SRU-Pix2Pix：一种面向少样本学习医学图像转换的融合驱动生成器网络
计算机视觉与模式识别
2026-01-09 v1 人工智能
摘要
磁共振成像 (MRI) 提供了详细的组织信息，但其临床应用受限于较长的采集时间、高昂的成本以及有限的分辨率。图像转换作为一种解决这些局限性的策略，近期引起了广泛关注。尽管 Pix2Pix 已被广泛应用于医学图像转换，但其潜力尚未被充分挖掘。在本研究中，我们提出了一种增强的 Pix2Pix 框架，该框架集成了 Squeeze-and-Excitation Residual Networks (SEResNet) 和 U-Net++，以提升图像生成质量与结构保真度。SEResNet 通过通道注意力强化关键特征表示，而 U-Net++ 增强了多尺度特征融合。简化的 PatchGAN 判别器进一步稳定了训练并优化了局部解剖真实感。实验结果表明，在少于 500 张图像的少样本条件下，所提方法在多个模态内 MRI 转换任务中实现了一致的结构保真度与优越的图像质量，展现出强大的泛化能力。这些结果表明该方法是对 Pix2Pix 在医学图像转换中的有效扩展。
引用
@article{arxiv.2601.04785,
title = {SRU-Pix2Pix: A Fusion-Driven Generator Network for Medical Image Translation with Few-Shot Learning},
author = {Xihe Qiu and Yang Dai and Xiaoyu Tan and Sijia Li and Fenghao Sun and Lu Gan and Liang Liu},
journal= {arXiv preprint arXiv:2601.04785},
year = {2026}
}