DC-cycleGAN: Bidirectional CT-to-MR Synthesis from Unpaired Data

要約

磁気共鳴 (MR) 画像とコンピュータ断層撮影 (CT) 画像は、正確な臨床診断と治療のための相互補完的な情報を提供する 2 つの典型的な医療画像です。
ただし、コスト、放射線量、モダリティの欠落などの考慮事項により、両方の画像の取得が制限される場合があります。
最近、医用画像合成は、この制限に対処するために研究の関心を集めています。
この論文では、対になっていないデータから医用画像を合成するために、デュアルコントラストcycleGAN（DC-cycleGAN）と呼ばれる双方向学習モデルを提案します。
具体的には、デュアル コントラスト損失がディスクリミネーターに導入され、ソース ドメインからのサンプルをネガティブ サンプルとして利用することで、MR 画像と CT 画像の間の制約を間接的に構築し、合成画像がソース ドメインから遠く離れていることを強制します。
さらに、画像合成時にサンプルの輝度と構造の両方を考慮するために、交差エントロピーと構造的類似性指数 (SSIM) が cycleGAN に統合されています。
実験結果は、DC-cycleGAN が、cycleGAN、RegGAN、DualGAN、NiceGAN などの他の cycleGAN ベースの医用画像合成方法と比較して、有望な結果を生み出すことができることを示しています。
コードは https://github.com/JiayuanWang-JW/DC-cycleGAN で入手できます。

要約(オリジナル)

Magnetic resonance (MR) and computer tomography (CT) images are two typical types of medical images that provide mutually-complementary information for accurate clinical diagnosis and treatment. However, obtaining both images may be limited due to some considerations such as cost, radiation dose and modality missing. Recently, medical image synthesis has aroused gaining research interest to cope with this limitation. In this paper, we propose a bidirectional learning model, denoted as dual contrast cycleGAN (DC-cycleGAN), to synthesis medical images from unpaired data. Specifically, a dual contrast loss is introduced into the discriminators to indirectly build constraints between MR and CT images by taking the advantage of samples from the source domain as negative sample and enforce the synthetic images fall far away from the source domain. In addition, cross entropy and structural similarity index (SSIM) are integrated into the cycleGAN in order to consider both luminance and structure of samples when synthesizing images. The experimental results indicates that DC-cycleGAN is able to produce promising results as compared with other cycleGAN-based medical image synthesis methods such as cycleGAN, RegGAN, DualGAN and NiceGAN. The code will be available at https://github.com/JiayuanWang-JW/DC-cycleGAN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google