Craniomaxillofacial骨構造のMRIセグメンテーションのためのワンショット生成敵対学習

コンピューター断層撮影（CT）と比較して、磁気共鳴イメージング（MRI）骨折の描写（CMF）骨構造は、有害な放射線曝露を回避できます。ただし、MRIでは骨の境界がぼやけており、トレーニング中に構造情報をCTから借り入れる必要があります。ペアのMRI-CTデータは通常希少であるため、これは困難です。この論文では、CMF骨構造の自動MRIセグメンテーションのためのワンショット生成敵対モデルを構築するために、通常、豊富な単一のペアのMRI-CTデータとともに、一般的に豊富な対価データを最大限に活用することを提案します。私たちのモデルは、CTとMRI間のマッピングとMRIセグメンテーションサブネットワークを学習するクロスモダリティ画像合成サブネットワークで構成されています。これらの2つのサブネットワークは、エンドツーエンドで共同でトレーニングされています。さらに、トレーニング段階では、クロスモダリティ合成に固有の曖昧さの問題を減らすために近隣ベースのアンカー方法が提案され、セグメンテーション指向のMRI合成を促進するために、機能マッチングベースのセマンティック一貫性の制約が提案されています。実験結果は、最先端のMRIセグメンテーション方法と比較して、定性的および定量的にこの方法の優位性を示しています。

Compared to computed tomography (CT), magnetic resonance imaging (MRI) delineation of craniomaxillofacial (CMF) bony structures can avoid harmful radiation exposure. However, bony boundaries are blurry in MRI, and structural information needs to be borrowed from CT during the training. This is challenging since paired MRI-CT data are typically scarce. In this paper, we propose to make full use of unpaired data, which are typically abundant, along with a single paired MRI-CT data to construct a one-shot generative adversarial model for automated MRI segmentation of CMF bony structures. Our model consists of a cross-modality image synthesis sub-network, which learns the mapping between CT and MRI, and an MRI segmentation sub-network. These two sub-networks are trained jointly in an end-to-end manner. Moreover, in the training phase, a neighbor-based anchoring method is proposed to reduce the ambiguity problem inherent in cross-modality synthesis, and a feature-matching-based semantic consistency constraint is proposed to encourage segmentation-oriented MRI synthesis. Experimental results demonstrate the superiority of our method both qualitatively and quantitatively in comparison with the state-of-the-art MRI segmentation methods.