迈向真实的超声胎儿脑成像合成
图像与视频处理
2023-04-11 v1 计算机视觉与模式识别
机器学习
医学物理
摘要
产前超声成像是评估胎儿健康的第一选择模态。用于 AI 与 ML 方法的医学图像数据集应当多样(即诊断、疾病、病理、扫描仪、人口统计等),然而由于临床数据不足、患者隐私、一般实践中异常发生稀少以及用于数据收集与验证的专家有限,公开的超声胎儿成像数据集很少。为解决此类数据稀缺,我们提出基于生成对抗网络(GAN)的模型——扩散超分辨率 GAN 与基于 transformer 的 GAN,以从一个公开数据集合成胎儿超声脑平面图像。我们报告 GAN 基方法能生成 256x256 像素尺寸的胎儿超声经小脑脑图像平面且训练损失稳定,其 FID 值低于基于 transformer 的 GAN(扩散超分辨率 GAN 平均 7.04、第 10 轮最低 FID 5.09;基于 transformer 的 GAN 平均 36.02、第 60 轮最低 28.93)。本工作结果说明了 GAN 基方法合成真实高分辨率超声图像的潜力,引向未来对其他胎儿脑平面、解剖结构、设备的研究以及需要专家小组评估合成图像。用于复现本工作的代码、数据与其他资源见于 \url{https://github.com/budai4medtech/midl2023}。
关键词
引用
@article{arxiv.2304.03941,
title = {Towards Realistic Ultrasound Fetal Brain Imaging Synthesis},
author = {Michelle Iskandar and Harvey Mannering and Zhanxiang Sun and Jacqueline Matthew and Hamideh Kerdegari and Laura Peralta and Miguel Xochicale},
journal= {arXiv preprint arXiv:2304.03941},
year = {2023}
}
备注
3 pages, 1 figure