利用矢量量化生成对抗网络在MRI中生成三维脑肿瘤区域
计算机视觉与模式识别
2023-10-03 v1 机器学习
摘要
医学图像分析已从深度学习的进展中显著受益，尤其在生成对抗网络（GANs）应用于生成逼真且多样的图像以扩充训练数据集方面。然而，此类方法的效果常受临床环境中可用数据量的限制。此外，常见的基于GAN的方法是生成整个图像体而非仅生成感兴趣区域（ROI）。基于深度学习的MRI脑肿瘤分类研究表明，分类肿瘤ROI比分类整个图像体更容易。本工作中，我们提出一种新颖框架，使用矢量量化GAN与结合掩码词建模的transformer生成高分辨率且多样的三维脑肿瘤ROI，可直接用作脑肿瘤ROI分类的扩充数据。我们将方法应用于两个不平衡数据集以扩充少数类：（1）多模态脑肿瘤分割挑战赛（BraTS）2019数据集，生成新的低级别胶质瘤（LGG）ROI以与高级别胶质瘤（HGG）类平衡；（2）内部儿童LGG（pLGG）数据集肿瘤ROI带BRAF V600E突变遗传标记，以与BRAF融合遗传标记类平衡。我们表明所提方法在定性与定量指标上均优于多种基线模型。生成的数据用于平衡脑肿瘤类型分类任务中的数据。使用扩充数据，我们的方法在BraTS 2019数据集上AUC超越基线模型6.4%，在内部pLGG数据集上超越4.3%。结果表明生成的肿瘤ROI能有效解决数据不平衡问题。我们提出的方法有潜力促进利用MRI扫描对罕见脑肿瘤的准确诊断。
引用
@article{arxiv.2310.01251,
title = {Generating 3D Brain Tumor Regions in MRI using Vector-Quantization Generative Adversarial Networks},
author = {Meng Zhou and Matthias W Wagner and Uri Tabori and Cynthia Hawkins and Birgit B Ertl-Wagner and Farzad Khalvati},
journal= {arXiv preprint arXiv:2310.01251},
year = {2023}
}
备注
Preprint, In Submission