TISS-net:使用级联双任务网络和错误预测一致性的脑瘤图像合成和细分
Jianghao Wu1, Dong Guo1, Lu Wang1
1School of Mechanical and Electrical Engineering, University of Electronic Science and Technology of China, Chengdu, China.
Neurocomputing
|August 2, 2023
概括
这项研究介绍了TISS-Net,这是一种新的方法,用于合成缺失的医学成像模式,以改善脑瘤细分. 通过以端到端的方式共同执行合成和细分,TISS-Net实现了高精度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 准确的脑瘤细分对于诊断和治疗计划至关重要.
- 通常需要多模或增强对比度的图像,但可能无法获得.
- 合成缺失的模式可能会提高细分性能.
研究的目的:
- 提出一个新的端到端网络 (TISS-Net),用于同时进行脑瘤图像合成和细分.
- 解决现有方法的局限性,这些方法将合成和细分分别处理,或缺乏有效的规范化.
- 在某些成像方式缺失时,以提高细分精度.
主要方法:
- 开发了一种双任务规范生成器,用于同时合成目标模式和粗细分.
- 引入了瘤感知合成损失与感知度规范化,以最大限度地减少域间隙.
- 提出了一种双任务细分器,用于精细细分和错误预测,并进行一致性规范化.
主要成果:
- 与可用模式的直接细分相比,TISS-Net显示了显著改善的细分精度.
- 该网络的性能超过了基于图像合成的最先进的细分方法.
- 在合成FLAIR上进行了验证,用于质瘤细分和对比增强T1用于静脉瘤细分.
结论:
- TISS-Net有效地合成了缺失的医学图像模式,并进行了准确的脑瘤细分.
- 拟议的联合合成和细分方法与新型规范化显著提高了性能.
- 这种方法为改善脑瘤分析提供了一个有前途的解决方案,在有不完整成像数据的场景中.
