基于条件生成对抗网络合成逼真胎儿 MRI
图像与视频处理
2022-09-21 v1 神经元与认知
摘要
胎儿脑磁共振成像作为一种新兴模态，用于影响脑部的疾病之产前咨询与诊断。基于机器学习的分割在脑发育量化中发挥重要作用。然而，一个限制因素是缺乏足够大规模、带标注的训练数据。我们的研究探索了 SPADE（一种条件生成对抗网络（cGAN））的应用，其学习从标签空间到图像空间的映射。网络输入为 120 名胎儿（ gestational age 范围：20-35 周，正常与病理）的超分辨率 T2 加权脑 MRI 数据，这些数据标注了 7 种不同组织类别。SPADE 网络在重建体积（图像与标签对）的每个正交方向上的 256*256 2D 切片上训练。为将各方向生成的体积合成为一幅图像，取三个网络输出的简单均值。仅基于标签图，我们合成了高度逼真的图像。然而，一些更精细的细节（如小血管）未被合成。获得了 0.972±0.016 的结构相似性指数（SSIM）和 0.974±0.008 的相关系数。为展示 cGAN 创建新解剖变体的能力，我们在分割图中人为扩张脑室，并创建了不同程度上胎儿脑积水的合成 MRI。诸如 SPADE 算法的 cGAN 允许在标签空间中生成假设性未见的场景和解剖构型，这些数据进而可用于训练各类机器学习算法。未来，该算法将用于生成代表胎儿脑发育的大规模合成数据集。这些数据集有望提升当前可用分割网络的性能。
引用
@article{arxiv.2209.09696,
title = {Synthesis of realistic fetal MRI with conditional Generative Adversarial Networks},
author = {Marina Fernandez Garcia and Rodrigo Gonzalez Laiz and Hui Ji and Kelly Payette and Andras Jakab},
journal= {arXiv preprint arXiv:2209.09696},
year = {2022}
}