用于胶质瘤分割的多阶段注意力 GAN 高组织对比度 MRI 合成
图像与视频处理
2020-06-11 v1 计算机视觉与模式识别
机器学习
摘要
磁共振成像（MRI）基于强磁场提供内部器官的不同组织对比度图像。尽管 MRI 在频繁成像中具有非侵入性优势，但目标区域低对比度 MR 图像使组织分割成为一项具有挑战性的问题。本文展示了图像到图像翻译技术生成合成高组织对比度（HTC）图像的潜在益处。具体而言，我们采用一种带注意力机制的新循环生成对抗网络（CycleGAN）来增强底层组织内的对比度。注意力块以及在 HTC 图像上的训练引导我们的模型收敛于特定组织。为提高 HTC 图像分辨率，我们采用多阶段架构，在每一阶段将某一特定组织作为前景并滤除不相关背景。该多阶段结构还通过缩小源域与目标域之间的差距，缓解了合成图像的常见伪影。我们展示了我们的方法在脑 MR 扫描（包括胶质瘤）上合成 HTC 图像的应用。我们还将 HTC MR 图像用于端到端和两阶段分割结构以确认这些图像的有效性。在 BraTS 2018 数据集上针对三个竞争性分割基线的实验表明，在多模态分割框架中引入合成 HTC 图像分别在全肿瘤、肿瘤核心和增强肿瘤上平均 Dice 分数提升 0.8%、0.6% 和 0.5%，同时从分割流程中消除了一条真实 MRI 序列。
引用
@article{arxiv.2006.05030,
title = {High Tissue Contrast MRI Synthesis Using Multi-Stage Attention-GAN for Glioma Segmentation},
author = {Mohammad Hamghalam and Baiying Lei and Tianfu Wang},
journal= {arXiv preprint arXiv:2006.05030},
year = {2020}
}
备注
Will be published in Thirty-Fourth AAAI Conference on Artificial Intelligence (AAAI-2020)