基于自解耦的结构感知无监督标记到电影 MRI 合成
图像与视频处理
2022-02-28 v1 计算机视觉与模式识别
机器学习
摘要
循环重建正则化对抗训练——如 CycleGAN、DiscoGAN 和 DualGAN——已广泛用于非配对训练数据的图像风格迁移。然而，若干近期工作表明局部畸变频繁发生，且结构一致性无法保证。针对此问题，已有工作通常依赖额外的分割或一致性特征提取步骤，而这些步骤是任务相关的。为此，本工作旨在通过显式强制输入图像与其合成图像间的结构对齐，学习一个通用的附加结构特征提取器。具体而言，我们提出一种新颖的输入-输出图像块自训练方案，以实现底层解剖结构与成像模态的解耦。翻译器与结构编码器遵循交替训练协议进行更新。此外，成像模态相关信息可通过非对称对抗博弈消除。我们在来自共二十名健康受试者的 1,768、416 和 1,560 张非配对、独立于受试者的标记与电影磁共振成像切片上分别训练、验证和测试了我们的网络，展示了优于对比方法的性能。
引用
@article{arxiv.2202.12474,
title = {Structure-aware Unsupervised Tagged-to-Cine MRI Synthesis with Self Disentanglement},
author = {Xiaofeng Liu and Fangxu Xing and Jerry L. Prince and Maureen Stone and Georges El Fakhri and Jonghye Woo},
journal= {arXiv preprint arXiv:2202.12474},
year = {2022}
}
备注
SPIE Medical Imaging: Image Processing (Oral presentation)