pre_post_synthesis

對比前乳房MRI合成，以增強腫瘤分割

在2024年的Spie Medical Imaging。

入門

這項研究中使用的杜克大學數據集可在癌症成像檔案庫（TCIA）上獲得。

您可能會在合成/示例中找到合成NIFTI文件的一些示例。

綜合代碼

• 配置以運行圖像合成模型的訓練。
• 配置運行圖像合成模型的測試。
• 代碼將Duke DICOM文件轉換為NIFTI文件。
• 從3D NIFTI文件中提取2D PNG的代碼。
• 代碼從Axial 2D PNG創建3D NIFTI文件。
• 代碼以分開合成培訓和測試用例。
• 計算圖像質量指標，例如SSIM，MSE，LPIPS等。
• 計算基於ImageNet和Radimagenet的Frèchet成立距離（FID）的代碼。

細分代碼

• 代碼準備3D單乳房案例以進行NNUNET分割。
• 分割數據集的火車測試時間。
• 腳本以在杜克數據集上運行完整的NNUNET管道。

運行模型

模型權重存儲在Zenodo上，並通過Medigan庫提供。

要創建自己的對比後數據，只需運行：

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 )

參考

如果您發現這對您的研究很有用，請考慮考慮我們的工作：

 @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 }
  }

致謝

該存儲庫從Pix2PixHD和NNUNET存儲庫中藉用代碼。 Caballo等人提供了本研究中使用的254個腫瘤分割口罩。