TBI-GAN：一种用于创伤性脑分割数据合成的对抗学习方法
图像与视频处理
2022-08-15 v1 计算机视觉与模式识别
摘要
创伤性脑损伤(TBI)患者的脑网络分析对其意识水平评估和预后评价至关重要，这需要分割某些与意识相关的脑区。然而，由于难以收集人工标注的TBI患者MR扫描，构建TBI分割模型十分困难。数据增强技术可用于缓解数据稀缺问题。但传统的空间与强度变换等数据增强策略无法模拟创伤脑中的形变与病灶，限制了后续分割任务的性能。为解决这些问题，我们提出一种名为TBI-GAN的新型医学图像修复模型，用于合成带有配对脑标签图的TBI MR扫描。我们TBI-GAN方法的主要优势在于可同时生成TBI图像与相应标签图，这是既往医学图像修复方法所未实现的。我们首先在边缘信息引导下以由粗到细的方式生成修复图像，然后将合成的强度图像作为标签修复的先验。此外，我们引入基于配准的模板增强流程，以增加合成图像对的多样性并增强数据增强能力。实验结果表明，所提TBI-GAN方法能生成充足且高质量的合成TBI图像及有效标签图，相较对比方法可大幅提升二维与三维创伤性脑分割性能。
引用
@article{arxiv.2208.06099,
title = {TBI-GAN: An Adversarial Learning Approach for Data Synthesis on Traumatic Brain Segmentation},
author = {Xiangyu Zhao and Di Zang and Sheng Wang and Zhenrong Shen and Kai Xuan and Zeyu Wei and Zhe Wang and Ruizhe Zheng and Xuehai Wu and Zheren Li and Qian Wang and Zengxin Qi and Lichi Zhang},
journal= {arXiv preprint arXiv:2208.06099},
year = {2022}
}