功能一致的CycleGAN用于CT到 perfusion地图翻译
Pietro Nardelli1, Rubén San José Estépar1, Farbod N Rahaghi1
1Applied Chest Imaging Laboratory, Brigham and Women's Hospital, Harvard Medical School, Boston (MA), USA.
Thoracic image analysis : second international workshop, TIA 2020, held in conjunction with MICCAI 2020, Lima, Peru, October 8, 2020, Proceedings. TIA (Workshop) (2nd : 2020 : Online)
|July 31, 2024
概括
本研究介绍了用于医学图像翻译的功能一致的CycleGAN,改进了非可逆映射任务,例如从结构数据中估计功能活动. 该方法使用代理域来增强循环一致性和性能.
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:
- 生成性对抗性神经网络 (GAN) 是有效的医学图像到图像翻译.
- 循环GAN 可使用循环一致性损失实现未配对的图像翻译.
- CycleGAN假设可逆映射,这在医疗应用中并不总是如此,例如,从结构推断函数.
研究的目的:
- 解决传统CycleGAN在非可逆医疗图像翻译任务中的局限性.
- 提出一个新的功能一致的CycleGAN (fc-CycleGAN) 框架.
- 用共享的代理域名来增强图像翻译中基本特征的学习.
主要方法:
- 通过将代理结构图像纳入共享第三域中,开发了一个功能一致的CycleGAN.
- 代理域方便学习基本特征,同时保持周期的一致性.
- 应用该方法来估计来自对比CT扫描的 perfusion 图.
主要成果:
- 拟议的fc-CycleGAN在非可逆图像翻译任务中表现得更好.
- 与传统的CycleGAN进行比较,显示了功能一致的方法的有效性.
- 通过对比CT扫描成功估计了 perfusion 图.
结论:
- 功能一致的CycleGAN是一个可行的解决方案,用于医疗图像翻译问题与非可逆映射.
- 利用代理域增强翻译过程的稳定性和准确性.
- 这种方法对功能活动估计从结构医学图像等应用有希望.
