Resumen

Adquirir información complementaria sobre la morfología de tejidos a partir de imágenes médicas multimodales es beneficioso para el diagnóstico clínico de enfermedades, pero no se puede usar ampliamente debido al costo de los escaneos. En tales casos, la síntesis de imágenes médicas se ha convertido en un área popular. Recientemente, los modelos de redes generativas adversariales (GAN) se aplican a muchas tareas de síntesis de imágenes médicas y muestran un rendimiento previo, ya que permiten capturar detalles estructurales claramente. Sin embargo, GAN todavía construye el marco principal basado en la red neuronal convolucional (CNN) que exhibe un fuerte sesgo de localidad e invarianza espacial a través del uso de pesos compartidos en todas las posiciones. Por lo tanto, las dependencias a largo plazo se han destruido en este procesamiento. Para abordar este problema, presentamos un método de aprendizaje profundo de doble escala para la síntesis de imágenes médicas entre modalidades. Más específicamente, el método propuesto capt

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Síntesis de imágenes médicas; Red generativa adversaria; Red neuronal convolucional; Invarianza espacial; Método de aprendizaje profundo; Arquitectura transformer
• Keywords:Medical image synthesis; Generative adversarial network; Convolutional neural network; Spatial invariance; Deep learning method; Transformer architecture