Longitudinal Prediction of Postnatal Brain Magnetic Resonance Images via a Metamorphic Generative Adversarial Network

要約

縦断的研究では、被験者の脱落やスキャン失敗により、スキャンの欠落が避けられない。本論文では、乳幼児の縦断的研究に対応するために、取得したスキャンから欠損スキャンを予測するディープラーニングフレームワークを提案する。乳児の脳MRIの予測は、特に生後1年間の急速なコントラストと構造変化のため、困難である。我々は、乳児の脳MRIをある時点から別の時点に変換するための信頼性の高いメタモーフィック生成逆説ネットワーク（MGAN）を紹介する。MGANは3つの主要な特徴を持つ。(i) 空間情報と周波数情報を活用した細部保存のための画像変換 (ii) 困難な領域に注意を向ける品質誘導型学習戦略(iii)組織コントラストと構造的詳細の変換を改善するマルチスケールハイブリッド損失関数。実験の結果、MGANはコントラストと解剖学的詳細の両方を正確に予測することにより、既存のGANを上回ることが示された。

要約(オリジナル)

Missing scans are inevitable in longitudinal studies due to either subject dropouts or failed scans. In this paper, we propose a deep learning framework to predict missing scans from acquired scans, catering to longitudinal infant studies. Prediction of infant brain MRI is challenging owing to the rapid contrast and structural changes particularly during the first year of life. We introduce a trustworthy metamorphic generative adversarial network (MGAN) for translating infant brain MRI from one time-point to another. MGAN has three key features: (i) Image translation leveraging spatial and frequency information for detail-preserving mapping; (ii) Quality-guided learning strategy that focuses attention on challenging regions. (iii) Multi-scale hybrid loss function that improves translation of tissue contrast and structural details. Experimental results indicate that MGAN outperforms existing GANs by accurately predicting both contrast and anatomical details.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL