Domain-Agnostic Stroke Lesion Segmentation Using Physics-Constrained Synthetic Data

要約

MRIの脳卒中病変のセグメント化は、モデルの一般化可能性を制限する多様な獲得プロトコルのために困難です。
この作業では、異種ドメイン全体でセグメンテーションの堅牢性を改善する合成定量的MRI（QMRI）画像を生成するために、物理学が制約した2つのアプローチを導入します。
私たちの最初の方法である$ \ texttt {qatlas} $は、ニューラルネットワークをトレーニングして、標準のmprage画像からQMRIマップを推定し、現実的な組織コントラストでさまざまなMRIシーケンスのシミュレーションを可能にします。
2番目の方法である$ \ texttt {qsynth} $は、ラベル条件付けされたガウス混合モデルを使用して組織ラベルからqMRIマップを直接合成し、物理的な妥当性を確保します。
複数のドメイン外データセットでの広範な実験は、両方の方法がベースラインUNETを上回ることを示しています。
これらの結果は、堅牢で一般化可能な脳卒中病変セグメンテーションのために、MRI物理学を合成データ生成に統合するという約束を強調しています。
コードはhttps://github.com/liamchalcroft/qsynthで入手できます

要約(オリジナル)

Segmenting stroke lesions in MRI is challenging due to diverse acquisition protocols that limit model generalisability. In this work, we introduce two physics-constrained approaches to generate synthetic quantitative MRI (qMRI) images that improve segmentation robustness across heterogeneous domains. Our first method, $\texttt{qATLAS}$, trains a neural network to estimate qMRI maps from standard MPRAGE images, enabling the simulation of varied MRI sequences with realistic tissue contrasts. The second method, $\texttt{qSynth}$, synthesises qMRI maps directly from tissue labels using label-conditioned Gaussian mixture models, ensuring physical plausibility. Extensive experiments on multiple out-of-domain datasets show that both methods outperform a baseline UNet, with $\texttt{qSynth}$ notably surpassing previous synthetic data approaches. These results highlight the promise of integrating MRI physics into synthetic data generation for robust, generalisable stroke lesion segmentation. Code is available at https://github.com/liamchalcroft/qsynth

arxiv情報

提供元, 利用サービス

arxiv.jp, Google