BraSyn 2023 challenge: Missing MRI synthesis and the effect of different learning objectives

要約

この研究は、2023 年に脳腫瘍セグメンテーション (BraTS) チャレンジの一部として主催された、腫瘍セグメンテーションのための脳磁気共鳴画像合成 (BraSyn) チャレンジに取り組んでいます。このチャレンジでは、研究者は、欠落している磁気共鳴画像シーケンスを合成するよう求められています。
他の利用可能なシーケンスを指定すると、画像シーケンスの完全なセットでトレーニングされた腫瘍セグメンテーション パイプラインが容易になります。
この問題は、ペアになった画像間の変換のフレームワーク内で深層学習を使用して取り組むことができます。
この研究では、さまざまな画質損失関数の監視下でトレーニングされた、Pix2Pix などの一般的に使用される深層学習フレームワークの有効性を調査することを提案します。
私たちの結果は、さまざまな損失関数の使用が合成の品質に大きな影響を与えることを示しています。
私たちは、BraSyn チャレンジのマルチシーケンス MR 画像合成設定におけるさまざまな損失関数の影響を系統的に研究しています。
さらに、さまざまな学習目標を効果的に組み合わせることで、画像合成のパフォーマンスを最適化する方法を示します。

要約(オリジナル)

This work addresses the Brain Magnetic Resonance Image Synthesis for Tumor Segmentation (BraSyn) challenge, which was hosted as part of the Brain Tumor Segmentation (BraTS) challenge in 2023. In this challenge, researchers are invited to synthesize a missing magnetic resonance image sequence, given other available sequences, to facilitate tumor segmentation pipelines trained on complete sets of image sequences. This problem can be tackled using deep learning within the framework of paired image-to-image translation. In this study, we propose investigating the effectiveness of a commonly used deep learning framework, such as Pix2Pix, trained under the supervision of different image-quality loss functions. Our results indicate that the use of different loss functions significantly affects the synthesis quality. We systematically study the impact of various loss functions in the multi-sequence MR image synthesis setting of the BraSyn challenge. Furthermore, we demonstrate how image synthesis performance can be optimized by combining different learning objectives beneficially.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google