基于生成对抗网络对用于脑血管分割的标注 TOF-MRA 图像进行匿名化
图像与视频处理
2020-11-17 v3 机器学习
摘要
匿名化与数据共享对隐私保护及获取用于医学图像分析的大型数据集至关重要。这是一大挑战，尤其对神经成像而言。此处，大脑的独特结构允许再识别，从而需要非常规的匿名化。生成对抗网络(GANs)有潜力在保留预测属性的同时提供匿名图像。分析脑血管分割，我们在飞行时间(TOF)磁共振血管造影(MRA)块上训练了 3 个 GAN 用于图像-标签生成：1) 深度卷积 GAN，2) 带梯度惩罚的 Wasserstein-GAN (WGAN-GP)，3) 带谱归一化的 WGAN-GP (WGAN-GP-SN)。来自各 GAN 的生成图像-标签被用于训练 U-net 进行分割，并在真实数据上测试。此外，我们将合成块通过迁移学习应用于第二个数据集。对于最多 15 名患者的递增数量，我们评估了模型在有与无预训练情况下的真实数据性能。所有模型的性能通过 Dice 相似系数(DSC)与 Hausdorff 距离第 95 百分位(95HD)评估。比较 3 个 GAN，在 WGAN-GP-SN 合成数据上训练的 U-net 显示出最高的血管预测性能(DSC/95HD 0.82/28.97)，以真实数据训练的 U-net(0.89/26.61)为基准。迁移学习方法对同一 GAN 相较无预训练显示出更优性能，尤其对仅一名患者时(0.91/25.68 vs. 0.85/27.36)。本工作中，合成图像-标签对保留了可泛化信息，并显示出良好的血管分割性能。此外，我们表明合成块可用于独立数据的迁移学习方法中。这为克服医学成像中数据稀缺与匿名化的挑战铺平了道路。
引用
@article{arxiv.2009.04227,
title = {Anonymization of labeled TOF-MRA images for brain vessel segmentation using generative adversarial networks},
author = {Tabea Kossen and Pooja Subramaniam and Vince I. Madai and Anja Hennemuth and Kristian Hildebrand and Adam Hilbert and Jan Sobesky and Michelle Livne and Ivana Galinovic and Ahmed A. Khalil and Jochen B. Fiebach and Dietmar Frey},
journal= {arXiv preprint arXiv:2009.04227},
year = {2020}
}
备注
9 pages, 4 figures