基于3D-CGAN的跨模态MR脑肿瘤分割图像合成

3D CGAN BASED CROSS-MODALITY MR IMAGE SYNTHESIS FOR BRAIN TUMOR SEGMENTATION

基于3D-CGAN的跨模态MR脑肿瘤分割图像合成

2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018)

背景

脑肿瘤的分割需要多种模态影像的共同作用。不同模态的影像可以从不同角度表示肿瘤的组织变化,将它们协同考虑 有利于脑肿瘤的分割。同时,考虑到获取多模态图像的成本 ,研究从T1合成Flair图像是否有助于从T1的单一模态改进脑肿瘤分割,通过设计用于Flair图像合成的3D cGan和局部自适应融合,更好地描述合成Flair图像的细节。这种方法可以有效地处理不同样本在外观、大小和位置上不同的脑肿瘤的分割任务。

贡献

  • 由于现有的2D cGan引起的跨切片不连续 问题,提出3D cGan ,通过考虑上下文信息更好地合成Flair图像。
  • 为了进一步改进合成的Flair图像用于分割任务,提出一种局部自适应合成 方法,更好地描述合成的Flair图像的局部细节
  • 通过训练联合考虑多种成像的CNN,利用合成的Flair图像辅助从单个T1模态进行脑肿瘤分割

实验

3DcGan + 局部自适应融合,合成的图像+T1图像通过双通道3D CNN分割 模型进行处理,分割脑肿瘤

最终目标,合成Flair图像以提高脑肿瘤的分割精度,与那些专注于提高PSNR的合成方法相比,对输出图像的质量提出了更高的要求。

冠状面、矢状面的伪影表示在3D切片上合成效果不连续

IV、V表示使用级联的3D cGan无法进一步提升效果,但3D cGan整体精度优于2D cGan

方法

Subject-specific local adaptive fusion(针对特定主题的局部自适应融合)

对于仅具有T1-MR图像的测试对象,我们将其类FLAIR图像 从我们的3D c-GAN划分为不重叠的小块(16x16x16),并通过训练块Str,GAN 1,Str,gan2...的凸组合来近似每个块Ste,GAN。。。,Str、gan、Ntr(Ntr表示训练对象的数量)。这是通过解决以下优化问题来实现的:

人话:把原始影像分成16x16x16的patch给每个patch分配不同的权重

线性组合比局部非线性映射给出更好的结果。尽管这种凸组合会产生一些影响合成图像外观的伪影,但它被证明是改进分割的有效策略,而分割是我们的最终目标。

Brain tumor segmentation model

使用这篇论文的框架 [Efficient multi-scale 3d cnn with fully connected crf for accurate brain lesion segmentation],上述分割模型采用两个输入通道:T1和FLAIR。我们分两步训练模型。在第一步中,训练样本的T1和真实FLAIR图像以正常的方式用于训练。然后,在第二步中,使用T1和我们合成的训练样本的FLAIR图像进一步微调 该模型。微调是至关重要的,因为对于给定的测试样本,用于分割的是合成的FLAIR图像,而不是真实的未知FLAIR图像。

损失函数

Thinking

3D cGan训练合成网络,先训练T1合成Flair,再利用T1和Flair进行分割,测试时只需要输入T1数据,无Flair数据。

相关推荐
Ronin-Lotus3 小时前
深度学习篇---剪裁&缩放
图像处理·人工智能·缩放·剪裁
cpsvps4 小时前
3D芯片香港集成:技术突破与产业机遇全景分析
人工智能·3d
国科安芯4 小时前
抗辐照芯片在低轨卫星星座CAN总线通讯及供电系统的应用探讨
运维·网络·人工智能·单片机·自动化
AKAMAI4 小时前
利用DataStream和TrafficPeak实现大数据可观察性
人工智能·云原生·云计算
微光-沫年4 小时前
150-SWT-MCNN-BiGRU-Attention分类预测模型等!
机器学习·matlab·分类
Ai墨芯1115 小时前
深度学习水论文:特征提取
人工智能·深度学习
无名工程师5 小时前
神经网络知识讨论
人工智能·神经网络
nbsaas-boot5 小时前
AI时代,我们更需要自己的开发方式与平台
人工智能
SHIPKING3935 小时前
【机器学习&深度学习】LLamaFactory微调效果与vllm部署效果不一致如何解决
人工智能·深度学习·机器学习
jonyleek6 小时前
如何搭建一套安全的,企业级本地AI专属知识库系统?从安装系统到构建知识体系,全流程!
人工智能·安全