论文地址:Robust Multi-modal MR Image Synthesis

 

这是MICCAI2017上一篇使用多模态MRI进行合成的论文

论文有两个创新点,一个是使用多个模态MRI进行另一个模态的合成,还有就是对于缺失和未对齐的数据也可以用于合成

 

[深度学习从入门到女装]Robust Multi-modal MR Image Synthesis

整个思路如上,

Encoders:对于多模态的输入,先使用f转换为多模态的隐变量z,

Alignment:随后使用这多模态的隐变量使用spatial transformer进行对齐,也就是使用[深度学习从入门到女装]Robust Multi-modal MR Image Synthesis分别与[深度学习从入门到女装]Robust Multi-modal MR Image Synthesis作为spatial transformer的输入,将[深度学习从入门到女装]Robust Multi-modal MR Image Synthesis[深度学习从入门到女装]Robust Multi-modal MR Image Synthesis分别对齐,得到[深度学习从入门到女装]Robust Multi-modal MR Image Synthesis,其中[深度学习从入门到女装]Robust Multi-modal MR Image Synthesis

Fusion:随后对[深度学习从入门到女装]Robust Multi-modal MR Image Synthesis使用voxel-wise max进行融合成为[深度学习从入门到女装]Robust Multi-modal MR Image Synthesis

Decoder:使用decoder网络将[深度学习从入门到女装]Robust Multi-modal MR Image Synthesis恢复为最终结果

[深度学习从入门到女装]Robust Multi-modal MR Image Synthesis

 

loss:[深度学习从入门到女装]Robust Multi-modal MR Image Synthesis

其中MAE=mean absolute error,MVV=mean voxel-wise variance

相关文章:

  • 2021-07-12
  • 2021-07-15
  • 2021-08-05
  • 2021-12-26
  • 2021-12-25
  • 2022-01-04
  • 2021-10-14
猜你喜欢
  • 2021-04-25
  • 2021-10-06
  • 2021-10-04
  • 2022-01-17
  • 2021-12-06
  • 2021-07-20
  • 2021-04-14
相关资源
相似解决方案