Cancer-Net PCa-Gen：基于解剖条件控制潜在扩散的前列腺扩散加权成像真实数据合成
图像与视频处理
2023-12-01 v1 计算机视觉与模式识别
摘要
在加拿大，前列腺癌是男性中最常见的癌症类型，并在2022年占该人群新发癌症病例的20%。由于近期在利用机器学习进行临床决策支持方面取得成功，人们对开发用于前列腺癌诊断、预后及使用扩散加权成像（DWI）数据制定治疗方案的深度神经网络产生了显著兴趣。阻碍其在临床中广泛应用的一个主要挑战是，由于用于训练此类网络的大规模、多样化、均衡的前列腺成像数据集稀缺，导致此类网络泛化能力差。在本研究中，我们通过引入一种解剖条件控制的潜在扩散策略，探索潜在扩散在生成真实前列腺DWI数据方面的效能。据作者所知，这是首项利用条件控制进行前列腺癌影像合成的研究。实验结果表明，我们称之为Cancer-Net PCa-Gen的所提策略，通过可控肿瘤位置以及更好的解剖与纹理保真度，增强了多样化前列腺图像的生成。这些关键特性使其非常适合用于扩充真实患者数据，使神经网络能够在更多样且全面的数据分布上训练。Cancer-Net PCa-Gen框架及样本图像已作为致力于加速机器学习进展以帮助临床医生对抗癌症的全球开源倡议的一部分，发布于https://www.kaggle.com/datasets/deetsadi/cancer-net-pca-gen-dataset。
引用
@article{arxiv.2311.18612,
title = {Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted Imaging Data via Anatomic-Conditional Controlled Latent Diffusion},
author = {Aditya Sridhar and Chi-en Amy Tai and Hayden Gunraj and Yuhao Chen and Alexander Wong},
journal= {arXiv preprint arXiv:2311.18612},
year = {2023}
}