Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection

要約

胸部X線（CXR）画像での肺結節の検出は、肺がんの早期スクリーニングによく見られます。
深層学習ベースのコンピューター支援診断（CAD）システムは、CXRでの結節スクリーニングのために放射線科医をサポートできます。
ただし、このような堅牢で正確なCADをトレーニングするには、高品質の注釈を備えた大規模で多様な医療データが必要です。
そのようなデータセットの限られた利用可能性を軽減するために、データ増強のために肺結節合成法が提案されています。
それにもかかわらず、以前の方法は、検出器が望むサイズ属性で現​​実的な小結節を生成する能力を欠いている。
この問題に対処するために、この論文では、結節の属性をそれぞれ形状、サイズ、テクスチャを含む3つの主要な側面に分解する新しい肺結節合成フレームワークを紹介します。
GANベースのShapeGeneratorは、最初に、さまざまな形状マスクを生成することによって結節の形状をモデル化します。
次のサイズ変調により、生成された結節形状の直径をピクセルレベルの粒度で定量的に制御できます。
粗いゲートから細かいゲートの畳み込みテクスチャジェネレータは、変調された形状マスクを条件として、視覚的にもっともらしい結節テクスチャを最終的に合成します。
さらに、検出タスクで簡単に見落とされる結節をより適切に補償するために、データ拡張のために解きほぐされた結節属性を制御することによって結節CXR画像を合成することを提案します。
私たちの実験は、提案された肺結節合成フレームワークの強化された画質、多様性、および可制御性を示しています。
また、結節の検出パフォーマンスを大幅に向上させる上でのデータ拡張の有効性を検証します。

要約(オリジナル)

Lung nodule detection in chest X-ray (CXR) images is common to early screening of lung cancers. Deep-learning-based Computer-Assisted Diagnosis (CAD) systems can support radiologists for nodule screening in CXR. However, it requires large-scale and diverse medical data with high-quality annotations to train such robust and accurate CADs. To alleviate the limited availability of such datasets, lung nodule synthesis methods are proposed for the sake of data augmentation. Nevertheless, previous methods lack the ability to generate nodules that are realistic with the size attribute desired by the detector. To address this issue, we introduce a novel lung nodule synthesis framework in this paper, which decomposes nodule attributes into three main aspects including shape, size, and texture, respectively. A GAN-based Shape Generator firstly models nodule shapes by generating diverse shape masks. The following Size Modulation then enables quantitative control on the diameters of the generated nodule shapes in pixel-level granularity. A coarse-to-fine gated convolutional Texture Generator finally synthesizes visually plausible nodule textures conditioned on the modulated shape masks. Moreover, we propose to synthesize nodule CXR images by controlling the disentangled nodule attributes for data augmentation, in order to better compensate for the nodules that are easily missed in the detection task. Our experiments demonstrate the enhanced image quality, diversity, and controllability of the proposed lung nodule synthesis framework. We also validate the effectiveness of our data augmentation on greatly improving nodule detection performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google