Optimizing Synthetic Data for Enhanced Pancreatic Tumor Segmentation

要約

膵臓がんは、依然として世界中でがん関連死亡の主な原因の 1 つです。
医療画像から膵臓腫瘍を正確にセグメンテーションすることは、効果的な臨床上の意思決定のボトルネックとなっています。
ただし、高精度の達成は、深層学習モデルをトレーニングするための実際の患者データのサイズが小さいことと利用可能性によって制限されることがよくあります。
最近のアプローチでは、合成データ生成を使用してトレーニング データセットを強化しています。
これらの方法は有望ではありますが、実際の臨床使用に必要な性能ベンチマークをまだ満たしていない可能性があります。
この研究は、膵臓腫瘍セグメンテーションに対する既存の生成 AI ベースのフレームワークの限界を批判的に評価しています。
私たちは一連の実験を行って、合成 \textit{腫瘍サイズ} と \textit{境界定義} の精度がモデルのパフォーマンスに及ぼす影響を調査します。
私たちの調査結果は、(1) 最適なセグメンテーション結果には合成腫瘍サイズの組み合わせを戦略的に選択することが重要であること、(2) 正確な境界を持つ合成腫瘍を生成することでモデルの精度が大幅に向上することを示しています。
これらの洞察は、診断、予後、治療計画を含む膵臓がんの意思決定におけるセグメンテーション モデルの臨床的有用性を高めるために、洗練された合成データ拡張を利用することの重要性を強調しています。
私たちのコードは https://github.com/lkpengcs/SynTumorAnalyzer で入手できます。

要約(オリジナル)

Pancreatic cancer remains one of the leading causes of cancer-related mortality worldwide. Precise segmentation of pancreatic tumors from medical images is a bottleneck for effective clinical decision-making. However, achieving a high accuracy is often limited by the small size and availability of real patient data for training deep learning models. Recent approaches have employed synthetic data generation to augment training datasets. While promising, these methods may not yet meet the performance benchmarks required for real-world clinical use. This study critically evaluates the limitations of existing generative-AI based frameworks for pancreatic tumor segmentation. We conduct a series of experiments to investigate the impact of synthetic \textit{tumor size} and \textit{boundary definition} precision on model performance. Our findings demonstrate that: (1) strategically selecting a combination of synthetic tumor sizes is crucial for optimal segmentation outcomes, and (2) generating synthetic tumors with precise boundaries significantly improves model accuracy. These insights highlight the importance of utilizing refined synthetic data augmentation for enhancing the clinical utility of segmentation models in pancreatic cancer decision making including diagnosis, prognosis, and treatment plans. Our code will be available at https://github.com/lkpengcs/SynTumorAnalyzer.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google