Towards Generalizable Tumor Synthesis

要約

腫瘍合成により、医療画像内に人工腫瘍を作成できるようになり、腫瘍の検出とセグメンテーションのための AI モデルのトレーニングが容易になります。
しかし、腫瘍合成が成功するかどうかは、複数の臓器にわたって一般化可能な視覚的にリアルな腫瘍を作成することと、さらにその結果として得られる AI モデルが、さまざまなドメイン (病院など) から供給された画像から実際の腫瘍を検出できるかどうかにかかっています。
この論文は、肝臓、膵臓、腎臓のいずれで発生しても、初期段階の腫瘍 (< 2cm) はコンピューター断層撮影 (CT) で同様の画像特徴を持つ傾向があるという重要な観察を活用することで、一般化可能な腫瘍合成に向けて前進しました。 私たちは、拡散モデルなどの生成 AI モデルが、1 つの臓器のみからの限られた数の腫瘍例でトレーニングされた場合でも、さまざまな臓器に一般化された現実的な腫瘍を作成できることを確認しました。 さらに、これらの合成腫瘍でトレーニングされた AI モデルを一般化して、幅広い患者層、画像プロトコル、医療施設を網羅する CT ボリュームから実際の腫瘍を検出してセグメント化できることを示しました。

要約(オリジナル)

Tumor synthesis enables the creation of artificial tumors in medical images, facilitating the training of AI models for tumor detection and segmentation. However, success in tumor synthesis hinges on creating visually realistic tumors that are generalizable across multiple organs and, furthermore, the resulting AI models being capable of detecting real tumors in images sourced from different domains (e.g., hospitals). This paper made a progressive stride toward generalizable tumor synthesis by leveraging a critical observation: early-stage tumors (< 2cm) tend to have similar imaging characteristics in computed tomography (CT), whether they originate in the liver, pancreas, or kidneys. We have ascertained that generative AI models, e.g., Diffusion Models, can create realistic tumors generalized to a range of organs even when trained on a limited number of tumor examples from only one organ. Moreover, we have shown that AI models trained on these synthetic tumors can be generalized to detect and segment real tumors from CT volumes, encompassing a broad spectrum of patient demographics, imaging protocols, and healthcare facilities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google