BraSyn 2023 challenge: Missing MRI synthesis and the effect of different learning objectives

这项工作解决了作为Brain Tumor Segmentation Challenge（BraTS）2023的一部分举办的Brain Magnetic Resonance Image Synthesis for Tumor Segmentation（BraSyn）挑战。在这个挑战中，研究人员被邀请合成缺失的磁共振图像序列，以便于在完整的图像序列上训练肿瘤分割流程。这个问题可以通过深度学习中的成对图像到图像转换框架来解决。在这项工作中，我们提出了研究使用常用的深度学习框架Pix2Pix在不同图像质量损失函数监督下的有效性。我们的结果表明，使用不同的损失函数显著影响合成质量。我们系统地研究了不同损失函数在BraSyn挑战的多序列MR图像合成设置中的影响。此外，我们展示了如何通过有益地组合不同的学习目标来优化图像合成性能。

本文旨在解决Brain Tumor Segmentation challenge (BraTS) 2023中的Brain Magnetic Resonance Image Synthesis for Tumor Segmentation (BraSyn)挑战，即如何通过深度学习框架中的图像转换技术，合成缺失的磁共振图像序列，以便于肿瘤分割管道的训练。

本文提出了使用Pix2Pix深度学习框架，通过不同的图像质量损失函数进行监督训练，来解决BraSyn挑战中的图像合成问题。研究结果表明，使用不同的损失函数显著影响合成质量，并且结合不同的学习目标可以优化图像合成性能。

实验使用了BraTS 2023数据集，并通过定量和定性评估比较了不同损失函数的影响。实验结果表明，使用L1损失函数可以获得更好的合成图像质量，而使用VGG损失函数可以提高肿瘤分割性能。此外，本文还提出了一种联合训练的方法，结合L1和VGG损失函数，可以在合成图像质量和肿瘤分割性能之间取得平衡。

在图像合成和肿瘤分割领域，已经有很多相关的研究。例如，CycleGAN和UNIT等图像转换模型已经被广泛应用于医学图像合成。在肿瘤分割领域，U-Net和DeepLab等模型也已经被证明是有效的。