作者利用CycleGAN 从心脏CT图像合成心脏MR图像,使用合成图像以及几何扩充技巧改善分割模型的准确率16%。作者为什么采用上述结构,因为作者发现合成图像的心肌位置与输入图像不一样,为了缓解这个问题,
作者将心肌的mask和图像进行concate,然后输入到CycleGAN中进行训练,这样CycleGAN能够学习变换CT以及对应的心肌分割mask到MR图像以及对应的分割mask。
作者又解释到这并没有阻止转换过程中的解剖学变化,但意味着我们仍然拥有合成图像的精确(合成)标签。
作者利用CycleGAN 从心脏CT图像合成心脏MR图像,使用合成图像以及几何扩充技巧改善分割模型的准确率16%。作者为什么采用上述结构,因为作者发现合成图像的心肌位置与输入图像不一样,为了缓解这个问题,
作者将心肌的mask和图像进行concate,然后输入到CycleGAN中进行训练,这样CycleGAN能够学习变换CT以及对应的心肌分割mask到MR图像以及对应的分割mask。
作者又解释到这并没有阻止转换过程中的解剖学变化,但意味着我们仍然拥有合成图像的精确(合成)标签。