利用对抗学习深度生成网络模拟病理真实超声图像
计算机视觉与模式识别
2018-01-10 v2
摘要
超声成像利用波与生物组织内散射体相互作用时的背向散射。合成超声图像的模拟是一个具有挑战性的问题，因为难以准确建模各种因素，其中一些包括扫描线内/间干扰、换能器与表面耦合、换能器元件上的伪影、非均匀阴影和非线性衰减。当前方法通常求解波空间方程，导致计算代价高且运行缓慢。我们提出一种受生成对抗网络（GAN）启发的方法，用于快速模拟病理真实超声图像。我们将该框架应用于血管内超声（IVUS）模拟。使用伪B超图像模拟器进行的第0阶段模拟产生数字定义体模的散斑映射。第I阶段GAN随后对其细化以保留组织特异性散斑强度。第II阶段GAN进一步细化以生成具有病理真实散斑分布的高分辨率图像。我们通过视觉图灵测试评估模拟图像的病理真实感，表明在区分模拟与真实图像时存在模糊混淆。我们还量化了真实与模拟图像中组织特异性强度分布的偏移以证明它们的相似性。
引用
@article{arxiv.1712.07881,
title = {Simulating Patho-realistic Ultrasound Images using Deep Generative Networks with Adversarial Learning},
author = {Francis Tom and Debdoot Sheet},
journal= {arXiv preprint arXiv:1712.07881},
year = {2018}
}
备注
To appear in the Proceedings of the 2018 IEEE International Symposium on Biomedical Imaging (ISBI 2018)