AAD-DCE: An Aggregated Multimodal Attention Mechanism for Early and Late Dynamic Contrast Enhanced Prostate MRI Synthesis

要約

動的コントラスト強化磁気共鳴画像法（DCE-MRI）は、異常な病変における組織灌流の詳細な視覚化と同定と生検のための放射線学的提案において重要な役割を果たす医療画像技術です。
ただし、DCE-MRIには、体内の毒性のリスクに関連するガドリニウムベース（GAD）造影剤の投与が含まれます。
DCE-MR画像を合成する以前のディープラーニングアプローチは、関心の解剖学の中での局所灌流情報に焦点を合わせていない単峰性の非コントラストまたは低用量のコントラストMRI画像を使用します。
グローバルおよびローカルの判別器で構成される集約された注意差別モジュールを備えた生成的敵対的ネットワーク（GAN）であるAAD-DCEを提案します。
判別器は、ジェネレーターを駆動して、早期および後期応答DCE-MRI画像を合成するように、空間埋め込みの注意マップを提供します。
私たちの方法では、画像合成のためにマルチモーダル入力-T2加重（T2W）、見かけの拡散係数（ADC）、およびT1プリコントラストを採用しています。
ProStatexデータセットに関する広範な比較およびアブレーション研究は、私たちのモデル（i）がさまざまな発電機ベンチマークに不可知論され、（ii）は+0.64 dB PSNR、 +0.0518 SSIM、-0.015 MAEの改善マージンで他のDCE -MRI合成アプローチを上回ることを示しています。
早期応答と+0.1 dB PSNR、+0.0424 SSIM、-0.021 MAEの応答が遅れており、（ii）注意の集団の重要性を強調しています。
私たちのコードは、https：//github.com/bhartidivya/aad-dceで入手できます。

要約(オリジナル)

Dynamic Contrast-Enhanced Magnetic Resonance Imaging (DCE-MRI) is a medical imaging technique that plays a crucial role in the detailed visualization and identification of tissue perfusion in abnormal lesions and radiological suggestions for biopsy. However, DCE-MRI involves the administration of a Gadolinium based (Gad) contrast agent, which is associated with a risk of toxicity in the body. Previous deep learning approaches that synthesize DCE-MR images employ unimodal non-contrast or low-dose contrast MRI images lacking focus on the local perfusion information within the anatomy of interest. We propose AAD-DCE, a generative adversarial network (GAN) with an aggregated attention discriminator module consisting of global and local discriminators. The discriminators provide a spatial embedded attention map to drive the generator to synthesize early and late response DCE-MRI images. Our method employs multimodal inputs – T2 weighted (T2W), Apparent Diffusion Coefficient (ADC), and T1 pre-contrast for image synthesis. Extensive comparative and ablation studies on the ProstateX dataset show that our model (i) is agnostic to various generator benchmarks and (ii) outperforms other DCE-MRI synthesis approaches with improvement margins of +0.64 dB PSNR, +0.0518 SSIM, -0.015 MAE for early response and +0.1 dB PSNR, +0.0424 SSIM, -0.021 MAE for late response, and (ii) emphasize the importance of attention ensembling. Our code is available at https://github.com/bhartidivya/AAD-DCE.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google