Pre- to Post-Contrast Breast MRI Synthesis for Enhanced Tumour Segmentation

要約

ダイナミック造影 MRI (DCE-MRI) における造影剤の投与は、腫瘍の検出と治療に利点があるにもかかわらず、侵襲性、生体蓄積性、腎性全身線維症のリスクなど、さまざまな問題と関連しています。
この研究では、敵対的生成ネットワーク (GAN) の機能を活用して、造影前の T1 強調脂肪飽和乳房 MRI を対応する最初の DCE-MRI シーケンスに変換することにより、合成コントラスト強調を生成する実現可能性を検討します。
さらに、原理的な方法で合成データの品質を定量的に評価し、最適な生成モデルを選択するための基礎として機能するように設計された Scaled Aggregate Measure (SAMe) を紹介します。
生成された DCE-MRI データを定量的な画質メトリクスを使用して評価し、それらを 3D 乳房腫瘍セグメンテーションの下流タスクに適用します。
我々の結果は、データ増強による乳房腫瘍セグメンテーションモデルの堅牢性の強化における造影後のDCE-MRI合成の可能性を強調しています。
私たちのコードは https://github.com/RichardObi/pre_post_Synthetic で入手できます。

要約(オリジナル)

Despite its benefits for tumour detection and treatment, the administration of contrast agents in dynamic contrast-enhanced MRI (DCE-MRI) is associated with a range of issues, including their invasiveness, bioaccumulation, and a risk of nephrogenic systemic fibrosis. This study explores the feasibility of producing synthetic contrast enhancements by translating pre-contrast T1-weighted fat-saturated breast MRI to their corresponding first DCE-MRI sequence leveraging the capabilities of a generative adversarial network (GAN). Additionally, we introduce a Scaled Aggregate Measure (SAMe) designed for quantitatively evaluating the quality of synthetic data in a principled manner and serving as a basis for selecting the optimal generative model. We assess the generated DCE-MRI data using quantitative image quality metrics and apply them to the downstream task of 3D breast tumour segmentation. Our results highlight the potential of post-contrast DCE-MRI synthesis in enhancing the robustness of breast tumour segmentation models via data augmentation. Our code is available at https://github.com/RichardObi/pre_post_synthesis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google