结构保持合成：用于非配对 MR-CT 转换的 MaskGAN
图像与视频处理
2023-08-02 v2 计算机视觉与模式识别
摘要
由于配对数据的稀缺，医学图像合成是一项具有挑战性的任务。若干方法已应用 CycleGAN 来利用非配对数据，但它们常生成不准确的映射，导致解剖结构偏移。当源模态与目标模态图像严重未对齐时，该问题进一步加剧。近期，现有方法旨在通过引入额外的分割网络来解决此问题。遗憾的是，该策略需要昂贵且耗时的像素级标注。为克服此问题，本文提出 MaskGAN，一种新颖且经济高效的框架，通过利用自动提取的粗掩码来强制结构一致性。我们的方法采用掩码生成器勾画解剖结构，并采用内容生成器合成与这些结构对齐的 CT 内容。大量实验表明，在极具挑战性的儿科数据集上，MaskGAN 优于最先进的合成方法，该数据集中因儿童快速生长导致 MR 与 CT 扫描严重未对齐。具体而言，MaskGAN 在无需专家标注的情况下擅长保持解剖结构。本文代码可在 https://github.com/HieuPhan33/MaskGAN 获取。
引用
@article{arxiv.2307.16143,
title = {Structure-Preserving Synthesis: MaskGAN for Unpaired MR-CT Translation},
author = {Minh Hieu Phan and Zhibin Liao and Johan W. Verjans and Minh-Son To},
journal= {arXiv preprint arXiv:2307.16143},
year = {2023}
}
备注
Accepted to MICCAI 2023