC编码，合成器通过显式最小化合成图像与真实图像之间的重建损失来学习成对关系。为避免有限ADC编码的过拟合，在无监督训练过程中利用无限数量的随机潜向量和未成对ADC-T2w图像来学习真实图像的边缘图像分布。为提高合成的鲁棒性，我们将生成全尺寸图像的困难任务分解为若干仅生成子图像的更简单任务，随后采用StitchLayer以交错方式将子图像融合为全尺寸图像。为迫使合成图像确实包含可区分的CS PCa病灶，我们提出同时最大化CS与非CS图像之间Jensen-Shannon散度（JSD）的辅助距离。实验结果表明，我们的方法能有效合成大量包含有意义CS PCa病灶、具有良好视觉质量且具备正确成对关系的mpMRI图像。与最先进的合成方法相比，我们的方法在视觉和定量评估指标上均取得显著改进。
引用
@article{arxiv.1812.06625,
title = {Semi-supervised mp-MRI Data Synthesis with StitchLayer and Auxiliary Distance Maximization},
author = {Zhiwei Wang and Yi Lin and Kwang-Ting Cheng and Xin Yang},
journal= {arXiv preprint arXiv:1812.06625},
year = {2018}
}