利用 GAN 生成 3D 超声心动图图像合成标注数据集的数据增强流水线
图像与视频处理
2024-03-11 v1 计算机视觉与模式识别
摘要
由于医学成像领域存在隐私问题和 publicly available 标注数据集数量有限，我们提出了一种图像生成流水线，用于合成带有相应真值标签的 3D 超声心动图图像，以减轻数据收集需求以及为后续深度学习 (DL) 任务进行繁琐且易出错的人工图像标注。所提出的方法利用心脏的详细解剖分割作为真值标签源。该初始数据集与由真实 3D 超声心动图图像组成的第二个数据集相结合，用于训练生成对抗网络 (GAN)，以合成配对的具有真值标签的真实 3D 心血管超声图像。为了生成合成 3D 数据集，训练好的 GAN 使用来自计算机断层扫描 (CT) 的高分辨率解剖模型作为输入。对合成图像的定性分析表明，心脏的主要结构得到了很好的描绘，并紧密遵循从解剖模型获得的标签。为了评估这些合成图像在 DL 任务中的可用性，我们训练了分割算法来描绘左心室、左心房和心肌。对使用合成图像训练的模型给出的 3D 分割结果的定量分析表明，这种 GAN 方法有潜力生成 3D 合成数据，利用这些数据训练用于不同临床任务的 DL 模型，从而解决 3D 标注超声心动图数据集稀缺的问题。
引用
@article{arxiv.2403.05384,
title = {A Data Augmentation Pipeline to Generate Synthetic Labeled Datasets of 3D Echocardiography Images using a GAN},
author = {Cristiana Tiago and Andrew Gilbert and Ahmed S. Beela and Svein Arne Aase and Sten Roar Snare and Jurica Sprem},
journal= {arXiv preprint arXiv:2403.05384},
year = {2024}
}