1.作者
生物医学中的计算成像和模拟技术中心 利兹大学 利兹心血管和代谢医学研究所 Yan Xia
伦敦大学学院计算机科学系医学图像计算中心 伦敦大学学院,皇后广场神经病学研究所,Le Zhang
2.目标
解决的问题是关于如何解决丢失数据的问题使用生成对抗网络(GAN)学习SAX切片附近缺失的信息,并通过他来生成缺失部分
3.论文介绍
论文的步骤:
1.首先将切片通过回归网络映射到具有位置信息潜在向量(latent vector)
2.将期望位置对应的潜在向量(latent vector)根据强度特征通过生成网络到切片流管(slice manifold)
G是generator,生成器: 负责凭空捏造数据出来 在本文中是含有正则化层的残差模块
D是discriminator,判别器: 负责判断数据是不是真数据 本文实现了一种多尺度鉴别器,以及基于鉴别器的特征匹配损失,以进一步提高性能
主要的结构大家都看到了,我提出一个比较奇怪的点:为什么能直接确定只有一个缺失帧啊。
self-modulated normalisation:结构
如下所示 输入的数据包含上一层的输入 和初始数据的skip-connection 降维在一块的结果
4.结果
数据集为:UK Biobank (UKBB)
评价指标:SSIM PSNR 判断生成图像和原来图像的对比,心脏指数包括:左心室体积、左心室质量和右心室体积