用于脑扫描模拟的退化对抗神经影像网络：在衰老与痴呆中的应用
图像与视频处理
2021-09-30 v5 计算机视觉与模式识别
摘要
高维医学图像的准确且逼真的模拟已成为与许多 AI 赋能的医疗应用相关的重要研究领域。然而，当前最先进的方法缺乏生成令人满意的高分辨率和准确的特定受试者图像的能力。在这项工作中，我们提出了一个深度学习框架，即 4D 退化对抗神经影像网络（4D-DANI-Net），用于生成高分辨率、纵向的 MRI 扫描，以模拟衰老和痴呆中的特定受试者神经退行性变。4D-DANI-Net 是一个基于对抗训练和一组新颖的时空、生物学信息约束的模块化框架。为确保高效训练并克服影响此类高维问题的内存限制，我们依赖三项关键技术进展：i) 一种称为剖面权重函数（PWFs）的新 3D 训练一致性机制，ii) 一个 3D 超分辨率模块，以及 iii) 用于针对给定个体微调系统的迁移学习策略。为评估我们的方法，我们在阿尔茨海默病神经影像倡议数据集的 876 名参与者的 9852 张 T1 加权 MRI 扫描上训练了该框架，并留出由 170 名参与者的 1283 张 MRI 扫描组成的独立测试集，用于对个人化合成图像时间序列进行定量和定性评估。我们进行了三项评估：i) 图像质量评估；ii) 量化超出基准模型的区域脑体积准确性；以及 iii) 量化医学专家对合成图像的视觉感知。总体而言，定量和定性结果均表明，4D-DANI-Net 生成了逼真的、低伪影的、个人化的合成 T1 MRI 时间序列，优于基准模型。
引用
@article{arxiv.1912.01526,
title = {Degenerative Adversarial NeuroImage Nets for Brain Scan Simulations: Application in Ageing and Dementia},
author = {Daniele Ravi and Stefano B. Blumberg and Silvia Ingala and Frederik Barkhof and Daniel C. Alexander and Neil P. Oxtoby},
journal= {arXiv preprint arXiv:1912.01526},
year = {2021}
}
备注
Paper Accepted at Medical Image Analysis - Journal - Elsevier