Image Synthesis in Multi-Contrast MRI With Conditional Generative Adversarial Networks—论文解读

文章概述及亮点

作者的应用场景单模态的不同对比图像间的转换，是比如给定T1 MRI，合成T2 MRI。作者考虑了两种情况，情况一是源域图像和目标域图像进行了较好的配准，情况二是未进行配准。针对情况一，作者基于pix2pixGAN模型+perceptual Loss提出了pGAN模型，针对情况二，作者基于cycleGAN模型进行转换。
【1】multi-contrast如何理解
【2】registered multi-contrast images和unregistered images如何理解，理解成配准的图像和未配准的图像？逐像素损失和感知损失是如何作用到registered multi-contrast images上的？循环一致性损失又是如何作用到unregistered images上的？
【3】利用相邻截面的信息进一步提升合成质量，将相邻的k张图像都作为输入，那岂不是增加训练集？采用相邻的k张图像作为输入，那么合成的目标图像也是k张还是只用中间那张？
【4】对于pGAN来说，如何设置三种损失的权重？
【5】对于已配准的图像合成而言，cGAN和pGAN哪种结果更好？

摘要

  获取具有多个不同对比度的同一解剖结构的图像（比如说，T1、T2、T1-weight、FAILR？）可增加MR检查中可用诊断信息的多样性。然而，扫描时间限制可能会禁止获取某些对比度，并且可能会被噪声和伪影破坏。在这种情况下，合成未知或损坏对比图像可以提高诊断的实用性。对于多对比合成，目前的方法是通过非线性重构或确定性神经网络来学习源图像和目标图像之间的非线性强度变换。这些方法反过来又会使合成图像中的结构细节丢失。本文提出了一种基于条件生成对抗网络的多对比MRI合成新方法。该方法通过对抗性损失保持中高频的细节，并通过对已注册多对比度图像的逐像素和感知损失以及对未注册图像的循环一致性损失来提高合成性能。利用相邻截面的信息进一步提高合成质量。在健康受试者和患者的T1和T2加权图像上的演示清楚地表明，与先前的最新方法相比，所提出的方法具有优越的性能。我们的综合方法有助于提高多对比MRI检查的质量和多功能性，而无需预先检查或重复检查。

介绍

  磁共振成像（MRI）由于其能在软组织中捕捉到的对比度的多样性，在临床应用中得到了广泛的应用。定制的MRI脉冲序列能够在成像相同解剖结构时产生不同的对比度。例如，T1加权的大脑图像清楚地描绘了灰质和白质组织，而T2加权的图像描绘了来自皮质组织的液体。反过来，同一受试者获得的多对比度图像增加了临床和研究研究中可用的诊断信息。然而，考虑到长期检查和不合作患者的费用，尤其是在儿童和老年人群中，可能无法收集到完整的对比数据。在这种情况下，最好是获得扫描时间相对较短的对比度。即使如此，获得的对比度的一个子集也可能被过多的噪声或伪影破坏，这些噪声或伪影禁止随后的诊断使用。此外，队列研究通常在成像方案和获得的具体对比方面显示出显著的异质性。因此，从其他成功获得的对比度图像合成缺失或损坏的对比度图像的能力，通过增加诊断相关图像的可用性，以及改进诸如配准和分割等分析任务，对增