pre_post_synthesis

Pre-to-Contrast-Brust-MRT-Synthese zur verstärkten Tumorsegmentierung

In Spie Medical Imaging 2024.

Erste Schritte

Der in dieser Studie verwendete Duke -Datensatz ist im Cancer Imaging Archive (TCIA) verfügbar.

Sie können einige Beispiele für synthetische NIFTI -Dateien in der Synthese/Beispiele finden.

Synthesecode

• Konfiguration, um ein Training des Bildsynthesemodells auszuführen.
• Konfiguration, um einen Test des Bildsynthesemodells auszuführen.
• Code zur Transformation von Duke Dicom -Dateien in Nifti -Dateien.
• Code zum Extrahieren von 2D -PNGs aus 3D -Nifti -Dateien.
• Code zum Erstellen von 3D -NIFTI -Dateien aus axialen 2D -PNGs.
• Code zum Trennen von Synthesetraining und Testfällen.
• Code zur Berechnung der Bildqualitätsmetriken wie SSIM, MSE, LPIPS und mehr.
• Code zur Berechnung der Frèchet Inception Distanz (FID) basierend auf ImageNet und Radimagenet.

Segmentierungscode

• Code zur Erstellung von 3D -Einzelbrusthüllen für die Nnunet -Segmentierung.
• Zugtest-Splits des Segmentierungsdatensatzes.
• Skript zum Ausführen der vollständigen Nnunet -Pipeline im Duke -Datensatz.

Führen Sie das Modell aus

Modellgewichte werden auf Zenodo aufbewahrt und über die Medigan -Bibliothek zur Verfügung gestellt.

Um Ihre eigenen Daten nach der Kontrast zu erstellen, leiten Sie einfach aus:

pip install medigan

 # import medigan and initialize Generators
from medigan import Generators
generators = Generators ()

# generate 10 samples with model 23 (00023_PIX2PIXHD_BREAST_DCEMRI). 
# Also, auto-install required model dependencies.
generators . generate ( model_id = '00023_PIX2PIXHD_BREAST_DCEMRI' , num_samples = 10 , install_dependencies = True )

Referenz

Bitte erwägen Sie, unsere Arbeit zu zitieren, wenn Sie sie für Ihre Recherche als nützlich empfanden:

 @article { osuala2023pre ,
  title = { {Pre-to Post-Contrast Breast MRI Synthesis for Enhanced Tumour Segmentation} } ,
  author = { Osuala, Richard and Joshi, Smriti and Tsirikoglou, Apostolia and Garrucho, Lidia and Pinaya, Walter HL and Diaz, Oliver and Lekadir, Karim } ,
  journal = { arXiv preprint arXiv:2311.10879 } ,
  year = { 2023 }
  }

Anerkennung

Dieser Repository -Code aus dem PIX2PixHD und den Nnunet -Repositories. Die in dieser Studie verwendeten 254 Tumorsegmentierungsmasken wurden von Caballo et al.