用StyleGAN2-ADA生成脑部MRI:训练集大小对合成图像质量的影响

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 计算神经科学是一种神经科学.

背景情况:

• 有限的数据可用性阻碍了医学成像中的深度学习.
• 生成模型通过创建保护隐私的合成数据提供解决方案.
• StyleGAN2-ADA是一个最先进的生成对抗网络.

研究的目的:

• 调查训练集大小对StyleGAN2-ADA性能产生2D大脑MRI图像的影响.
• 评估合成图像的质量,真实性和多样性.
• 评估合成数据生成中的多样性指标的稳定性.

主要方法:

• 在3227名来自OpenBHB数据集的受试者身上训练了StyleGAN2-ADA,以生成2D大脑MRI切片.
• 使用定性评估和定量指标评估合成图像质量.
• 分析了训练集大小对忠诚度和多样性指标的影响.

主要成果:

• StyleGAN2-ADA产生了高质量的,现实的脑部MRI图像,欺骗了专家放射科医生.
• 合成图像保留了受试者的隐私,而没有记住训练数据.
• 增加训练集大小带来了微小的忠实度改进,但没有影响多样性.
• 模式崩仍然是一个限制,多样性指标对合成与真实图像的比率敏感.

结论:

• StyleGAN2-ADA是一个有前途的工具,用于生成保护隐私的合成医疗图像.
• 解释多样性指标需要仔细考虑数据量和补充评估策略.
• 解决多样性的局限性需要探索替代的生成架构或规范化技术.