End-to-end autoencoding architecture for the simultaneous generation of medical images and corresponding segmentation masks

要約

医療画像セグメンテーションにおけるディープラーニングの使用が増加しているにもかかわらず、医療分野では十分なトレーニング データを取得することが依然として課題となっています。
これに応じて、データ拡張技術が提案されています。
ただし、多様で現実的な医療画像とそれに対応するマスクの生成は、特に不十分なトレーニング セットを使用する場合には依然として困難な作業です。
これらの制限に対処するために、ハミルトン変分オートエンコーダー (HVAE) に基づくエンドツーエンド アーキテクチャを紹介します。
このアプローチにより、従来の変分オートエンコーダー (VAE) と比較して事後分布近似が改善され、画像生成の品質が向上します。
私たちの方法は、データが不足している状況下で敵対的生成アーキテクチャよりも優れたパフォーマンスを示し、画質と正確な腫瘍マスク合成の向上を示しています。
私たちは、MICCAI の脳腫瘍セグメンテーション チャレンジ (BRATS) と頭頸部腫瘍セグメンテーション チャレンジ (HECKTOR) という 2 つの公的に利用可能なデータセットで実験を実施し、さまざまな医療画像モダリティに対する私たちの方法の有効性を実証しています。

要約(オリジナル)

Despite the increasing use of deep learning in medical image segmentation, acquiring sufficient training data remains a challenge in the medical field. In response, data augmentation techniques have been proposed; however, the generation of diverse and realistic medical images and their corresponding masks remains a difficult task, especially when working with insufficient training sets. To address these limitations, we present an end-to-end architecture based on the Hamiltonian Variational Autoencoder (HVAE). This approach yields an improved posterior distribution approximation compared to traditional Variational Autoencoders (VAE), resulting in higher image generation quality. Our method outperforms generative adversarial architectures under data-scarce conditions, showcasing enhancements in image quality and precise tumor mask synthesis. We conduct experiments on two publicly available datasets, MICCAI’s Brain Tumor Segmentation Challenge (BRATS), and Head and Neck Tumor Segmentation Challenge (HECKTOR), demonstrating the effectiveness of our method on different medical imaging modalities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google