A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection

要約

脳腫瘍の正確な検出とセグメンテーションは、医療診断に不可欠である。しかし、現在の教師あり学習法は、広範囲に注釈を付けた画像を必要とし、教師なし学習法で用いられる最先端の生成モデルは、データ分布全体をカバーするには限界があることが多い。本論文では、脳腫瘍の検出とセグメンテーションを改善するために、Cycle Generative Adversarial Network (CycleGAN) とVariance Exploding stochastic differential equation using joint probability (VE-JP)を組み合わせた新しいフレームワーク2段階生成モデル(TSGM)を提案する。CycleGANは、健常な画像から異常な画像を生成するために、対になっていないデータで事前データとして学習される。次に、VE-JPを実装し、対となる合成異常画像をガイドとして健常画像を再構成することで、病的領域のみを変化させ、健常領域は変化させない。注目すべきは、本手法が条件生成のための結合確率分布を直接学習したことである。入力画像と再構成画像の間の残差は異常を示唆し、セグメンテーション結果を得るために閾値法が適用される。さらに、セグメンテーション精度をさらに向上させるために、マルチモーダル結果を異なる重みで重み付けする。我々は3つのデータセットで本手法を検証し、異常検出とセグメンテーションのための他の教師なし手法と比較した。BraTs2020データセットのDSCスコア0.8590、ITCSデータセットのDSCスコア0.6226、In-houseデータセットのDSCスコア0.7403は、本手法がより優れたセグメンテーション性能を達成し、より優れた汎化性を持つことを示している。

要約(オリジナル)

Accurate detection and segmentation of brain tumors is critical for medical diagnosis. However, current supervised learning methods require extensively annotated images and the state-of-the-art generative models used in unsupervised methods often have limitations in covering the whole data distribution. In this paper, we propose a novel framework Two-Stage Generative Model (TSGM) that combines Cycle Generative Adversarial Network (CycleGAN) and Variance Exploding stochastic differential equation using joint probability (VE-JP) to improve brain tumor detection and segmentation. The CycleGAN is trained on unpaired data to generate abnormal images from healthy images as data prior. Then VE-JP is implemented to reconstruct healthy images using synthetic paired abnormal images as a guide, which alters only pathological regions but not regions of healthy. Notably, our method directly learned the joint probability distribution for conditional generation. The residual between input and reconstructed images suggests the abnormalities and a thresholding method is subsequently applied to obtain segmentation results. Furthermore, the multimodal results are weighted with different weights to improve the segmentation accuracy further. We validated our method on three datasets, and compared with other unsupervised methods for anomaly detection and segmentation. The DSC score of 0.8590 in BraTs2020 dataset, 0.6226 in ITCS dataset and 0.7403 in In-house dataset show that our method achieves better segmentation performance and has better generalization.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL