用于医学图像分割的结构无偏对抗模型

生成模型已在图像识别中被广泛提出，用于生成更多分布与真实图像相似的图像。它通常引入一个判别网络来区分真实数据与生成数据。此类模型利用一个判别网络，其任务是区分风格迁移后的数据与目标数据集中包含的数据。然而，这样做时网络会聚焦于强度分布的差异，可能忽略数据集之间的结构差异。在本文中，我们构建了一个新的图像到图像翻译问题，以确保生成图像的结构与目标数据集中的结构相似。我们提出了一种简单而强大的结构无偏对抗（SUA）网络，在进行图像分割时同时考虑训练集与测试集之间的强度与结构差异。它由一个空间变换块和一个强度分布渲染模块组成。空间变换块用于减小两幅图像之间的结构差距，并产生逆形变场以将最终分割图像扭曲回原状。强度分布渲染模块随后将形变后的结构渲染为具有目标强度分布的图像。实验结果表明，所提出的SUA方法能够在多个数据集之间同时迁移强度分布与结构内容。