Translating and Segmenting Multi-modal Medical Volumes with Cycle- and Shape-Consistency GAN（简介）

这篇论文提出了医学volume-to-volume的转换，包括对抗性、循环一致性和形状一致性损失，以及双模态分割。

这篇论文主要用到CycleGAN。

一、本论文提出的方法

上图描述了该结构的两个部分：生成器部分和分割器部分（判别器部分没有特别之处，所以没介绍）

1. 生成器部分：

两个生成器，采用U-Net结构，使用步长为2、核为3×3×3的卷积进行3次下采样，上采样与下采样对称，且对每个分辨率使用两个连续的 3×3×3 卷积。将反卷积替换为步长为2的nearest upsampling，然后是一个3×3×3的卷积来实现上采样和通道道变化。
生成器用于学习域A和B之间的交叉域迁移，该学习过程由循环一致性loss、判别loss和形状一致性loss进行监督。

2.分割器部分：

两个分割器，采用U-Net结构，但没有任何归一化层，总共3次对称的步长为2的下采样（max-pooling）和上采样（nearest upsampling），对于每个分辨率使用两个连续的 3×3×3 卷积。
分割器由真实数据和生成器用该真实数据生成的合成数据进行训练。

3. 判别器部分：

二、非成对volume-to-volume转换存在的问题

三、该结构用到的Loss

原文连接