图像对图像翻译用于简化MRI肌肉细分
Michael Gadermayr1,2, Lotte Heckmann2, Kexin Li2
1Department of Information Technology and Systems Management, Salzburg University of Applied Sciences, Salzburg, Austria.
Frontiers in radiology
|July 26, 2023
概括
这项研究引入了一种未配对的图像对图像翻译方法,以简化医疗图像细分,减少对标记数据的需求. 这种方法可以提高MRI扫描中病态肌肉组织的细分精度.
科学领域:
- 放射学 放射学是指放射学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 深度神经网络 (DNN) 在放射学中表现有前途,但需要广泛的标记数据进行训练.
- 对大型标记数据集的需求阻碍了DNN在医学成像中的实际应用.
- 在T1加权的MRI图像中对病态肌肉组织的自动细分具有挑战性.
研究的目的:
- 开发一种简化医疗图像细分的方法,而不需要标记数据.
- 使用未配对的图像到图像翻译创建一个"更容易分割"的中间图像表示.
- 评估这种方法在大腿MRI图像中细分病态肌肉组织的有效性.
主要方法:
- 使用了一种未配对的图像对图像翻译方法.
- 开发了一种新的域特定损失配方.
- 应用该方法在T1加权的MRI图像中对病态肌肉组织进行细分.
- 研究了完全自动化的细分方法.
主要成果:
- 提出的方法显著提高了监督细分技术的性能.
- 使用基本的无监督细分方法获得了可比的结果.
- 展示了创建一个"更容易分段"的中间图像表示的方法.
结论:
- 无配对的图像对图像翻译具有新的损失函数,可以有效地简化医疗图像细分任务.
- 这种技术减少了对标记数据的依赖,使得DNN在放射学中的实际应用成为可能.
- 该方法显示了对病理组织有监督和无监督细分的潜力.
