使用合成MR图像进行脑肿瘤分割——GAN与扩散模型的比较
图像与视频处理
2024-01-08 v2 计算机视觉与模式识别
机器学习
摘要
训练深度学习模型需要大型标注数据集，但在医学影像中，由于伦理、匿名化和数据保护法规，数据共享往往很复杂。生成式AI模型，如生成对抗网络（GANs）和扩散模型，如今可以生成非常逼真的合成图像，并有可能促进数据共享。然而，为了共享合成医学图像，必须首先证明它们可用于以可接受的性能训练不同网络。因此，我们在此全面评估四种GAN（progressive GAN、StyleGAN 1-3）和一种扩散模型在脑肿瘤分割任务中的表现（使用两个分割网络，U-Net和Swin transformer）。我们的结果表明，在合成图像上训练的分割网络所达到的Dice分数约为使用真实图像训练时Dice分数的80%–90%，但如果原始数据集过小，扩散模型可能会记忆训练图像。我们的结论是，共享合成医学图像是共享真实图像的可行替代方案，但还需要进一步工作。训练好的生成模型和生成的合成图像已在AIDA data hub上共享。
引用
@article{arxiv.2306.02986,
title = {Brain tumor segmentation using synthetic MR images -- A comparison of GANs and diffusion models},
author = {Muhammad Usman Akbar and Måns Larsson and Anders Eklund},
journal= {arXiv preprint arXiv:2306.02986},
year = {2024}
}
备注
28 Pages. 5 figures