SYN-LUNGS: Towards Simulating Lung Nodules with Anatomy-Informed Digital Twins for AI Training

要約

肺がんスクリーニングのAIモデルは、データ不足によって制限され、一般化と臨床的適用に影響を与えます。
生成モデルはこの問題に対処しますが、データの変動性をトレーニングすることによって制約されます。
詳細な注釈を使用して高品質の3D CT画像を生成するためのフレームワークであるSyn-Lungsを紹介します。
Syn-Lungsは、デジタルツイン生成用のXCAT3ファントム、結節シミュレーション（さまざまなサイズ、位置、外観）のXレオン、およびベンダーとパラメーターの変動性を備えたCT画像形成のDukesimを統合します。
データセットには、512の病変と174のデジタルツインを備えた1,044のシミュレートされたCTスキャンからの3,072の結節画像が含まれています。
臨床 +シミュレートされたデータで訓練されたモデルは、臨床のみモデルを上回り、検出の10％の改善、セグメンテーションと分類で2〜9％を達成し、合成を強化します。解剖学的な情報シミュレーションを組み込むことにより、Syn-LungsはAIモデル開発、特に希少疾患の表現とモデルの信頼性の向上においてスケーラブルなアプローチを提供します。

要約(オリジナル)

AI models for lung cancer screening are limited by data scarcity, impacting generalizability and clinical applicability. Generative models address this issue but are constrained by training data variability. We introduce SYN-LUNGS, a framework for generating high-quality 3D CT images with detailed annotations. SYN-LUNGS integrates XCAT3 phantoms for digital twin generation, X-Lesions for nodule simulation (varying size, location, and appearance), and DukeSim for CT image formation with vendor and parameter variability. The dataset includes 3,072 nodule images from 1,044 simulated CT scans, with 512 lesions and 174 digital twins. Models trained on clinical + simulated data outperform clinical only models, achieving 10% improvement in detection, 2-9% in segmentation and classification, and enhanced synthesis.By incorporating anatomy-informed simulations, SYN-LUNGS provides a scalable approach for AI model development, particularly in rare disease representation and improving model reliability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google