Graph-Convolution-Beta-VAE for Synthetic Abdominal Aorta Aneurysm Generation

要約

合成データ生成は、プライバシーの懸念を軽減し、大規模な患者データ分析を可能にすることにより、医学研究において重要な役割を果たします。
この研究では、合成腹部大動脈瘤（AAA）を生成するためのベータ変性自動エンコーダーグラフ畳み込みニューラルネットワークフレームワークを提示します。
小さな現実世界のデータセットを使用して、私たちのアプローチは重要な解剖学的特徴を抽出し、コンパクトな解放された潜在的な潜在空間内で複雑な統計関係をキャプチャします。
データの制限に対処するために、Procrustes分析に基づいた低衝突データ増強が採用され、解剖学的完全性が維持されました。
決定論的で確率的である生成戦略は、リアリズムを確保しながら、データの多様性を強化することができます。
PCAベースのアプローチと比較して、私たちのモデルは、複雑で非線形の解剖学的変動をキャプチャすることにより、目に見えないデータに対してより堅牢に実行されます。
これにより、元のデータセットだけよりも包括的な臨床的および統計的分析が可能になります。
結果として生じる合成AAAデータセットは、患者のプライバシーを維持しながら、医学研究、デバイステスト、および計算モデリングのためのスケーラブルな基盤を提供します。

要約(オリジナル)

Synthetic data generation plays a crucial role in medical research by mitigating privacy concerns and enabling large-scale patient data analysis. This study presents a beta-Variational Autoencoder Graph Convolutional Neural Network framework for generating synthetic Abdominal Aorta Aneurysms (AAA). Using a small real-world dataset, our approach extracts key anatomical features and captures complex statistical relationships within a compact disentangled latent space. To address data limitations, low-impact data augmentation based on Procrustes analysis was employed, preserving anatomical integrity. The generation strategies, both deterministic and stochastic, manage to enhance data diversity while ensuring realism. Compared to PCA-based approaches, our model performs more robustly on unseen data by capturing complex, nonlinear anatomical variations. This enables more comprehensive clinical and statistical analyses than the original dataset alone. The resulting synthetic AAA dataset preserves patient privacy while providing a scalable foundation for medical research, device testing, and computational modeling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google