SyntheX: Scaling Up Learning-based X-ray Image Analysis Through In Silico Experiments

要約

人工知能（AI）により、臨床使用のための医用画像の自動解釈が可能になりました。
ただし、手術中のガイダンスなど、介入画像（トリアージや診断に関与する画像とは対照的に）に対するAIの潜在的な使用は、ほとんど未開発のままです。
これは、外科AIシステムが現在、ライブ手術中に収集されたデータの事後分析を使用してトレーニングされているためです。これには、倫理的考慮事項、費用、スケーラビリティ、データの整合性、グラウンドトゥルースの欠如など、基本的かつ実用的な制限があります。
ここでは、人間のモデルから現実的なシミュレーション画像を作成することが実行可能な代替手段であり、大規模な現場データ収集を補完することを示します。
現実的に合成されたデータでAI画像分析モデルをトレーニングし、最新のドメイン一般化または適応手法と組み合わせることで、正確に一致する実際のデータトレーニングセットでトレーニングされたモデルと同等のパフォーマンスを実現するモデルが得られることを示します。
人間ベースのモデルからのトレーニングデータの合成生成は簡単にスケーリングできるため、X線画像分析のモデル転送パラダイム（SyntheXと呼びます）は、トレーニングの有効性により、実際のデータトレーニングモデルよりも優れていることがわかります。
より大きなデータセット。
SyntheXの可能性を3つの臨床タスクで示します：股関節画像分析、外科用ロボットツール検出、およびCOVID-19肺病変セグメンテーション。
SyntheXは、X線ベースの医療用のインテリジェントシステムの構想、設計、および評価を大幅に加速する機会を提供します。
さらに、シミュレートされた画像環境は、新しい機器をテストし、補完的な外科的アプローチを設計し、ライブの人間データ収集の倫理的および実用的な考慮事項から解放されて、結果を改善し、時間を節約し、人的エラーを軽減する新しい技術を構想する機会を提供します。

要約(オリジナル)

Artificial intelligence (AI) now enables automated interpretation of medical images for clinical use. However, AI’s potential use for interventional images (versus those involved in triage or diagnosis), such as for guidance during surgery, remains largely untapped. This is because surgical AI systems are currently trained using post hoc analysis of data collected during live surgeries, which has fundamental and practical limitations, including ethical considerations, expense, scalability, data integrity, and a lack of ground truth. Here, we demonstrate that creating realistic simulated images from human models is a viable alternative and complement to large-scale in situ data collection. We show that training AI image analysis models on realistically synthesized data, combined with contemporary domain generalization or adaptation techniques, results in models that on real data perform comparably to models trained on a precisely matched real data training set. Because synthetic generation of training data from human-based models scales easily, we find that our model transfer paradigm for X-ray image analysis, which we refer to as SyntheX, can even outperform real data-trained models due to the effectiveness of training on a larger dataset. We demonstrate the potential of SyntheX on three clinical tasks: Hip image analysis, surgical robotic tool detection, and COVID-19 lung lesion segmentation. SyntheX provides an opportunity to drastically accelerate the conception, design, and evaluation of intelligent systems for X-ray-based medicine. In addition, simulated image environments provide the opportunity to test novel instrumentation, design complementary surgical approaches, and envision novel techniques that improve outcomes, save time, or mitigate human error, freed from the ethical and practical considerations of live human data collection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google