基于渐进对抗变分自编码器的脑损伤合成
计算机视觉与模式识别
2022-08-08 v1 图像与视频处理
摘要
激光间质热疗（LITT）是一种新型微创治疗，用于消融颅内结构以治疗颞叶内侧癫痫（MTLE）。LITT前后感兴趣区域（ROI）的分割可实现自动化损伤量化，从而客观评估疗效。卷积神经网络（CNN）等深度学习技术是ROI分割的先进方案，但训练时需要大量标注数据。然而，从LITT等新兴治疗中收集大数据集并不现实。本文中，我们提出一种渐进式脑损伤合成框架（PAVAE）以扩充训练数据集的数量与多样性。具体而言，我们的框架由两个顺序网络组成：掩码合成网络与掩码引导的损伤合成网络。为更好地利用外部信息在网络训练时提供额外监督，我们设计了条件嵌入块（CEB）与掩码嵌入块（MEB），将掩码的固有条件编码至特征空间。最后，使用真实与合成损伤图像训练分割网络以评估所提框架的有效性。实验结果表明，我们的方法能取得逼真的合成结果，并较传统数据增强技术提升下游分割任务性能。
引用
@article{arxiv.2208.03203,
title = {Brain Lesion Synthesis via Progressive Adversarial Variational Auto-Encoder},
author = {Jiayu Huo and Vejay Vakharia and Chengyuan Wu and Ashwini Sharan and Andrew Ko and Sebastien Ourselin and Rachel Sparks},
journal= {arXiv preprint arXiv:2208.03203},
year = {2022}
}
备注
11 pages, 4 figures, accepted by International Workshop on Simulation and Synthesis in Medical Imaging (SASHIMI 2022)