循环一致的基于双能量模型用于图像到图像转换

科学领域:

• 医疗图像分析 医学图像分析
• 深度学习是一种深度学习.
• 计算机视觉 计算机视觉 计算机视觉

背景情况:

• 领域转移,即训练和测试集之间的数据分布的变化,显著影响了医疗图像分析性能.
• 现有的基于生成对抗网络 (GAN) 的医疗图像翻译方法在培训稳定性和输出多样性方面扎.
• 基于能源的模型 (EBM) 为生成任务提供了一个有前途的替代方案,比GAN提供了潜在的优势.

研究的目的:

• 引入一种新的方法,即循环一致双 EBM (CCT-EBM),用于未配对的医学图像到图像翻译.
• 解决当前生成模型在处理医疗成像领域转移领域的局限性.
• 提高医学图像翻译任务的准确性和效率.

主要方法:

• 拟议的CCT-EBM在自动编码器的潜在空间内使用一对EBM进行双向图像转换.
• 一个新的一致性损失函数强制执行转换对称性和域合.
• 理论分析表明,为了提高效率,Langevin混合步骤减少了.

主要成果:

• 与最先进的方法相比,CCT-EBM在未配对的医疗图像到图像转换中实现了更高的性能.
• 在三种不同的医疗图像数据集上进行的定量和定性实验验证实了该方法的有效性.
• 提出的方法表明,翻译质量和领域一致性得到了改善.

结论:

• CCT-EBM提供了一种有效的解决方案,用于未配对的医学图像翻译,减轻领域转移的挑战.
• 该方法提供了比现有的基于GAN的方法更稳定和多样化的替代方案.
• 这项工作推动了EBM在医疗图像分析中的应用,为改进的诊断工具铺平了道路.