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
Code_流苏11 分钟前
AI知识补全(十四):零样本学习与少样本学习是什么?
人工智能·元学习·少样本学习·零样本学习·语义嵌入
Yvette-W13 分钟前
ChatGPT 迎来 4o模型:更强大的图像生成能力与潜在风险
人工智能·chatgpt
Shockang13 分钟前
机器学习的一百个概念(5)数据增强
人工智能·机器学习
洁洁!17 分钟前
数据采集助力AI大模型训练
前端·人工智能·easyui
平平无奇科研小天才24 分钟前
scGPT环境安装
人工智能
xcLeigh30 分钟前
计算机视觉入门:从像素到理解的旅程
人工智能·python·opencv·计算机视觉
喾颛顼1 小时前
Mac下小智AI本地环境部署
人工智能·经验分享·macos
艾鹤1 小时前
ollama安装与使用
人工智能·llama
最新快讯1 小时前
科技快讯 | 中国首款全自研高性能RISC-V服务器芯片发布;亚马逊推出Nova Act跻身AI智能体赛道
人工智能·科技
Peter11467178501 小时前
服务器入门操作1(深度学习)
服务器·人工智能·笔记·深度学习·学习