Synthesizing Missing MRI Sequences from Available Modalities using Generative Adversarial Networks in BraTS Dataset

要約

神経膠芽腫は、進行性が高く致死性の高い脳腫瘍です。
磁気共鳴画像法 (MRI) は、非侵襲的で放射線を使用しない性質があるため、神経膠芽腫患者の診断、治療計画、追跡調査において重要な役割を果たしています。
国際脳腫瘍セグメンテーション (BraTS) の課題は、4 つの構造 (T1、T1Gd、T2、T2-FLAIR) MRI スキャンを使用して神経膠芽腫のサブコンパートメントを正確かつ効率的にセグメント化するための多数の AI アルゴリズムの生成に貢献しました。
ただし、これら 4 つの MRI シーケンスが常に利用できるとは限りません。
この問題に対処するには、敵対的生成ネットワーク (GAN) を使用して、欠落している MRI シーケンスを合成できます。
この論文では、任意の 3 つの MRI シーケンスを入力として受け取り、欠落している 4 番目の構造シーケンスを生成するオープンソース GAN アプローチを実装および利用します。
私たちが提案したアプローチは、コミュニティ主導の一般的に微妙な深層学習フレームワーク (GaNDLF) に貢献しており、高品質で現実的な MRI シーケンスの合成において有望な結果を実証し、臨床医が診断能力を向上させ、脳腫瘍 MRI への AI 手法の適用をサポートできるようにします。
定量化。

要約(オリジナル)

Glioblastoma is a highly aggressive and lethal form of brain cancer. Magnetic resonance imaging (MRI) plays a significant role in the diagnosis, treatment planning, and follow-up of glioblastoma patients due to its non-invasive and radiation-free nature. The International Brain Tumor Segmentation (BraTS) challenge has contributed to generating numerous AI algorithms to accurately and efficiently segment glioblastoma sub-compartments using four structural (T1, T1Gd, T2, T2-FLAIR) MRI scans. However, these four MRI sequences may not always be available. To address this issue, Generative Adversarial Networks (GANs) can be used to synthesize the missing MRI sequences. In this paper, we implement and utilize an open-source GAN approach that takes any three MRI sequences as input to generate the missing fourth structural sequence. Our proposed approach is contributed to the community-driven generally nuanced deep learning framework (GaNDLF) and demonstrates promising results in synthesizing high-quality and realistic MRI sequences, enabling clinicians to improve their diagnostic capabilities and support the application of AI methods to brain tumor MRI quantification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google