用于可逆模态合成与融合的变量增广网络
图像与视频处理
2021-09-07 v1 计算机视觉与模式识别
机器学习
摘要
作为整合不同模态下多幅医学图像所含信息的有效手段，医学图像合成与融合已出现在疾病诊断与治疗规划等多种临床应用中。本文提出一种可逆且变量增广的网络（iVAN）用于医学图像合成与融合。在 iVAN 中，通过网络变量增广技术使网络输入与输出的通道数相同，并增强了数据相关性，有利于表征信息的生成。同时，利用可逆网络实现双向推理过程。由于可逆与变量增广方案，iVAN 不仅可应用于多输入到单输出和多输入到多输出的映射，也可应用于单输入到多输出。实验结果表明，与代表性的医学图像合成与融合方法相比，所提方法能获得有竞争力或更优的性能。
引用
@article{arxiv.2109.00670,
title = {Variable Augmented Network for Invertible Modality Synthesis-Fusion},
author = {Yuhao Wang and Ruirui Liu and Zihao Li and Cailian Yang and Qiegen Liu},
journal= {arXiv preprint arXiv:2109.00670},
year = {2021}
}
备注
Page 10. arXiv admin note: text overlap with arXiv:2002.05000, arXiv:2103.15061 by other authors