Évaluation de l'impact de la normalisation d'intensité sur la synthèse d'images IRM

La synthèse d'images apprend une transformation à partir des caractéristiques d'intensité d'une image d'entrée pour produire un contraste tissulaire différent de l'image de sortie. Ce processus a montré son application dans de nombreuses tâches d'analyse d'images médicales, notamment l'imputation, l'enregistrement et la segmentation. Pour effectuer la synthèse, les intensités des images d'entrée sont généralement mises à l'échelle, c'est-à-dire normalisées, à la fois lors de l'entraînement pour apprendre la transformation et lors des tests lorsque la transformation est appliquée, mais on ne sait pas actuellement quel type de mise à l'échelle en entrée est optimal. Dans cet article, nous considérons sept algorithmes de normalisation d'intensité différents et trois méthodes de synthèse différentes pour évaluer l'impact de la normalisation. Nos expériences démontrent que la normalisation d'intensité en tant qu'étape de prétraitement améliore les résultats de synthèse de tous les algorithmes de synthèse étudiés. De plus, nous fournissons des preuves suggérant que la normalisation d'intensité est essentielle pour une synthèse d'images IRM réussie basée sur l'apprentissage profond.