结合边缘感知信息和生成对抗网络的医学图像合成

摘要：

跨模态图像合成是医学图像处理研究的重要任务之一.但监督模型所需的医学图像标注信息获取困难、成本昂贵,导致现有的图像合成模型不能较好地保留输入图像的结构信息.针对该问题,提出一种新的融合边缘感知信息的无监督跨模态医学图像合成方法.算法以CycleGAN为基本框架,采用改进后的U-Net为生成器网络,在跳跃连接中加入残差路径,缓解编、解码器间的语义差异.对编、解码器的扩张路径和收缩路径中相邻的卷积块,以密集连接的方式融合,增加重用特征信息,提高网络的特征表达能力.然后通过在模型中增加边缘感知模块,使得网络能同时学习到医学图像的纹理信息和边缘信息,更好地反映异常区域,方便医生区分正常和病变组织.最后,在公开脑部数据集上进行实验验证,结果表明了提出的跨模态医学图像合成方法的有效性,并将本文提出的方法应用到其他场景中,进一步验证了提出方法的泛化性能.

关键词：无监督学习、生成对抗网络、边缘感知、医学图像合成

所属期刊栏目：36

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金No.61763033

在线出版日期：2023-03-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：28-35