pre_post_synthesis

对比前乳房MRI合成，以增强肿瘤分割

在2024年的Spie Medical Imaging。

入门

这项研究中使用的杜克大学数据集可在癌症成像档案库（TCIA）上获得。

您可能会在合成/示例中找到合成NIFTI文件的一些示例。

综合代码

• 配置以运行图像合成模型的训练。
• 配置运行图像合成模型的测试。
• 代码将Duke DICOM文件转换为NIFTI文件。
• 从3D NIFTI文件中提取2D PNG的代码。
• 代码从Axial 2D PNG创建3D NIFTI文件。
• 代码以分开合成培训和测试用例。
• 计算图像质量指标，例如SSIM，MSE，LPIPS等。
• 计算基于ImageNet和Radimagenet的Frèchet成立距离（FID）的代码。

细分代码

• 代码准备3D单乳房案例以进行NNUNET分割。
• 分割数据集的火车测试时间。
• 脚本以在杜克数据集上运行完整的NNUNET管道。

运行模型

模型权重存储在Zenodo上，并通过Medigan库提供。

要创建自己的对比后数据，只需运行：

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 )

参考

如果您发现这对您的研究很有用，请考虑考虑我们的工作：

 @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 }
  }

致谢

该存储库从Pix2PixHD和NNUNET存储库中借用代码。 Caballo等人提供了本研究中使用的254个肿瘤分割口罩。