利用潜在扩散模型引导合成标注脑磁共振成像数据以实现脑室扩大分割
计算机视觉与模式识别
2024-11-05 v1 人工智能
摘要
医学领域的深度学习模型面临数据稀缺、异质性和隐私保护等挑战。本研究聚焦于利用合成数据改善脑磁共振成像图像中的脑室分割。我们采用了两种潜在扩散模型（LDM）：一种是使用 10,000 个掩码训练的掩码生成器，以及一种使用 6,881 次扫描优化的对应 SPADE 图像生成器，用于创建以 3D 脑掩码为条件的磁共振成像图像。通过将脑室体积作为掩码生成器的条件，并结合无分类器引导，实现了对生成合成图像中脑室体积分布的控制。接下来，使用三种 nnU-Net 分割模型分别评估合成数据的性能，这些模型分别在真实数据、增强数据和完全合成数据上进行训练。所得模型在一个完全独立的脑室扩大患者留出数据集上进行测试，以人工勾勒的脑室作为真实标签。基于真实数据训练的模型在预测脑室体积上的平均绝对误差（MAE）为 9.09 ± 12.18 mL，而基于合成数据和增强数据训练的模型 MAE 分别为 7.52 ± 4.81 mL 和 6.23 ± 4.33 mL。合成模型和增强模型均优于现有最先进模型 SynthSeg，后者在脑室体积较大时性能有限，MAE 为 7.73 ± 12.12 mL，标准差高出 3 倍。基于增强数据训练的模型获得了最高的 Dice 系数 0.892 ± 0.05，略优于 SynthSeg，与基于真实数据训练的模型表现相当。合成模型的表现与 SynthSeg 类似。总之，我们提供了证据，表明利用 LDM 引导合成标注脑磁共振成像数据可以改善脑室扩大分割，并优于现有的最先进分割模型。
引用
@article{arxiv.2411.01351,
title = {Guided Synthesis of Labeled Brain MRI Data Using Latent Diffusion Models for Segmentation of Enlarged Ventricles},
author = {Tim Ruschke and Jonathan Frederik Carlsen and Adam Espe Hansen and Ulrich Lindberg and Amalie Monberg Hindsholm and Martin Norgaard and Claes Nøhr Ladefoged},
journal= {arXiv preprint arXiv:2411.01351},
year = {2024}
}