要約
がん検出のためのAIは、データ不足、アノテーションの難しさ、初期腫瘍の有病率の低さというボトルネックに遭遇する。腫瘍合成は、医用画像に人工腫瘍を作り出そうとするもので、AIトレーニングのためのデータとアノテーションを大幅に多様化できる。しかし、現在の腫瘍合成アプローチは、特定の専門知識と設計を必要とするため、異なる臓器に適用できない。本稿では、腫瘍の発生をシミュレートするための汎用的なルールを確立する。各細胞（ピクセル）には、腫瘍集団を表す0から10の間の状態が最初に割り当てられ、成長、浸潤、死のプロセスを記述する3つのルールに基づいて腫瘍を発達させることができる。これらの3つの一般的な規則を適用して、セル・オートマトンを使って、ピクセルから癌になるまでの腫瘍の発生をシミュレートする。次に、腫瘍の状態を元のCT（コンピュータ断層撮影）画像に統合し、異なる臓器にわたる合成腫瘍を生成する。この腫瘍合成アプローチにより、複数の段階で腫瘍をサンプリングし、腫瘍と臓器の相互作用を解析することができる。臨床的には、3人の専門放射線科医が参加した読者調査により、合成腫瘍とその発生軌跡が説得力のある現実的なものであることが明らかになった。技術的には、世界中の68の病院から提供された9,262枚のラベルのない生のCT画像を用いて、様々な段階における腫瘍の発生を解析し、シミュレートした。肝臓、膵臓、腎臓の腫瘍のセグメンテーションにおける性能は、一般的な文献のベンチマークを上回り、特に癌の早期発見のための腫瘍合成の計り知れない可能性を強調している。 コードとモデルはhttps://github.com/MrGiovanni/Pixel2Cancer
要約(オリジナル)
AI for cancer detection encounters the bottleneck of data scarcity, annotation difficulty, and low prevalence of early tumors. Tumor synthesis seeks to create artificial tumors in medical images, which can greatly diversify the data and annotations for AI training. However, current tumor synthesis approaches are not applicable across different organs due to their need for specific expertise and design. This paper establishes a set of generic rules to simulate tumor development. Each cell (pixel) is initially assigned a state between zero and ten to represent the tumor population, and a tumor can be developed based on three rules to describe the process of growth, invasion, and death. We apply these three generic rules to simulate tumor development–from pixel to cancer–using cellular automata. We then integrate the tumor state into the original computed tomography (CT) images to generate synthetic tumors across different organs. This tumor synthesis approach allows for sampling tumors at multiple stages and analyzing tumor-organ interaction. Clinically, a reader study involving three expert radiologists reveals that the synthetic tumors and their developing trajectories are convincingly realistic. Technically, we analyze and simulate tumor development at various stages using 9,262 raw, unlabeled CT images sourced from 68 hospitals worldwide. The performance in segmenting tumors in the liver, pancreas, and kidneys exceeds prevailing literature benchmarks, underlining the immense potential of tumor synthesis, especially for earlier cancer detection. The code and models are available at https://github.com/MrGiovanni/Pixel2Cancer
arxiv情報
| 著者 | Yuxiang Lai,Xiaoxi Chen,Angtian Wang,Alan Yuille,Zongwei Zhou |
| 発行日 | 2024-07-05 17:02:33+00:00 |
| arxivサイト | arxiv_id(pdf) |