首页  |  期刊简介  |  稿件审稿流程  |  学术道德规范  |  编委会  |  征订启事  |  联系我们  |  English
中文核心期刊
中国科技论文统计源期刊
国际刊号:1004-9037
国内刊号:32-1367/TN
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式
  • 主管:中国科学技术协会
  • 主办:南京航空航天大学
  •           中国电子学会
  • 国际刊号:1004-9037
  • 国内刊号:32-1367/TN
  • 地址:南京市御道街29号
  • 电话:025-84892742
  • 传真:025-84892742
  • E-mail:sjcj@nuaa.edu.cn
  • 邮编:210016
李家豪,王世锦,储洁雯,林荆荆,魏纯洁.基于密集连接自逆生成对抗网络的MR图像生成方法[J].数据采集与处理,2021,36(4):739-745
基于密集连接自逆生成对抗网络的MR图像生成方法
MR Image Generation Method Based on Dense Connection Self-inverse Generative Adversarial Network
投稿时间:2020-07-10  修订日期:2020-10-15
DOI:10.16337/j.1004-9037.2021.04.012
中文关键词:  生成对抗网络  虚拟样本  图像合成  图像转换
英文关键词:generative adversarial network  virtual samples  image synthesis  image-to-image translation
基金项目:国家自然科学基金(61773205)资助项目。
作者单位邮编
李家豪 南京航空航天大学民航学院南京211106中国 211106
王世锦 南京航空航天大学民航学院南京211106中国 211106
储洁雯 南京航空航天大学民航学院南京211106中国 211106
林荆荆 南京莱斯信息技术股份有限公司南京210014中国 210014
魏纯洁 中国民用航空华东地区空中交通管理局江苏分局南京211113中国 211113
摘要点击次数: 54
全文下载次数: 123
中文摘要:
      随着医学成像技术的快速发展,医学图像在临床检测及科研领域得到了广泛的应用。针对临床图像数据集不完备的情况,本文提出了基于密集连接的自逆生成对抗网络用于实现核磁共振T1加权图像和T2加权图像相互生成的模型。该模型在自逆循环对抗生成网络的生成器模块中引入密集连接块结构,并采用U-net的多尺度融合框架,实现了T1与T2加权图像的互相生成。实验采用BraTS 2018数据集进行验证,生成图像的峰值信噪比与结构相似度最高分别可以达到22.78和0.8。基于密集连接块的生成器与基于U-net及ResNet的生成器模型的对比实验结果表明,基于密集连接块的生成模型性能更优。本文提出的基于密集连接自逆生成对抗网络的MR图像生成方法可以较好地改善T1或T2加权像缺失的问题,为临床论断提供更多的信息。
英文摘要:
      With the rapid development of medical imaging technology, medical images have been widely used in clinical detection and scientific research. In view of the insufficient clinical image data set, this paper proposes a generation model based on dense connection self-inverse generative adversarial network (GAN) to realize the mutual generation of T1- and T2-weighted MR images. Especially, the dense block is introduced into the generator module of self-inverse GAN model, and the multi-scale fusion framework of U-net is adopted to realize the mutual generation of T1 and T2 weighted MR images. The BraTS 2018 data set is used for validation and the peak signal-to-noise ratio and structure similarity of the generated images could reach 22.78 and 0.8, respectively. Contrast experimental results of different generators show that the model with the generator based on dense block has better performance than the model with the generator based on U-net or ResNet. The MR image generation method based on dense connection self-inverse GAN proposed in this paper can reduce the negative influence brought from missing T1 or T2 weighted images and provide more information for clinical judgment.
查看全文  HTML  查看/发表评论

Copyright @2010-2015《数据采集与处理》编辑部

地址:南京市御道街29号        邮编:210016

电话:025-84892742      传真:025-84892742       E-mail:sjcj@nuaa.edu.cn

您是本站第2276453位访问者 本站今日一共被访问461

技术支持:北京勤云科技发展有限公司