Pathological MRI Segmentation by Synthetic Pathological Data Generation in Fetuses and Neonates

要約

臨床胎児および新生児のMRIデータの自動分析のための新しい方法の開発は、注釈付きの病理学的データセットの希少性と、しばしばデータ共有を制限し、深い学習モデルの有効性を妨げることによって制限されます。
これに2つの方法で対処します。
まず、セマンティックラベル画像から高品質の合成病理学的胎児および新生児MRIを生成するために設計された新しい拡散モデルフレームワークである胎児および新生児DDPMを紹介します。
第二に、形態学的変化を介して健康的なラベル画像を変更して、心室腫瘍、小脳、甲状腺腫などの状態をシミュレートすることにより、トレーニングデータを強化します。
胎児と新生児DDPMを活用することにより、これらの修正された病理学的ラベル画像から現実的な病理学的MRIを合成します。
放射線科医は、合成MRIを実際のMRIと比較して品質と診断値が有意に優れていると評価し、血管や脈絡叢などの特徴を示し、ラベルアノテーションとの調整を改善しました。
合成病理学的データは、特に重度の心室腫瘍症の場合に最先端のNNUNETセグメンテーションパフォーマンスを強化し、心室セグメンテーションで最大の改善が達成されました（DICEスコア：0.9253対0.7317）。
この研究では、データ増強のための変換ツールとしての生成AIの可能性を強調し、病理学的症例でのセグメンテーションパフォーマンスの改善を提供します。
この開発は、出生前イメージングの分析とセグメンテーションの精度を改善するための重要なステップであり、病理学的画像データの生成を通じてデータ匿名化の新しい方法を提供します。

要約(オリジナル)

Developing new methods for the automated analysis of clinical fetal and neonatal MRI data is limited by the scarcity of annotated pathological datasets and privacy concerns that often restrict data sharing, hindering the effectiveness of deep learning models. We address this in two ways. First, we introduce Fetal&Neonatal-DDPM, a novel diffusion model framework designed to generate high-quality synthetic pathological fetal and neonatal MRIs from semantic label images. Second, we enhance training data by modifying healthy label images through morphological alterations to simulate conditions such as ventriculomegaly, cerebellar and pontocerebellar hypoplasia, and microcephaly. By leveraging Fetal&Neonatal-DDPM, we synthesize realistic pathological MRIs from these modified pathological label images. Radiologists rated the synthetic MRIs as significantly (p < 0.05) superior in quality and diagnostic value compared to real MRIs, demonstrating features such as blood vessels and choroid plexus, and improved alignment with label annotations. Synthetic pathological data enhanced state-of-the-art nnUNet segmentation performance, particularly for severe ventriculomegaly cases, with the greatest improvements achieved in ventricle segmentation (Dice scores: 0.9253 vs. 0.7317). This study underscores the potential of generative AI as transformative tool for data augmentation, offering improved segmentation performance in pathological cases. This development represents a significant step towards improving analysis and segmentation accuracy in prenatal imaging, and also offers new ways for data anonymization through the generation of pathologic image data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google