Devil is in Details: Locality-Aware 3D Abdominal CT Volume Generation for Self-Supervised Organ Segmentation

要約

医用画像解析の分野では、ラベル付けの需要を軽減するために自己教師あり学習 (SSL) 技術が登場しましたが、リソース要件とプライバシーの制約の増大によるトレーニング データの不足という課題に依然として直面しています。
さまざまなモダリティや解剖学的領域にわたって高忠実度のラベルなし 3D ボリュームを生成するために、生成モデルを採用する多くの取り組みが行われています。
ただし、腹部内の複雑で区別がつかない解剖学的構造は、他の解剖学的領域と比較して、腹部 CT ボリュームの生成に特有の課題を引き起こします。
見落とされている課題に対処するために、精緻な 3D 腹部 CT ボリューム生成に合わせた新しい方法である Locality-Aware Diffusion (Lad) を導入します。
当社では、局所性損失を設計して重要な解剖学的領域を洗練し、腹部を先験的に生成に統合する条件抽出機能を考案します。これにより、ラベルやラベルなどの追加データを必要とせずに、SSL タスクに不可欠な高品質の腹部 CT ボリュームを大量に生成できるようになります。
放射線科のレポート。
私たちの方法で生成されたボリュームは、腹部構造の再現において顕著な忠実性を示し、AbdomenCT-1K データセットで FID スコアの 0.0034 から 0.0002 への減少を達成し、本物のデータを厳密に反映し、現在の方法を上回っています。
広範な実験により、自己教師付き臓器セグメンテーションタスクにおける私たちの方法の有効性が実証され、2つの腹部データセットの平均ダイススコアが効果的に向上しました。
これらの結果は、医療画像分析における自己教師あり学習を促進する合成データの可能性を強調しています。

要約(オリジナル)

In the realm of medical image analysis, self-supervised learning (SSL) techniques have emerged to alleviate labeling demands, while still facing the challenge of training data scarcity owing to escalating resource requirements and privacy constraints. Numerous efforts employ generative models to generate high-fidelity, unlabeled 3D volumes across diverse modalities and anatomical regions. However, the intricate and indistinguishable anatomical structures within the abdomen pose a unique challenge to abdominal CT volume generation compared to other anatomical regions. To address the overlooked challenge, we introduce the Locality-Aware Diffusion (Lad), a novel method tailored for exquisite 3D abdominal CT volume generation. We design a locality loss to refine crucial anatomical regions and devise a condition extractor to integrate abdominal priori into generation, thereby enabling the generation of large quantities of high-quality abdominal CT volumes essential for SSL tasks without the need for additional data such as labels or radiology reports. Volumes generated through our method demonstrate remarkable fidelity in reproducing abdominal structures, achieving a decrease in FID score from 0.0034 to 0.0002 on AbdomenCT-1K dataset, closely mirroring authentic data and surpassing current methods. Extensive experiments demonstrate the effectiveness of our method in self-supervised organ segmentation tasks, resulting in an improvement in mean Dice scores on two abdominal datasets effectively. These results underscore the potential of synthetic data to advance self-supervised learning in medical image analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google