A Data Augmentation Pipeline to Generate Synthetic Labeled Datasets of 3D Echocardiography Images using a GAN

由于医学影像领域中的隐私问题和公开标记数据集的数量有限，我们提出了一种图像生成流程，用于合成带有相应基础真实标签的3D超声心动图像，以减轻数据收集和繁琐且容易出错的人工标记图像的需求，以供后续深度学习（DL）任务使用。所提出的方法利用心脏详细的解剖分割作为基础真实标签来源。将这个初始数据集与由真实3D超声心动图像组成的第二个数据集相结合，以训练生成对抗网络（GAN），以合成与基础真实标签配对的逼真的3D心血管超声图像。为了生成合成的3D数据集，训练过的GAN使用计算机断层扫描（CT）的高分辨率解剖模型作为输入。对合成图像的定性分析表明，心脏的主要结构被很好地勾勒出来，并且紧密地遵循从解剖模型中获得的标签。为了评估这些合成图像在DL任务中的可用性，对分割算法进行了训练，以勾勒左心室、左心房和心肌。对用合成图像训练的模型给出的3D分割进行的定量分析表明，这种GAN方法的潜在用途是生成3D合成数据，用数据训练DL模型以进行不同的临床任务，从而解决3D标记超声心动图数据集稀缺的问题。

解决医学图像数据集有限的问题，提出一种生成3D心脏超声图像及其标签的方法，以用于深度学习任务。

利用解剖结构分割的心脏模型作为标签，结合真实3D心脏超声图像训练生成对抗网络（GAN）生成逼真的3D心血管超声图像及其标签。

实验结果表明，GAN能够生成逼真的3D心血管超声图像及其标签，且用于深度学习任务的分割算法能够得到较好的结果。

最近的相关研究包括：'Generating Synthetic Medical Images for Automatic Image Analysis'，'Synthetic Medical Image Generation using Generative Adversarial Networks'等。