膨胀的2D卷积重量可以有效生成3D医疗图像
Yanbin Liu1, Girish Dwivedi2, Farid Boussaid3
1School of Computing, Australian National University, Canberra, ACT, AU.
Computer methods and programs in biomedicine
|July 10, 2023
概括
我们开发了一个参数高效的3D生成对抗网络 (GAN) 用于医学成像. 该模型使用更少的参数和更少的数据生成高质量的3D心脏和大脑图像.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 三维 (3D) 医学图像生成对理解解剖结构具有重大潜力.
- 对3D生成模型的有效培训受到数据采集/注释的高成本和3D卷曲的计算复杂性的阻碍.
研究的目的:
- 为3D医疗图像合成提出一种新的,参数效率高的生成对抗网络 (GAN).
- 为了应对数据稀缺和3D医学图像生成中的高参数数量的挑战.
主要方法:
- 介绍了3D分割和混合GAN模型.
- 在丰富的图像切片和膨胀重量上预先训练了一个2D GAN,用于3D GAN初始化,以减轻数据稀缺.
- 为生成器和区分器开发了新的,参数效率高的3D网络架构.
主要成果:
- 实现了更好的3D图像生成质量,通过Fréchet Inception Distance在心脏和大脑数据集上的14.7个改进来证明.
- 显著减少模型参数,使用基线方法中只有48.5%的参数.
- 在斯坦福AIMI冠状动脉和阿尔茨海默病神经成像倡议数据集上验证了有效性.
结论:
- 成功开发了一个参数效率高的3D医学图像生成模型.
- 提出的方法在生成高质量的3D医疗图像方面表现出了效率和有效性.
- 潜在的应用包括为现实世界的临床用例生成3D大脑和心脏图像.
