基于合成萎缩的自监督 CSF 修复以提升皮质表面分析精度验证
图像与视频处理
2023-03-13 v1 计算机视觉与模式识别
机器学习
摘要
由于缺乏真值数据，皮质厚度测量的精度验证是一个难题。为满足此需求，许多方法被开发出来，通过可变形配准在 MRI 中合成诱导灰质（GM）萎缩，创建具有已知皮质厚度变化的一组图像。然而，这些方法常在萎缩区域引起模糊，且无法在脑脊液（CSF）被遮挡或缺失的深层脑沟内模拟真实萎缩。本文提出一种解决方案，使用自监督修复模型在这些区域生成 CSF，并创建具有更合理 GM/CSF 边界的图像。具体而言，我们引入一种新颖的 3D GAN 模型，其结合了基于块丢弃训练、边缘图先验与正弦位置编码，这些均为先前限于 2D 领域的既有方法。我们展示我们的框架显著提升了合成图像的质量，并可通过微调适应未见过的数据。我们还证明，我们所得数据集可用于皮质分割与厚度测量的精度验证。
引用
@article{arxiv.2303.05777,
title = {Self-Supervised CSF Inpainting with Synthetic Atrophy for Improved Accuracy Validation of Cortical Surface Analyses},
author = {Jiacheng Wang and Kathleen E. Larson and Ipek Oguz},
journal= {arXiv preprint arXiv:2303.05777},
year = {2023}
}
备注
Accepted at Medical Imaging with Deep Learning (MIDL) 2023