Brain Lesion Synthesis via Progressive Adversarial Variational Auto-Encoder

要約

レーザー間質性温熱療法（LITT）は、中側頭葉てんかん（MTLE）の治療のために頭蓋内構造物を焼灼する新しい低侵襲治療法である。LITTの前後で関心領域（ROI）のセグメンテーションを行えば、治療効果を客観的に評価するための病変の自動定量化が可能になると考えられる。畳み込みニューラルネットワーク（CNN）などの深層学習技術は、ROIセグメンテーションのための最先端のソリューションですが、学習時に大量のアノテーションデータを必要とします。しかし、LITTのような新しい治療法から大規模なデータセットを収集することは非現実的である。本論文では，学習データセットの量と多様性の両方を拡大するために，プログレッシブ脳病変合成フレームワーク(PAVAE)を提案する．具体的には，マスク合成ネットワークとマスクガイド付き病変合成ネットワークの2つの逐次ネットワークから構成される．マスク合成ネットワークは、マスクに内在する条件を特徴空間に埋め込むための条件埋め込みブロック（CEB）とマスク埋め込みブロック（MEB）を設計し、ネットワーク学習時に外部情報をより適切に利用できるようにする。最後に、提案手法の有効性を評価するため、生画像と合成病変画像を用いてセグメンテーションネットワークを学習する。実験の結果、提案手法は現実的な合成結果を得ることができ、従来のデータ補強手法よりもダウンストリームセグメンテーションタスクの性能を向上させることができることがわかった。

要約(オリジナル)

Laser interstitial thermal therapy (LITT) is a novel minimally invasive treatment that is used to ablate intracranial structures to treat mesial temporal lobe epilepsy (MTLE). Region of interest (ROI) segmentation before and after LITT would enable automated lesion quantification to objectively assess treatment efficacy. Deep learning techniques, such as convolutional neural networks (CNNs) are state-of-the-art solutions for ROI segmentation, but require large amounts of annotated data during the training. However, collecting large datasets from emerging treatments such as LITT is impractical. In this paper, we propose a progressive brain lesion synthesis framework (PAVAE) to expand both the quantity and diversity of the training dataset. Concretely, our framework consists of two sequential networks: a mask synthesis network and a mask-guided lesion synthesis network. To better employ extrinsic information to provide additional supervision during network training, we design a condition embedding block (CEB) and a mask embedding block (MEB) to encode inherent conditions of masks to the feature space. Finally, a segmentation network is trained using raw and synthetic lesion images to evaluate the effectiveness of the proposed framework. Experimental results show that our method can achieve realistic synthetic results and boost the performance of down-stream segmentation tasks above traditional data augmentation techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL