基于生成对抗网络的乳腺MRI图像生成

作     者：王红玉 朱天薏 冯筠 丁松涛 王苹苹 陈宝莹 WANG Hongyu;ZHU Tianyi;FENG Jun;DING Songtao;WANG Pingping;CHEN Baoying

作者机构：西安邮电大学计算机学院陕西西安710121 西安邮电大学陕西省网络数据分析与智能处理重点实验室陕西西安710121 西安市大数据与智能计算重点实验室陕西西安710121 西北大学信息科学与技术学院陕西西安710127 西安国际医学中心医院影像诊疗中心陕西西安710110 

基　　金：国家自然科学基金(62001380,62073260) 陕西省重点研发计划项目(2023-YBSF-493) 西安市卫生健康委员会面上培育项目(2023ms20) 西安邮电大学创新基金项目(CXJJZL2022026) 

出 版 物：《西北大学学报（自然科学版）》 (Journal of Northwest University（Natural Science Edition）)

年 卷 期：2023年第53卷第3期

页      码：348-358页

摘      要：乳腺癌磁共振成像(nuclear magnetic resonance imaging,MRI)数据由于不同医院采集方式不同、设备不同或病人等自身原因,会存在同一病人不同序列缺失的问题。目前主流的图像生成对抗网络Pix2Pix和Cycle-consistency是医学图像生成的两种主要模式,这类方法要求不同MRI序列数据配对出现,难以处理存在缺失的数据,此外,该类方法往往关注整幅图像的生成质量,缺少对疾病诊断更有价值的病灶区域的生成质量的监控。针对以上问题,该文受配准网络(RegGAN)自适应对准图像空间分布的启发,设计了一种新的基于特征增强的双注意力配准生成对抗网络DA-RegGAN。该网络在生成器中引入卷积注意力模块,使网络更注重病灶的学习;在判别器中添加梯度正则化约束,主要解决网络训练不稳定容易出现模式崩溃的现象,使网络生成包含更清晰的病灶细节全局图。该文在1697幅乳腺数据上开展消融实验、不同图像生成算法间的对比实验、肿瘤分类实验,进一步验证了方法的有效性。与原始RegGAN比,全局图像生成质量和局部病灶图像生成质量均得到提升,局部图像质量较原始PSNR提升了0.518,SSIM提升了0.021;全局图像质量较原始PSNR提升了0.584,SSIM提升了0.020。

主 题 词：生成对抗网络 乳腺MRI图像生成 注意力机制 梯度正则化 

学科分类：1305[艺术学-设计学类] 13[艺术学] 08[工学] 081104[081104] 0804[工学-材料学] 081101[081101] 0811[工学-水利类] 

核心收录：

D　O　I：10.16152/j.cnki.xdxbzr.2023-03-004

馆 藏 号：203122381...