Morphology-preserving Autoregressive 3D Generative Modelling of the Brain

要約

人体の解剖学、形態学、および関連する疾患は、医療用画像データを用いて研究することができます。しかし、医療画像データへのアクセスは、ガバナンスやプライバシー、データの所有権、取得コストなどの問題により制限されており、人体の理解に限界がある。この問題を解決する方法として、年齢、性別、病気の状態などの人体の特徴を学習し、合成画像を生成するモデルが考えられます。近年、ニューラルネットワークのような深層生成モデルを用いて、自然風景の2次元合成画像を生成することができるようになった。それでも、正しい解剖学的形態を持つ高解像度3Dボリューム画像データを作成する能力は、データの希少性とアルゴリズムおよび計算機の限界によって妨げられてきた。本研究では、解剖学的に正しく、高解像度で、リアルなヒトの脳の画像を生成するためにスケーリングが可能で、さらに下流の解析に必要な品質を有する生成モデルを提案する。無限の可能性を持つデータを生成する能力は、患者のプライバシーを損なうことなく人体解剖学と病理学の大規模研究を可能にするだけでなく、異常検出、モダリティ合成、限られたデータでの学習、公正で倫理的なAI分野の研究を大きく前進させる。コードと学習済みモデルは、https://github.com/AmigoLab/SynthAnatomy で入手可能です。

要約(オリジナル)

Human anatomy, morphology, and associated diseases can be studied using medical imaging data. However, access to medical imaging data is restricted by governance and privacy concerns, data ownership, and the cost of acquisition, thus limiting our ability to understand the human body. A possible solution to this issue is the creation of a model able to learn and then generate synthetic images of the human body conditioned on specific characteristics of relevance (e.g., age, sex, and disease status). Deep generative models, in the form of neural networks, have been recently used to create synthetic 2D images of natural scenes. Still, the ability to produce high-resolution 3D volumetric imaging data with correct anatomical morphology has been hampered by data scarcity and algorithmic and computational limitations. This work proposes a generative model that can be scaled to produce anatomically correct, high-resolution, and realistic images of the human brain, with the necessary quality to allow further downstream analyses. The ability to generate a potentially unlimited amount of data not only enables large-scale studies of human anatomy and pathology without jeopardizing patient privacy, but also significantly advances research in the field of anomaly detection, modality synthesis, learning under limited data, and fair and ethical AI. Code and trained models are available at: https://github.com/AmigoLab/SynthAnatomy.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL