基于自适应损失的不确定性感知GAN用于鲁棒MRI图像增强
图像与视频处理
2021-10-08 v1 计算机视觉与模式识别
机器学习
摘要
图像到图像的转换是一个不适定问题，因为源图像与目标图像之间可能不存在唯一的一对一映射。在此背景下提出的基于学习的方法通常在与训练数据相似的测试数据上评估性能，这可能并不现实。这需要鲁棒的方法，能够量化预测中的不确定性以辅助决策，尤其是对于医学成像等关键领域。近期采用条件生成对抗网络（GAN）的工作在学习源图像与目标图像之间照片级真实感的映射方面表现出改进的性能。然而，这些方法未关注（i）模型对分布外（OOD）噪声数据的鲁棒性，以及（ii）不确定性量化。本文提出一种基于GAN的框架，其（i）建模一种自适应损失函数，通过对残差施加空间变化范数的自动调节，实现对OOD噪声数据的鲁棒性；（ii）估计预测中逐体素的不确定性。我们在医学成像的两个关键应用上展示了我们的方法：（i）欠采样磁共振成像（MRI）重建；（ii）MRI模态传播。我们使用两个不同的真实世界数据集进行的实验表明，所提方法（i）对OOD噪声测试数据具有鲁棒性并提供更高的精度，以及（ii）量化预测中的体素级不确定性。
引用
@article{arxiv.2110.03343,
title = {Uncertainty-aware GAN with Adaptive Loss for Robust MRI Image Enhancement},
author = {Uddeshya Upadhyay and Viswanath P. Sudarshan and Suyash P. Awate},
journal= {arXiv preprint arXiv:2110.03343},
year = {2021}
}
备注
Accepted at IEEE ICCV-2021 workshop on Computer Vision for Automated Medical Diagnosis