Unüberwachtes cross-modales Synthetisieren von subjektbezogenen Scans

In letzter Zeit hat das cross-modale Synthetisieren von subjektbezogenen Scans in der medizinischen Bildgebungsgemeinschaft große Aufmerksamkeit erhalten. Obwohl in der jüngeren Vergangenheit verschiedene Syntheseansätze eingeführt wurden, sind die meisten entweder auf eine spezifische Anwendung zugeschnitten oder für die überwachte Umgebung vorgeschlagen, d.h. sie gehen von der Verfügbarkeit von Trainingsdaten aus demselben Satz von Subjekten in both source and target modalities. Aber das Sammeln mehrerer Scans von jedem Subjekt ist unerwünscht. Daher schlagen wir einen allgemeinen, unüberwachtes cross-modales medizinisches Bildsyntheseansatz vor, der ohne gepaarte Trainingsdaten funktioniert. Gegeben ein Quellmodalitätsbild eines Subjekts, generieren wir zunächst mehrere Kandidatenwerte der Zielmodalität für jedes Voxel unabhängig mithilfe der cross-modalen nächster Nachbar-Suche. Dann wählen wir die besten Kandidatenwerte gemeinsam für alle Voxel aus, indem wir gleichzeitig eine globale gegenseitige Informationskostenfunktion und eine lokale räumliche Konsistenzkostenfunktion maximieren. Schließlich verwenden wir gekoppelte spärliche Darstellungen zur weiteren Verfeinerung der synthetisierten Bilder. Unsere Experimente zur Erzeugung von T1-MRT-Gehirnscans aus T2-MRT und umgekehrt zeigen, dass die Synthesefähigkeit des vorgeschlagenen unüberwachtes Ansatzes mit verschiedenen aktuellen überwachten Ansätzen in der Literatur vergleichbar ist.