通过生成对抗网络增强数据以改进多参数磁共振图像中胶质瘤患者的分割
图像与视频处理
2019-10-03 v1 机器学习
机器学习
摘要
每年有数千名患者被诊断为胶质瘤，一种恶性脑肿瘤。医生使用 MR 图像作为诊断和治疗这些患者的关键工具。神经网络在辅助医生进行医学图像分析方面展现出巨大潜力。本研究探讨了使用由生成对抗网络创建的 varying 数量的合成脑 T1 加权（T1）、对比后 T1 加权（T1Gd）、T2 加权（T2）和 T2 液体衰减反转恢复（FLAIR）MR 图像，以克服标注医学图像数据匮乏的问题，用于训练独立的 2D U-Net 来分割胶质瘤中的增强肿瘤、瘤周水肿和坏死（非增强肿瘤核心）区域。这些合成 MR 图像通过定量（SSIM=0.79）和定性方式由医生评估，医生发现合成图像在结构边界勾画上似乎更强，但在梯度显著时更困难（例如 T2 模态中的水肿信号）。多个 2D U-Net 使用原始 BraTS 数据以及四分之一、二分之一、四分之三和全部合成 MR 图像的不同子集进行训练。各结构在独立验证数据集上的指标值提升与添加合成数据量之间无明显相关性，而添加合成数据量与最佳总体验证指标数量之间存在强相关性。总之，本研究展示了使用 GAN 生成高质量合成 Flair、T2、T1 和 T1CE MR 图像的能力。使用合成 MR 图像在改善 U-Net 分割性能方面显示出令人鼓舞的结果，具有解决易获取医学图像稀缺问题的潜力。
引用
@article{arxiv.1910.00696,
title = {Improvement of Multiparametric MR Image Segmentation by Augmenting the Data with Generative Adversarial Networks for Glioma Patients},
author = {Eric Carver and Zhenzhen Dai and Evan Liang and James Snyder and Ning Wen},
journal= {arXiv preprint arXiv:1910.00696},
year = {2019}
}