SAGE: Sequential Attribute Generator for Analyzing Glioblastomas using Limited Dataset

要約

ディープラーニングアプローチは多くのイメージングタスクで優れたパフォーマンスを示していますが、これらの方法のほとんどは大量のデータの可用性に依存しています。
ただし、医用画像データは不足しており、断片化されています。
生成的敵対的ネットワーク（GAN）は、最近、より多くのデータを生成することにより、そのようなデータセットを処理するのに非常に効果的です。
ただし、データセットが非常に小さい場合、GANはデータ分布を適切に学習できず、結果の多様性が低下したり、結果の品質が低下したりします。
そのような限られたデータセットの1つは、19番染色体と20番染色体の同時ゲイン（19/20共ゲイン）の場合、膠芽腫（GBM）の予後値が正の変異です。
この論文では、広範囲で侵襲的な予後パイプラインを合理化するために、変異のイメージングバイオマーカーを検出します。
この変異は比較的まれであるため、つまり小さなデータセットであるため、限られたデータセットから学習しながら詳細な腫瘍イメージング機能を生成する新しい生成フレームワークであるSequential Attribute GEnerator（SAGE）を提案します。
実験によると、SAGEは、標準の深層畳み込みGAN（DC-GAN）および勾配ペナルティ付きワッサースタインGAN（WGAN-GP）と比較した場合に高品質の腫瘍を生成するだけでなく、イメージングバイオマーカーを正確にキャプチャします。

要約(オリジナル)

While deep learning approaches have shown remarkable performance in many imaging tasks, most of these methods rely on availability of large quantities of data. Medical image data, however, is scarce and fragmented. Generative Adversarial Networks (GANs) have recently been very effective in handling such datasets by generating more data. If the datasets are very small, however, GANs cannot learn the data distribution properly, resulting in less diverse or low-quality results. One such limited dataset is that for the concurrent gain of 19 and 20 chromosomes (19/20 co-gain), a mutation with positive prognostic value in Glioblastomas (GBM). In this paper, we detect imaging biomarkers for the mutation to streamline the extensive and invasive prognosis pipeline. Since this mutation is relatively rare, i.e. small dataset, we propose a novel generative framework – the Sequential Attribute GEnerator (SAGE), that generates detailed tumor imaging features while learning from a limited dataset. Experiments show that not only does SAGE generate high quality tumors when compared to standard Deep Convolutional GAN (DC-GAN) and Wasserstein GAN with Gradient Penalty (WGAN-GP), it also captures the imaging biomarkers accurately.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google