用于医学图像生成的影像翻译——缺血性卒中病灶

基于深度学习的疾病检测与分割算法有望改进许多临床流程。然而，此类算法需要大量标注训练数据，由于数据隐私、法律障碍以及非统一的数据采集协议，这些数据在医疗场景中通常不可用。带有标注病灶的合成数据库可提供所需的训练数据量。我们以缺血性卒中为例证明，使用基于深度学习的增强来实现病灶分割的改进是可行的。为此，我们训练不同的图像到图像翻译模型，从语义分割图合成带有和不带有卒中病灶的脑体积磁共振图像。此外，我们训练一个生成对抗网络(generative adversarial network, GAN)来生成合成病灶掩码。随后，我们将这两个组件结合以构建大型合成卒中图像数据库。使用在临床试验集上训练用于分割卒中病灶的 U-Net 评估各模型的性能。我们报告最佳性能模型的 Dice 分数为 $\mathbf{72.8}$% [$\mathbf{70.8\pm1.0}$%]，优于仅在临床图像上训练的模型 $\mathbf{67.3}$% [$\mathbf{63.2\pm1.9}$%]，且接近人工读者间 Dice 分数 $\mathbf{76.9}$%。此外，我们表明对于仅 10 或 50 例临床病例的小型数据库，与使用无合成数据的设置相比，合成数据增强带来了显著改进。据我们所知，这提出了首个基于图像到图像翻译的合成数据增强对比分析，以及首次在缺血性卒中上的应用。