用于疾病特征发现的结构引导流形
图像与视频处理
2022-09-27 v2 计算机视觉与模式识别
摘要
在医学图像分析中，许多疾病的细微视觉特征难以辨别，特别是由于缺乏配对数据。例如，在轻度阿尔茨海默病（AD）中，脑组织的萎缩很难从纯影像数据中观察到，尤其是在没有配对的 AD 与认知正常（CN）数据用于比较时。本文提出 Disease Discovery GAN（DiDiGAN），一种用于发现和可视化细微疾病特征的弱监督基于风格的框架。DiDiGAN 学习 AD 与 CN 视觉特征的疾病流形，并从该流形中采样的风格码被施加到解剖结构"蓝图"上，以合成配对的 AD 与 CN 磁共振图像（MRIs）。为抑制生成的 AD 与 CN 配对间与疾病无关的变化，DiDiGAN 利用具有循环一致性与抗混叠的结构约束来强制解剖对应。在阿尔茨海默病神经影像学倡议（ADNI）数据集上测试时，DiDiGAN 通过合成配对的 AD 与 CN 扫描显示了关键的 AD 特征（海马体体积减小、脑室扩大以及皮质结构萎缩）。定性结果得到了自动脑体积分析的支持，其中也测量到了脑组织结构系统性的成对减少。
引用
@article{arxiv.2209.11015,
title = {Structure Guided Manifolds for Discovery of Disease Characteristics},
author = {Siyu Liu and Linfeng Liu and Xuan Vinh and Stuart Crozier and Craig Engstrom and Fatima Nasrallah and Shekhar Chandra},
journal= {arXiv preprint arXiv:2209.11015},
year = {2022}
}