使用生成对抗网络生成合成MRI图像用于多类脑瘤自动细分
P Raut1,2,3, G Baldini4, M Schöneck3
1Department of Pediatric Pulmonology, Erasmus Medical Center, Rotterdam, Netherlands.
Frontiers in radiology
|February 2, 2024
概括
这项研究介绍了Pix2PixNIfTI,一个3D生成对抗网络,用于创建合成大脑MRI图像. 这使得深度学习模型能够执行脑瘤细分,即使一些输入图像丢失.
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:
- 深度学习 (DL) 算法自动化复杂的任务,如病变细分和医学成像中的疾病进展分析.
- 3D卷积神经网络需要完整的体积数据 (例如MRI,CT,PET) 进行训练,在输入缺少时限制其使用.
研究的目的:
- 实施3D生成对抗网络 (GAN),Pix2PixNIfTI,用于在输入数据不完整时使用合成图像进行多标签的自动脑瘤细分.
- 评估Pix2PixNIfTI生成的合成MRI图像在脑瘤细分任务中的有效性.
主要方法:
- 一个基于Pix2Pix的GAN,扩展到3D框架 (Pix2PixNIfTI),在BraTS2021数据集 (1,251名患者) 上使用T1w,T2w,T1CE和FLAIR MRI序列进行训练.
- Pix2PixNIfTI模型生成了合成MRI对比度,以取代缺失的输入序列.
- 训练和测试使用原始和合成图像的细分模型 (DeepMedic),使用Dice分数和配对t测试来评估性能.
主要成果:
- Pix2PixNIfTI成功生成了合成MRI图像,使得即使缺少输入序列,也可以对脑瘤进行细分.
- 虽然使用合成数据进行细分的Dice得分与原始输入相比较较小,但它们对于整个瘤区域仍然可比 (例如,WT Dice:0.90 ± 0.08).
- 统计分析 (p < 0.05) 证实了该模型能够在减少输入数据的情况下进行多类细分.
结论:
- 皮克斯2皮克斯NIfTI框架有效地生成合成MRI数据,在一个或多个输入图像对比度不可用时,促进脑瘤细分.
- 这种方法提高了深度学习模型在神经成像分析中的适用性,尽管数据有限.
