信息与控制

作者：肖儿良, 林化溪, 简献忠

关键词：深度学习, 生成对抗网络, 潜在空间, 特征解缠, 医学图像融合

针对现有医学图像融合方法产生的图像，存在源图像潜在特征信息丢失而导致融合效果差的问题，提出一种利用生成对抗网络（generative adversarial network，GAN）来探索潜在空间的图像融合算法（GAN-ELS），用于提高计算机断层成像（CT）与T2加权核磁共振成像（MR-T2）融合图像的质量.该算法首先通过基于StyleGAN改进的对抗网络在训练进程中的特征解缠学习、多分辨率层级样式控制，来充分实现对CT与MR-T2图像特征分布的无监督学习；然后在训练得到的生成器的基础上，根据配准过的源图像与当前主流融合方法所产生的对应融合图像，来探索目标融合图像所在的潜在特征空间；最终获得语义信息丰富的高质量融合图像.在Havard Medical School的全脑图谱数据集上的实验表明，与5种性能良好的主流融合方法相比，GAN-ELS融合后的图像在结构相似性、归一化互信息、峰值信噪比、归一化均方根误差等多个指标上更优，融合质量更好.

来源：2021年第5期

《信息与控制》期刊编辑部

查看信息与控制杂志2021年第5期