Diff-Lung: Diffusion-Based Texture Synthesis for Enhanced Pathological Tissue Segmentation in Lung CT Scans

要約

間質性肺疾患の診断と追跡には、肺の病理学的パターン (線維症、スリガラス状混濁、肺気腫、硬化) の程度を正確に定量化することが必須です。
ただし、健康な組織と病的な組織の間にはクラスの不均衡が大きいため、セグメンテーションは困難です。
このペーパーでは、AI モデルのトレーニング中に適用されるデータ拡張のための拡散モデルを活用することで、この問題に対処します。
私たちのアプローチは、各組織タイプに特有の重要な形状特性と複雑な詳細を維持しながら、合成病理学的組織パッチを生成します。
この方法は、トレーニング データ内で過小評価されているクラスの出現を増やすことにより、セグメンテーション プロセスを強化します。
私たちは、拡散ベースの拡張技術により、すべての病理学的組織タイプにわたって、特にあまり一般的ではないパターンのセグメンテーション精度が向上することを実証します。
この進歩は、肺 CT スキャンのより信頼性の高い自動分析に貢献し、臨床上の意思決定と患者の転帰を改善する可能性があります。

要約(オリジナル)

Accurate quantification of the extent of lung pathological patterns (fibrosis, ground-glass opacity, emphysema, consolidation) is prerequisite for diagnosis and follow-up of interstitial lung diseases. However, segmentation is challenging due to the significant class imbalance between healthy and pathological tissues. This paper addresses this issue by leveraging a diffusion model for data augmentation applied during training an AI model. Our approach generates synthetic pathological tissue patches while preserving essential shape characteristics and intricate details specific to each tissue type. This method enhances the segmentation process by increasing the occurence of underrepresented classes in the training data. We demonstrate that our diffusion-based augmentation technique improves segmentation accuracy across all pathological tissue types, particularly for the less common patterns. This advancement contributes to more reliable automated analysis of lung CT scans, potentially improving clinical decision-making and patient outcomes

arxiv情報

提供元, 利用サービス

arxiv.jp, Google