Pang, Haowen; Qi, Shouliang; Wu, Yanan et al. · 2023 · Computer Methods and Programs in Biomedicine

Metadata

Authors: Pang, Haowen; Qi, Shouliang; Wu, Yanan; Wang, Meihuan; Li, Chen; Sun, Yu; Qian, Wei; Tang, Guoyan; Xu, Jiaxuan; Liang, Zhenyu; Chen, Rongchang

DOI: 10.1016/j.cmpb.2023.107389

Tags: #neural-network

📄 Quick Note

摘要概述

本文提出了两个基于生成对抗网络（GAN）的图像合成器 S₁ 和 S₂，分别实现从平扫 CT（NCCT）合成增强 CT（SynCECT）及反向合成（SynNCCT）。训练流程创新性地采用三阶段策略：先以自监督学习（SSL）预训练，再用双能 CT（DECT）预训练以规避配准误差，最后以配准的 NCCT-CECT 图像对微调。两个合成器在 MAE、MSE、PSNR、SSIM 指标上均优于 CycleGAN、Pix2Pix、Pix2PixHD 等基线方法。以肺血管分割为下游应用，设计了 ST₁（NCCT→SynCECT→CECT 分割模型）和 ST₂（CECT→SynNCCT→NCCT 分割模型）两种策略，在 D1 数据集上分别达到 DSC 0.77 和 0.86。消融实验表明 SSL、DECT 预训练和微调三个环节缺一不可，去掉任一环节合成质量均显著下降。

关键图表

待精读时补充。

与我的关联

该论文展示了"跨模态图像合成 + 下游分割"的两阶段流水线设计范式，其利用 DECT 预训练规避配准依赖的思路对医学图像生成任务中数据稀缺与对齐噪声问题有方法论参考价值。