Deepfake Image Generation for Improved Brain Tumor Segmentation

要約

世界のテクノロジーと健康の進歩に伴い、無症状の兆候が明らかになることで病気に対する認識が向上しています。
腫瘍は生命を脅かす可能性があるため、早期に発見して治療することが重要です。
コンピュータ支援技術は、疾患診断が直面する長引く限界を克服するために使用されていますが、脳腫瘍のセグメンテーションは、特にマルチモダリティデータが関与する場合、依然として困難なプロセスのままです。
これは主に、データと対応するラベルの不足による非効率なトレーニングに起因します。
この研究では、脳腫瘍の効果的なセグメンテーションにディープフェイク画像生成を採用する実現可能性を調査しています。
この目的を達成するために、敵対的生成ネットワークを使用して画像間の変換を行い、データセット サイズを増やした後、ディープフェイク画像で訓練された U-Net ベースの畳み込みニューラル ネットワークを使用して画像セグメンテーションを行いました。
提案されたアプローチのパフォーマンスは、公開されている 4 つのデータセットのグラウンド トゥルースと比較されます。
結果は、画像セグメンテーション品質メトリクスの点でパフォーマンスが向上していることを示しており、限られたデータでトレーニングする場合に役立つ可能性があります。

要約(オリジナル)

As the world progresses in technology and health, awareness of disease by revealing asymptomatic signs improves. It is important to detect and treat tumors in early stage as it can be life-threatening. Computer-aided technologies are used to overcome lingering limitations facing disease diagnosis, while brain tumor segmentation remains a difficult process, especially when multi-modality data is involved. This is mainly attributed to ineffective training due to lack of data and corresponding labelling. This work investigates the feasibility of employing deep-fake image generation for effective brain tumor segmentation. To this end, a Generative Adversarial Network was used for image-to-image translation for increasing dataset size, followed by image segmentation using a U-Net-based convolutional neural network trained with deepfake images. Performance of the proposed approach is compared with ground truth of four publicly available datasets. Results show improved performance in terms of image segmentation quality metrics, and could potentially assist when training with limited data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google