CycleSGAN:一个循环一致和语义维护的生成对抗网络,用于未配对的MR-to-CT图像合成

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:

• 未配对的MR-to-CT图像合成对于放射治疗规划和PET/MRI减弱校正等应用至关重要.
• 像CycleGAN这样的现有方法往往无法保持结构的一致性,导致解剖学不准确.
• 这限制了它们在医学成像任务中的临床实用性.

研究的目的:

• 开发一种新的生成对抗网络,用于未配对的MR-to-CT图像合成.
• 为了确保现实的图像生成和解剖结构的保存.
• 为了提高来自MR图像的合成CT图像的精度和视觉质量.

主要方法:

• 提出CycleSGAN,一个循环一致和语义维护的生成对抗网络.
• 在CycleGAN中使用新的三人游戏框架将语义信息纳入.
• 采用两种不同的对抗性学习类型:外观和结构对抗性学习,交替训练.
• 使用不配对的部MR-to-CT数据集进行培训和评估.

主要成果:

• CycleSGAN成功地将MRI图像中的CT图像与保存的解剖结构合成.
• 与最先进的方法相比,提出的方法显示出更高的准确性和视觉质量.
• 语义信息的整合解决了标准CycleGAN的结构不一致问题.

结论:

• CycleSGAN为未配对的MR-to-CT图像合成提供了一个强大的解决方案,克服了以前方法的局限性.
• 语义保存方法提高了用于临床应用的合成CT图像的可靠性.
• 这一进步为改善MRI指导干预和混合成像模式提供了重大潜力.