基于编码器-解码器 U-NET 的 MRI 中多发性硬化病灶合成
计算机视觉与模式识别
2019-01-18 v1
摘要
在本文中，我们提出在 MRI 图像上生成合成的多发性硬化（MS）病灶，最终目的是提升有监督机器学习算法的性能，从而避免缺乏可用真值的问题。我们提出了一种用于 MRI 图像中 MS 病灶合成的双输入双输出全卷积神经网络模型。病灶信息被编码为离散二值强度水平掩码传递给模型，并与输入图像堆叠。该模型端到端训练，无需在训练集中手动标注病灶。随后，我们通过患者图像的配准在健康图像上执行合成病灶的生成，这些合成病灶随后被用作数据增强以提升有监督 MS 病灶检测算法的性能。我们的流程在来自内部临床数据集和公开 ISBI2015 挑战数据集的 MS 患者数据上进行了评估。评估基于测量真实图像与合成图像之间的相似性，以及通过使用最先进的分割框架分别对原始图像和合成图像进行分割的病灶检测性能。我们还展示了在健康图像上生成的合成 MS 病灶作为数据增强的用法。我们分析了有限训练数据（单图像训练）的场景，以展示两个数据集上数据增强的效果。我们的结果显著显示了合成 MS 病灶图像使用的有效性。对于 ISBI2015 挑战，我们使用仅单张图像加合成数据增强策略训练的单图像模型表现出与其他使用整个训练集充分训练的 CNN 方法相似的性能，取得了可与人类专家评分者相媲美的表现。
引用
@article{arxiv.1901.05733,
title = {Multiple Sclerosis Lesion Synthesis in MRI using an encoder-decoder U-NET},
author = {Mostafa Salem and Sergi Valverde and Mariano Cabezas and Deborah Pareto and Arnau Oliver and Joaquim Salvi and Àlex Rovira and Xavier Lladó},
journal= {arXiv preprint arXiv:1901.05733},
year = {2019}
}