ReeGAN:基于GANs的MRI图像边缘保护合成,这些GAN被训练使用不对齐的数据
Xiangjiang Lu1, Xiaoshuang Liang2, Wenjing Liu2
1Guangxi Key Lab of Multi-Source Information Mining & Security, School of Computer Science and Engineering & School of Software, Guangxi Normal University, Guilin, 541004, China. jxlu@stu.gxnu.edu.cn.
Medical & biological engineering & computing
|February 24, 2024
概括
这项研究引入了一种用于磁共振成像 (MRI) 交叉模式转换的新型生成对抗网络,改进了边缘保护和有效处理不对齐的数据.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 磁共振成像 (MRI) 提供了对医学诊断至关重要的多角度和多维洞察力.
- 在MRI中,跨模式转换研究很重要,但往往忽略了错位数据和边缘信息.
研究的目的:
- 开发一种强大的MRI交叉模式转换方法,以应对错误调整数据带来的挑战,并保留关键的边缘信息.
- 提高合成目标模式MRI图像的质量和可靠性.
主要方法:
- 提出了一个具有多功能融合的生成对抗网络 (GAN).
- 该方法结合了辅助注册网络,以适应来自错位数据的噪音标签.
- 辅助边缘信息被注入以改善合成图像质量.
主要成果:
- 拟议的GAN在MRI交叉模式转换过程中有效地保留了边缘信息.
- 该方法在噪音或不整齐的数据上训练时显示出稳定性.
- 综合实验和废弃性研究验证了该技术的有效性.
结论:
- 开发的方法在MRI交叉模式转换方面取得了重大进展,特别是在涉及数据不完美的场景中.
- 这种方法通过提高转换图像的质量和解决常见的数据对齐问题来提高MRI的实用性.
