基于CycleGAN的肺部CT与CTA图像跨模态生成
Abstract
计算机断层扫描（CT）图像与计算机断层扫描血管造影（CTA）图像的跨模态转换对于降低辐射风险、减少经济成本及规避造影剂禁忌症具有重要意义。提出一种融合小波变换与注意力机制的无监督跨模态图像生成方法：构建小波频域对比（WDF）损失函数，通过对齐小波域高频边缘和低频结构特征，提升频域一致性；在编码阶段引入哈尔小波下采样（HWD）替代传统下采样，有效缓解血管边缘模糊与细节丢失问题，并结合空洞空间金字塔池化（ASPP），增强多尺度信息获取能力；在解码阶段引入半小波注意力模块（HWAB），通过小波特征与通道-空间注意力机制的融合，实现关键解剖区域的特征强化。实验结果表明，相较于现有的循环生成对抗网络（CycleGAN）、DC-CycleGAN（Dual Contrast CycleGAN）、Transformer-Cycle-GAN、U-GAT-IT（Unsupervised Generative Attentional Translation with Identity-Adaptive Transformation）和NICE-GAN（No-Independent-Component-for-Encoding GAN）方法，所提模型的结构相似度（SSIM）和峰值信噪比（PSNR）分别平均提升0.0682和2.97 dB，FID（Fréchet Inception Distance）平均降低27.58，并且视觉逼真度效果良好，具有较强的临床应用潜力。
Fields of Study & Subjects
Generative Adversarial Networks and Image Synthesis
Image Enhancement Techniques
Advanced Image Processing Techniques
Publication details
- Journal / source
- Laser & Optoelectronics Progress
- Volume
- 63
- Issue
- 2
- Pages
- 0217002–0217002
- Publication date
- 1 January 2026
- Language
- EN