Generative Adversarial Networks for Weakly Supervised Generation and Evaluation of Brain Tumor Segmentations on MR Images

要約

異常を特定するための関心領域 (ROI) のセグメント化は、医療画像処理における主要な問題です。
この問題に機械学習を使用するには、通常、グラウンドトゥルースのセグメンテーションに手動で注釈を付ける必要があり、放射線科医に多大な時間とリソースが必要になります。
この研究では、取得がはるかに簡単なバイナリ画像レベルのラベルを利用して、グラウンド トゥルースの注釈なしで 2D 磁気共鳴画像内の異常を効果的にセグメント化する、弱教師ありアプローチを紹介します。
私たちは、がん性の画像を健全なバリアントに変換する敵対的生成ネットワーク (GAN) をトレーニングします。これは、改善された弱教師セグメンテーションを生成するための事前のローカリゼーション シードとともに使用されます。
非癌性バリアントは、弱く監視された方法でセグメンテーションを評価するために使用することもできます。これにより、最も効果的なセグメンテーションが特定され、下流の臨床分類タスクに適用されます。
Multimodal Brain Tumor Segmentation (BraTS) 2020 データセット上で、私たちの提案された方法は、83.91% のテスト Dice 係数を達成するセグメンテーションを生成し、識別します。
病理学分類にこれらのセグメンテーションを使用すると、テスト AUC 93.32% という結果が得られます。これは、真のセグメンテーションを使用した場合に達成されるテスト AUC 95.80% に匹敵します。

要約(オリジナル)

Segmentation of regions of interest (ROIs) for identifying abnormalities is a leading problem in medical imaging. Using machine learning for this problem generally requires manually annotated ground-truth segmentations, demanding extensive time and resources from radiologists. This work presents a weakly supervised approach that utilizes binary image-level labels, which are much simpler to acquire, to effectively segment anomalies in 2D magnetic resonance images without ground truth annotations. We train a generative adversarial network (GAN) that converts cancerous images to healthy variants, which are used along with localization seeds as priors to generate improved weakly supervised segmentations. The non-cancerous variants can also be used to evaluate the segmentations in a weakly supervised fashion, which allows for the most effective segmentations to be identified and then applied to downstream clinical classification tasks. On the Multimodal Brain Tumor Segmentation (BraTS) 2020 dataset, our proposed method generates and identifies segmentations that achieve test Dice coefficients of 83.91%. Using these segmentations for pathology classification results with a test AUC of 93.32% which is comparable to the test AUC of 95.80% achieved when using true segmentations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google