科研之友
微信
新浪微博
Facebook
分享链接
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。
- 单位
