通过合成病理数据生成实现胎儿与新生儿病理MRI分割
图像与视频处理
2025-02-03 v1 人工智能
计算机视觉与模式识别
摘要
开发用于临床胎儿和新生儿MRI数据自动分析的新方法受到注释病理数据集稀缺和隐私问题（通常限制数据共享）的限制，这阻碍了深度学习模型的有效性。我们通过两种方式解决这个问题。首先，我们引入Fetal&Neonatal-DDPM，一种新颖的扩散模型框架，旨在从语义标签图像生成高质量合成病理胎儿和新生儿MRI。其次，我们通过形态学改变修改健康标签图像来增强训练数据，以模拟诸如脑室增大、小脑和桥小脑发育不全以及小头畸形等病症。通过利用Fetal&Neonatal-DDPM，我们从这些修改后的病理标签图像合成逼真的病理MRI。放射科医生评定合成MRI在质量和诊断价值上显著优于真实MRI（p < 0.05），展示了诸如血管和脉络丛等特征，并且与标签注释的对齐更好。合成病理数据增强了最先进的nnUNet分割性能，特别是在严重脑室增大病例中，在脑室分割中取得了最大改进（Dice分数：0.9253 vs. 0.7317）。这项研究强调了生成式AI作为数据增强变革工具的潜力，为病理病例提供了改进的分割性能。这一发展代表了朝着提高产前成像分析和分割准确性迈出的重要一步，同时也通过生成病理图像数据为数据匿名化提供了新途径。
引用
@article{arxiv.2501.19338,
title = {Pathological MRI Segmentation by Synthetic Pathological Data Generation in Fetuses and Neonates},
author = {Misha P. T Kaandorp and Damola Agbelese and Hosna Asma-ull and Hyun-Gi Kim and Kelly Payette and Patrice Grehten and Gennari Antonio Giulio and Levente István Lánczi and Andras Jakab},
journal= {arXiv preprint arXiv:2501.19338},
year = {2025}
}
备注
30 pages, 4 figures, 5 tables