S-CycleGAN: Semantic Segmentation Enhanced CT-Ultrasound Image-to-Image Translation for Robotic Ultrasonography

超声成像由于其无创和安全的特性，在各种医学诊断中起着关键作用。在临床实践中，超声图像分析的准确性和精度至关重要。深度学习的最新进展显示出处理医学图像的巨大能力。然而，深度学习的数据需求量大和高质量超声图像训练数据的短缺抑制了基于深度学习的超声分析方法的发展。为了解决这些挑战，我们介绍了一种先进的深度学习模型，称为S-CycleGAN，它可以从计算机断层扫描（CT）数据生成高质量的合成超声图像。该模型在CycleGAN框架内引入语义鉴别器，以确保在样式转移过程中保留关键的解剖细节。生成的合成图像用于增强语义分割模型和机器人辅助超声扫描系统开发的训练数据集，提高它们准确解析真实超声图像的能力。

如何解决深度学习在医学超声图像分析中的数据不足问题？

提出了一种基于S-CycleGAN的方法，利用计算机断层扫描（CT）数据生成高质量的合成超声图像，用于增强超声图像分割模型和机器人辅助超声扫描系统的训练数据集。

论文提出的S-CycleGAN模型在生成合成超声图像方面表现出色，并在超声图像分割和机器人辅助超声扫描系统中得到了应用。实验使用了公开数据集，并开源了代码。

最近的相关研究包括使用其他深度学习模型生成合成超声图像的方法，以及利用少量真实超声图像进行数据增强的方法。相关论文包括："Deep Learning-based Synthetic Ultrasound Image Generation: A Review"和"Data Augmentation Using Generative Adversarial Networks (CycleGAN) to Improve Generalizability of Convolutional Neural Network Models for Breast Cancer Diagnosis"。