用于 MR 成像的 Wasserstein GAN：从成对训练到非成对训练
图像与视频处理
2021-05-14 v3 计算机视觉与模式识别
摘要
缺乏真实 MR 图像阻碍了图像重建神经网络常见的监督训练。为应对这一挑战，本文利用非成对对抗训练来训练重建网络，其中输入为来自一个数据集的欠采样 k 空间和初步重建图像，标签为来自另一个数据集的高质量图像。重建网络由一个抑制输入图像伪影的生成器和一个使用（非成对）标签池来调整重建质量的判别器组成。生成器是一个展开式神经网络——由卷积层和数据一致性层级联而成。判别器也是一个多层 CNN，扮演评判者的角色，基于 Wasserstein 距离对重建图像的质量进行评分。我们在膝关节 MRI 数据集上的实验表明，当感兴趣的输入类型没有高质量图像标签可用，或标签数量很少时，所提出的非成对训练能够实现诊断质量的重建。此外，与使用像素级损失的成对训练方案相比，我们的对抗训练方案能够获得更好的图像质量（由放射科专家评定）。
引用
@article{arxiv.1910.07048,
title = {Wasserstein GANs for MR Imaging: from Paired to Unpaired Training},
author = {Ke Lei and Morteza Mardani and John M. Pauly and Shreyas S. Vasanawala},
journal= {arXiv preprint arXiv:1910.07048},
year = {2021}
}