研究人员开发了一种双域等变生成对抗网络（DDE-GAN），以改进多模态CT-PET图像的合成。与仅关注空间域的传统方法不同，DDE-GAN同时考虑了空间域和频率（傅里叶）域，以捕捉更丰富的解剖和光谱信息。该网络还集成了旋转等变性，确保在旋转下响应一致并提高解剖精度。在HECKTOR 2022数据集上进行的测试表明，DDE-GAN在合成质量方面表现优越，为PET图像补全和数据增强提供了潜力。 AI
影响 这项研究可能带来更准确、更鲁棒的多模态图像合成，从而改进医学成像和数据增强等应用。
排序理由 这是一篇描述用于图像合成的新型生成对抗网络的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2606.13341v1 Announce Type: cross Abstract: We present a Dual-Domain Equivariant Generative Adversarial Network (DDE-GAN) for multimodal CT-PET image synthesis. Traditional GAN-based approaches often operate solely in the spatial domain and ignore geometric consistency, res…
We present a Dual-Domain Equivariant Generative Adversarial Network (DDE-GAN) for multimodal CT-PET image synthesis. Traditional GAN-based approaches often operate solely in the spatial domain and ignore geometric consistency, resulting in limited structural fidelity. DDE-GAN add…