使用形变不变循环一致性网络进行跨域医学图像合成的无监督学习
计算机视觉与模式识别
2018-08-14 v1 人工智能
机器学习
图像与视频处理
摘要
近来,循环一致生成对抗网络(CycleGAN)被广泛用于多域医学图像的合成。CycleGAN 捕获的域特定非线性形变使得合成图像难以用于某些应用,例如为 PET-MR 衰减校正生成伪 CT。本文提出一种使用可形变卷积层与新循环一致性损失的形变不变 CycleGAN(DicycleGAN)方法。通过在多序列脑 MR 数据集与多模态腹部数据集上进行的对比实验,评估了其处理受域特定非线性形变数据的鲁棒性。我们的方法展现出生成与源对齐且相较 CycleGAN 生成数据保持恰当信号质量的合成数据的能力。当源域与目标域数据可通过简单仿射变换对齐时,所提模型也取得了与 CycleGAN 相当的性能。
引用
@article{arxiv.1808.03944,
title = {Unsupervised learning for cross-domain medical image synthesis using deformation invariant cycle consistency networks},
author = {Chengjia Wang and Gillian Macnaught and Giorgos Papanastasiou and Tom MacGillivray and David Newby},
journal= {arXiv preprint arXiv:1808.03944},
year = {2018}
}