基于病理与序列条件稳定扩散的双参数前列腺MR图像合成
图像与视频处理
2023-03-06 v1 计算机视觉与模式识别
摘要
我们提出了一种以文本为条件的多序列前列腺MR图像合成机制，以控制病灶存在与序列，并生成以图像为条件的配对双参数图像(例如由T2加权MR生成扩散加权MR以得到配对数据)，这是病理图像合成中两项具挑战性的任务。我们提出的机制利用并改进了近期稳定扩散模型，通过提出基于图像的条件化用于配对数据生成。我们使用来自真实疑似前列腺癌患者的2D图像切片验证我们的方法。合成图像的真实性通过盲法专家评估(鉴别真实与伪造图像)验证，一名具有4年泌尿系统MR阅片经验的放射科医生在所有测试序列上仅达到59.4%准确率(随机为50%)。我们首次通过盲法专家识别疑似病灶存在来评估生成病理的真实性，发现临床医生对真实与合成图像表现相似，真实与合成图像的病灶识别准确率相差2.9个百分点，展示了其在放射学培训中的潜力。此外，我们还表明，用于病灶识别的机器学习模型在由合成数据增广的真实数据训练时(对比仅用真实图像训练)表现出更优性能(76.2%对70.4%，统计显著改进)，展示了其对模型训练的有用性。
引用
@article{arxiv.2303.02094,
title = {Bi-parametric prostate MR image synthesis using pathology and sequence-conditioned stable diffusion},
author = {Shaheer U. Saeed and Tom Syer and Wen Yan and Qianye Yang and Mark Emberton and Shonit Punwani and Matthew J. Clarkson and Dean C. Barratt and Yipeng Hu},
journal= {arXiv preprint arXiv:2303.02094},
year = {2023}
}
备注
Accepted at MIDL 2023 (The Medical Imaging with Deep Learning conference, 2023)