通过条件合成与富里埃域适应的条件合成进行多模式脑瘤细分
Yasmina Al Khalil1, Aymen Ayaz1, Cristian Lorenz2
1Biomedical Engineering Department, Eindhoven University of Technology, Eindhoven, The Netherlands.
概括
这项研究引入了一个条件生成对抗网络 (GAN),用于合成多模态脑MRI图像,用于高度质瘤 (HGG) 细分. 里埃域适应显著提高了细分精度,解决了医学成像中的数据稀缺问题.
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:
- 使用多模态MRI精确的脑瘤细分对于诊断和治疗至关重要.
- 数据稀缺和标签挑战阻碍了高质量的自动化细分模型的开发.
- 深度学习模型需要广泛的,专业标记的数据集,以获得最佳性能.
研究的目的:
- 调查使用条件生成对抗网络 (GANs) 来合成多模态MRI数据用于高度质瘤 (HGG) 分段.
- 通过将GAN调节在细分面具上来提高合成图像生成的准确性和控制.
- 为了减少合成和真实MRI数据之间的域转移,使用Fourier域适应 (FDA).
主要方法:
- 开发了一个有条件的GAN来合成多模态大脑MRI图像.
- 在辅助脑组织和瘤细分口罩上调节GAN以加强控制.
- 应用福里埃域适应 (FDA) 调整合成和真实图像的频率组件.
- 训练有素的3D细分网络,使用纯合成和增强现实/合成数据.
主要成果:
- 富里埃域适应 (FDA) 显著改善了细分性能和预测可靠性.
- 仅在FDA处理的合成数据上训练的模型显示,子得分提高了4%.
- 将真实数据与FDA处理的合成数据相结合,可提高子得分高达5%.
- 证明了FDA在减少合成和真实医疗图像之间的域转移方面的有效性.
结论:
- 具有富里埃域适应的条件GAN为生成合成医疗图像提供了一个有希望的解决方案.
- 这种方法有效地解决了医疗图像细分中的数据稀缺性挑战,特别是对于HGG.
- 考虑图像频率组件对于医学图像合成中的成功生成模型至关重要.
