[Seminar] Manifold-Aware CycleGAN for High-Resolution Structural-to-DTI Synthesis

Résumé: La traduction d'image à image non appariée a été appliquée avec succès aux images naturelles, mais a reçu très peu d'attention pour les données à valeurs multiples telles que l'imagerie par tenseur de diffusion (DTI). La nature non euclidienne du DTI empêche les réseaux antagonistes génératifs actuels (GAN) de générer des images plausibles et a principalement limité leur application aux cartes scalaires IRM de diffusion, telles que l'anisotropie fractionnaire (FA) ou la diffusivité moyenne (MD). Même si ces cartes scalaires sont cliniquement utiles, elles ignorent pour la plupart les orientations des fibres et ont donc des applications limitées pour l'analyse des fibres cérébrales. Dans cette présentation, un Manifold-Aware Wassertein CycleGAN (MAWCGAN) exploitant la métrique Log-Euclidienne et des images structurelles haute résolution (T1w) pour générer des DTI haute résolution sera présenté. Nous démontrons que les images T1w à haute résolution peuvent être utilisées pour augmenter la résolution spatiale des DTI et que la prise en compte de la géométrie de la variété de données sous-jacente permet de générer des données plausibles sur une telle variété.