A Generative Shape Compositional Framework: Towards Representative Populations of Virtual Heart Chimaeras

要約

医療機器のin-silico試験を行うためには、妥当性を保ちつつ、十分なばらつきを捉えた解剖学的な仮想集団を生成することが不可欠である。しかし、母集団内の各個人について、関心のあるすべての解剖学的形状が常に利用可能であるとは限らない。そのため、母集団内の個体間で解剖学的情報が欠落していたり、部分的に重複していたりすることがしばしばある。我々は、複雑な解剖学的構造に対して、対になっていないデータセットから学習可能な生成的形状モデルを導入する。提案する生成モデルは、人間の自然なキメラに対して、仮想キメラと呼ばれる完全な全体複雑形状集合体を合成することができる。我々はこのフレームワークを用いて、心臓の部分構造のサンプルを含む心臓全体の形状データベースから仮想キマイラを構築した。具体的には、学習母集団中の各構造の形状のばらつきを捉える部品認識型生成形状モデルと、前者によって合成された構造を複数部品の形状集合体（すなわち仮想キメラ）に組み立てる空間合成ネットワークの2つのコンポーネントからなる生成形状合成フレームワークを提案する。また、空間合成ネットワークは、部分的に重複するデータと弱いラベルで学習できるように、新しい自己教師付き学習スキームを提案する。我々は、UK Biobankで利用可能な心臓磁気共鳴画像から得られた心臓構造の形状を用いて、本アプローチを訓練し、検証を行った。本アプローチは、PCAに基づく形状モデル（完全なデータで学習）を、一般性と特異性の点で著しく上回る。これは、合成された心臓の仮想集団が、PCAベースの形状モデルによって生成された集団よりも、より妥当で、形状のばらつきをより多く捉えていることから、提案したアプローチの優位性を示している。

要約(オリジナル)

Generating virtual populations of anatomy that capture sufficient variability while remaining plausible is essential for conducting in-silico trials of medical devices. However, not all anatomical shapes of interest are always available for each individual in a population. Hence, missing/partially-overlapping anatomical information is often available across individuals in a population. We introduce a generative shape model for complex anatomical structures, learnable from datasets of unpaired datasets. The proposed generative model can synthesise complete whole complex shape assemblies coined virtual chimaeras, as opposed to natural human chimaeras. We applied this framework to build virtual chimaeras from databases of whole-heart shape assemblies that each contribute samples for heart substructures. Specifically, we propose a generative shape compositional framework which comprises two components – a part-aware generative shape model which captures the variability in shape observed for each structure of interest in the training population; and a spatial composition network which assembles/composes the structures synthesised by the former into multi-part shape assemblies (viz. virtual chimaeras). We also propose a novel self supervised learning scheme that enables the spatial composition network to be trained with partially overlapping data and weak labels. We trained and validated our approach using shapes of cardiac structures derived from cardiac magnetic resonance images available in the UK Biobank. Our approach significantly outperforms a PCA-based shape model (trained with complete data) in terms of generalisability and specificity. This demonstrates the superiority of the proposed approach as the synthesised cardiac virtual populations are more plausible and capture a greater degree of variability in shape than those generated by the PCA-based shape model.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL