[论文解读] Blood Vessel Geometry Synthesis using Generative Adversarial Networks

Jelmer M. Wolterink, Tim Leiner+1 more|arXiv (Cornell University)|Apr 12, 2018

Generative Adversarial Networks and Image Synthesis参考文献 21被引用 12

一句话总结

本文提出一种基于冠状动脉中心线一维参数化的Wasserstein GAN，用于从潜在空间合成逼真且多样的血管几何形态。通过将血管几何形态编码为沿中心轴的四通道一维信号，该模型能够生成解剖学上合理的冠状动脉，并支持基于长度等属性的条件生成，既捕捉了真实的解剖变异，又确保了结构连续性。

ABSTRACT

Computationally synthesized blood vessels can be used for training and evaluation of medical image analysis applications. We propose a deep generative model to synthesize blood vessel geometries, with an application to coronary arteries in cardiac CT angiography (CCTA). In the proposed method, a Wasserstein generative adversarial network (GAN) consisting of a generator and a discriminator network is trained. While the generator tries to synthesize realistic blood vessel geometries, the discriminator tries to distinguish synthesized geometries from those of real blood vessels. Both real and synthesized blood vessel geometries are parametrized as 1D signals based on the central vessel axis. The generator can optionally be provided with an attribute vector to synthesize vessels with particular characteristics. The GAN was optimized using a reference database with parametrizations of 4,412 real coronary artery geometries extracted from CCTA scans. After training, plausible coronary artery geometries could be synthesized based on random vectors sampled from a latent space. A qualitative analysis showed strong similarities between real and synthesized coronary arteries. A detailed analysis of the latent space showed that the diversity present in coronary artery anatomy was accurately captured by the generator. Results show that Wasserstein generative adversarial networks can be used to synthesize blood vessel geometries.

研究动机与目标

• 开发一种数据驱动的方法，用于合成逼真的3D血管几何形态，以扩充医学图像分析的训练数据。
• 克服依赖启发式方法的模型化方法的局限性，这些方法无法捕捉解剖多样性。
• 通过条件生成对抗网络框架，实现对特定特征（如长度）的血管条件化生成。
• 通过使用一维参数化而非三维体素化，确保结构连续性，避免输出碎片化。
• 分析学习到的潜在空间的解耦结构，并验证生成几何形态的真实感与多样性。

提出的方法

• 将3D冠状动脉几何形态参数化为沿血管中心轴的一维信号，包括位置、半径和方向。
• 使用条件Wasserstein GAN，其生成器和判别器均采用感受野较大的卷积神经网络实现。
• 使用深度学习追踪方法从临床CCTA扫描中提取的4,412条真实冠状动脉中心线对GAN进行训练。
• 通过包含目标血管长度的属性向量对生成器进行条件控制，以实现可控生成。
• 使用WGAN-GP损失函数优化GAN，以提升训练稳定性并生成高保真输出。
• 从学习到的潜在空间采样，生成新颖且多样的冠状动脉几何形态，同时保持解剖学合理性。

实验结果

研究问题

• RQ1 深度生成模型能否从临床数据中学习真实冠状动脉几何形态的潜在分布？
• RQ2 使用一维参数化，GAN能否生成结构连续且解剖学上合理的3D血管几何形态？
• RQ3 GAN的潜在空间在多大程度上能解耦并表示有意义的解剖变异，如血管长度和位置？
• RQ4 条件生成能否有效控制特定血管特征（如长度）的同时保持真实感？
• RQ5 合成血管的统计特性与真实训练数据中的相比如何？

主要发现

• 生成器成功合成了在视觉评估中与真实血管难以区分的冠状动脉几何形态。
• 潜在空间捕捉了真实冠状动脉的解剖多样性，不同区域对应不同的解剖亚型，如左冠状动脉树或右冠状动脉树。
• 条件生成实现了对血管长度的有效控制：250 mm的血管主要从右冠状动脉开口生成，反映了真实的解剖学可能性。
• 该模型生成了训练集中不存在的新几何形态，证明其具备超越记忆的泛化能力。
• 一维参数化确保了结构连续性，避免了三维体素化GAN中常见的碎片化问题。
• WGAN-GP训练方案实现了稳定的优化并生成了高质量样本，经由定性和定量分析均得到验证。