SynNet：用于医学图像合成的结构保持全卷积网络
计算机视觉与模式识别
2018-07-02 v1
摘要
跨模态图像合成因其能从给定的一组源图像估计不同模态的目标图像（如 MR 到 MR、MR 到 CT、CT 到 PET 等）而无需实际采集，正获得显著关注。尽管它们在放射治疗规划、图像超分辨率、图谱构建、图像分割等应用中展现出潜力，合成结果仍不如实际采集准确。在本文中，我们通过提出一种称为 SynNet 的全卷积深度学习架构来解决多模态图像合成问题。我们将所提架构扩展到多种输入输出配置。最后，我们提出一种用于跨模态图像合成的结构保持自定义损失函数。我们在 BRATS 数据集上验证了所提 SynNet 及其扩展框架，并与三种 SOTA 方法进行比较。所提自定义损失函数的效果也针对 SOTA 方法用于跨模态图像合成的传统损失函数进行了验证。
引用
@article{arxiv.1806.11475,
title = {SynNet: Structure-Preserving Fully Convolutional Networks for Medical Image Synthesis},
author = {Deepa Gunashekar and Sailesh Conjeti and Abhijit Guha Roy and Nassir Navab and Kuangyu Shi},
journal= {arXiv preprint arXiv:1806.11475},
year = {2018}
}
备注
13 pages, 5 figures