TBI-GAN: An Adversarial Learning Approach for Data Synthesis on Traumatic Brain Segmentation

要約

外傷性脳損傷 (TBI) 患者の脳ネットワーク解析は、意識レベルの評価と予後評価に重要であり、これには特定の意識関連脳領域のセグメンテーションが必要です。
ただし、TBI 患者の手動で注釈を付けた MR スキャンを収集するのは難しいため、TBI セグメンテーション モデルを構築することは困難です。
データ拡張技術を適用して、データ不足の問題を軽減できます。
ただし、空間および強度変換などの従来のデータ増強戦略は、外傷性脳の変形および損傷を模倣することができず、その後のセグメンテーション タスクのパフォーマンスが制限されます。
これらの問題に対処するために、TBI-GAN という名前の新しい医用画像修復モデルを提案し、TBI MR スキャンをペアの脳ラベルマップと合成します。
私たちのTBI-GANメソッドの主な強みは、TBI画像と対応するラベルマップを同時に生成できることです。これは、以前の医用画像の修復方法では達成されていません。
最初に、粗いものから細かいものへの方法に従って、エッジ情報のガイダンスの下で修復された画像を生成し、次に、合成された強度画像をラベル修復の前の画像として使用します。
さらに、登録ベースのテンプレート増強パイプラインを導入して、合成画像ペアの多様性を高め、データ増強の能力を高めます。
実験結果は、提案された TBI-GAN メソッドが、高品質で有効なラベル マップを備えた十分な合成 TBI 画像を生成できることを示しています。

要約(オリジナル)

Brain network analysis for traumatic brain injury (TBI) patients is critical for its consciousness level assessment and prognosis evaluation, which requires the segmentation of certain consciousness-related brain regions. However, it is difficult to construct a TBI segmentation model as manually annotated MR scans of TBI patients are hard to collect. Data augmentation techniques can be applied to alleviate the issue of data scarcity. However, conventional data augmentation strategies such as spatial and intensity transformation are unable to mimic the deformation and lesions in traumatic brains, which limits the performance of the subsequent segmentation task. To address these issues, we propose a novel medical image inpainting model named TBI-GAN to synthesize TBI MR scans with paired brain label maps. The main strength of our TBI-GAN method is that it can generate TBI images and corresponding label maps simultaneously, which has not been achieved in the previous inpainting methods for medical images. We first generate the inpainted image under the guidance of edge information following a coarse-to-fine manner, and then the synthesized intensity image is used as the prior for label inpainting. Furthermore, we introduce a registration-based template augmentation pipeline to increase the diversity of the synthesized image pairs and enhance the capacity of data augmentation. Experimental results show that the proposed TBI-GAN method can produce sufficient synthesized TBI images with high quality and valid label maps, which can greatly improve the 2D and 3D traumatic brain segmentation performance compared with the alternatives.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google