fRegGAN with K-space Loss Regularization for Medical Image Translation

要約

敵対的生成ネットワーク (GAN) は、リアルな画像の生成において目覚ましい成功を収めており、医療画像処理における画像間の変換タスクに使用されることが増えています。
ただし、GAN は低周波数への周波数バイアスを受ける傾向があり、生成された画像内の重要な構造が除去される可能性があります。
この問題に対処するために、私たちは fRegGAN と呼ぶ、教師あり RegGAN アプローチに基づいた新しい周波数を意識した画像間変換フレームワークを提案します。
このフレームワークは、K 空間損失を利用して生成された画像の周波数成分を正規化し、MRI K 空間ジオメトリのよく知られた特性を組み込んでネットワーク トレーニング プロセスをガイドします。
私たちの方法を RegGAN アプローチと組み合わせることで、位置ずれしたデータと周波数バイアスによるトレーニングの影響を同時に軽減できます。
私たちは、公開されている BraTS データセットで手法を評価し、T1 強調 MR 画像から T2 強調を合成する際に、定量的および定性的メトリクスの両方の点でベースライン手法を上回りました。
最終的なパフォーマンスに対する各修正の影響を理解するために、詳細なアブレーション研究が提供されます。
提案された方法は、医療分野における画像間の変換および合成のパフォーマンス向上に向けた一歩であり、画像処理および生成の分野における他のアプリケーションへの期待を示しています。

要約(オリジナル)

Generative adversarial networks (GANs) have shown remarkable success in generating realistic images and are increasingly used in medical imaging for image-to-image translation tasks. However, GANs tend to suffer from a frequency bias towards low frequencies, which can lead to the removal of important structures in the generated images. To address this issue, we propose a novel frequency-aware image-to-image translation framework based on the supervised RegGAN approach, which we call fRegGAN. The framework employs a K-space loss to regularize the frequency content of the generated images and incorporates well-known properties of MRI K-space geometry to guide the network training process. By combine our method with the RegGAN approach, we can mitigate the effect of training with misaligned data and frequency bias at the same time. We evaluate our method on the public BraTS dataset and outperform the baseline methods in terms of both quantitative and qualitative metrics when synthesizing T2-weighted from T1-weighted MR images. Detailed ablation studies are provided to understand the effect of each modification on the final performance. The proposed method is a step towards improving the performance of image-to-image translation and synthesis in the medical domain and shows promise for other applications in the field of image processing and generation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google