用于多模态非配对图像脑肿瘤分割的统一注意力生成对抗网络
计算机视觉与模式识别
2019-07-09 v1 图像与视频处理
摘要
在医学应用中，尽管图像特征不同，同一解剖结构可在多种模态中被观察到。目前，大多数用于多模态分割的深度模型依赖于配对的已配准图像。然而，在许多情况下难以获取多模态配对已配准图像。因此，开发一个能从不同模态的非配对图像中分割目标对象的模型，对许多临床应用具有重要意义。本工作中，我们提出一种新颖的双流翻译与分割统一注意力生成对抗网络（UAGAN），在有两种或更多模态可用时，可同时进行任意到任意的图像模态翻译并分割目标对象。翻译流用于捕获目标解剖结构的模态不变特征。此外，为聚焦于与分割相关的特征，我们添加注意力块以从翻译流中提取有价值特征。在三种模态脑肿瘤分割上的实验表明，UAGAN 在大多数情况下优于现有方法。
引用
@article{arxiv.1907.03548,
title = {Unified Attentional Generative Adversarial Network for Brain Tumor Segmentation From Multimodal Unpaired Images},
author = {Wenguang Yuan and Jia Wei and Jiabing Wang and Qianli Ma and Tolga Tasdizen},
journal= {arXiv preprint arXiv:1907.03548},
year = {2019}
}
备注
9 pages, 4 figures, Accepted by MICCAI2019