基于权力法频谱的目标函数用于训练具有转移学习的生成对抗网络,用于合成乳房CT图像

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 图像处理 图像处理

背景情况:

• 生成对抗网络 (GANs) 在合成医疗图像方面表现有前途.
• 现有的GAN需要优化,用于特定的医学成像任务,如乳腺CT合成.
• 基于X射线的乳房图像显示出功率定律的光谱特征,这种特性在GAN训练中并不总是得到利用.

研究的目的:

• 引入一种新的目标函数,即β损失函数,以提高使用GANs的乳腺CT图像合成质量.
• 为了比较不同转移学习数据集 (ImageNet与解剖噪声) 的有效性,用于基于GAN的乳腺CT图像生成.
• 为了评估GANs在患者衍生的乳腺CT数据集上结合β损失函数的性能.

主要方法:

• 开发了基于乳腺CT图像的功率定律光谱 (β值) 的β损失函数,旨在达到接近2的β值.
• 将β损失函数集成到 StyleGAN2 架构中.
• 利用患者衍生的乳腺CT数据集 (7355培训,212验证图像) 并将转移学习与ImageNet和解剖噪声数据集进行了比较.

主要成果:

• 贝塔损失函数导致合成图像的贝塔值更接近真实图像和较低的弗雷切开始距离 (FID) 评分.
• 用解剖噪声图像预训练的GAN在贝塔值评估和FID得分方面都超过了用ImageNet预训练的GAN.
• 结合β损失函数和解剖学噪声传递学习数据集,获得了最低的FID分数.

结论:

• 拟议的β损失函数显著改善了基于GAN的乳腺CT图像合成.
• 解剖学噪音图像作为一个比ImageNet更有效的转移学习数据集用于此应用程序.
• 优化的GAN方法有可能通过改进的合成数据生成来推进医学成像应用.