通过条件GAN进行医学图像合成:用于细分脑瘤的应用
Mohammad Hamghalam1, Amber L Simpson2
1School of Computing, Queen's University, Kingston, ON, Canada; Department of Electrical Engineering, Qazvin Branch, Islamic Azad University, Qazvin, Iran.
Computers in biology and medicine
|January 24, 2024
概括
这项研究引入了新的生成对抗网络 (GAN),以提高MRI扫描中的脑瘤细分精度. 这些模型增强了图像对比度,从而更好地识别瘤亚区域,用于诊断和手术规划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 精确的脑瘤细分对于外科手术规划和诊断等临床应用至关重要.
- 磁共振成像 (MRI) 首选用于脑组织可视化,但强度变化阻碍了细分精度.
- 在MRI扫描中重叠的组织密度会降低对比度,这对精确的瘤划定构成了挑战.
研究的目的:
- 引入一种使用条件生成对抗网络 (cGAN) 的新框架,以增强瘤子区域对比度.
- 为了提高voxel-wise和区域-wise的大脑瘤细分精度.
- 开发模型,解决MRI扫描中的重叠强度分布的挑战.
主要方法:
- 开发了两个模型:增强和细分GAN (ESGAN) 和增强GAN (EnhGAN).
- 基于补丁的标签预测ESGAN结合了分类器和对抗性损失.
- EnhGAN使用一种新的自适应性语音校准发生器和多尺度马科维亚分辨器生成高对比度合成图像.
主要成果:
- 与现有的脑瘤细分技术相比,提出的模型显示出具有竞争力的准确性.
- ESGAN和EnhGAN有效地提高了对比度,并减少了MRI图像中的类间重叠.
- 公共数据集上的实验结果验证了开发的框架的有效性.
结论:
- 这种基于cGAN的新型框架显著提高了脑瘤细分的准确性.
- 开发的模型提供了一种有希望的方法,用于提高医学成像对比度,以获得更好的诊断结果.
- 这项工作有助于推进使用深度学习技术对脑瘤的自动化分析.
