pre_post_synthesis

การสังเคราะห์ MRI เต้านมก่อนเกิดความคมชัดสำหรับการแบ่งส่วนเนื้องอกที่เพิ่มขึ้น

ใน SPIE Medical Imaging 2024

เริ่มต้น

ชุดข้อมูล Duke ที่ใช้ในการศึกษานี้มีอยู่ใน Cancer Imaging Archive (TCIA)

คุณอาจพบตัวอย่างของไฟล์ Nifti สังเคราะห์ในการสังเคราะห์/ตัวอย่าง

รหัสสังเคราะห์

• กำหนดค่าเพื่อเรียกใช้การฝึกอบรมของรูปแบบการสังเคราะห์ภาพ
• กำหนดค่าเพื่อเรียกใช้การทดสอบรูปแบบการสังเคราะห์ภาพ
• รหัสเพื่อแปลงไฟล์ DICOM เป็นไฟล์ NIFTI
• รหัสเพื่อแยก 2D PNGs จากไฟล์ 3D NIFTI
• รหัสเพื่อสร้างไฟล์ 3D NIFTI จาก Axial 2D PNGS
• รหัสเพื่อแยกการฝึกอบรมการสังเคราะห์และกรณีทดสอบ
• รหัสเพื่อคำนวณตัวชี้วัดคุณภาพของภาพเช่น SSIM, MSE, LPIPS และอื่น ๆ
• รหัสเพื่อคำนวณระยะทางเริ่มต้นFrèchet (FID) ตาม Imagenet และ Radimagenet

รหัสแบ่งส่วน

• รหัสเพื่อเตรียมเคสเต้านม 3D สำหรับการแบ่งส่วน NNUNET
• การทดสอบการทดสอบรถไฟของชุดข้อมูลการแบ่งส่วน
• สคริปต์เพื่อเรียกใช้ไปป์ไลน์ NNUNET เต็มรูปแบบบนชุดข้อมูล Duke

เรียกใช้โมเดล

น้ำหนักรุ่นจะถูกเก็บไว้ใน Zenodo และให้บริการผ่านห้องสมุด Medigan

ในการสร้างข้อมูลหลังการคอนทราสต์ของคุณเองเพียงเรียกใช้:

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 )

อ้างอิง

โปรดพิจารณาอ้างถึงงานของเราหากคุณพบว่ามีประโยชน์สำหรับการวิจัยของคุณ:

 @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 }
  }

กิตติกรรมประกาศ

ที่เก็บนี้ยืมรหัสจาก PIX2PIXHD และที่เก็บ NNUNET มาสก์การแบ่งส่วนเนื้องอก 254 ที่ใช้ในการศึกษานี้จัดทำโดย Caballo และคณะ