A Dual-Branch Unsupervised Network with Wavelet Transform and Style Consistency for CT to MRI Image Generation <sup>*</sup>
Notice bibliographique
Résumé
Medical image generation plays an important role in clinical applications, particularly in modality translation tasks such as CT-to-MRI synthesis. Compared with supervised methods that rely on paired datasets, unsupervised image generation is more practical due to its lower data requirements. However, existing unsupervised methods often suffer from insufficient high-frequency detail preservation and poor style consistency. Although wavelet transform offers promising multi-scale representation capabilities, effectively integrating it into deep generative models remains challenging. To address these issues, we propose WDS-Net (Wavelet-based Dual-branch Style-consistent Network). In the content encoder, wavelet decomposition is used to separate the image into low-frequency structural and high-frequency detail components, which are processed through a dual-branch architecture and then fused to enhance content representation. A multi-scale feature extraction mechanism is employed in the style encoder, and layer-wise style injection is applied during decoding to improve style consistency. Experimental results demonstrate that WDS-Net can generate high-quality MRI images under unpaired training conditions and achieves robust performance even with limited data. Evaluations on both public and clinical datasets confirm that WDS-Net outperforms existing methods in detail preservation and style consistency, showing strong potential for real-world clinical applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».