Robust Body Composition Analysis by Generating 3D CT Volumes from Limited 2D Slices

要約

体組成分析は、老化、病気の進行、全体的な健康状態に関する貴重な洞察を提供します。
放射線被ばくの懸念のため、二次元 (2D) シングルスライスのコンピューター断層撮影 (CT) イメージングが体組成分析に繰り返し使用されてきました。
ただし、このアプローチでは、解析の精度と堅牢性に影響を与える可能性のある重大な空間変動が生じます。
この問題を軽減し、体組成分析を容易にするために、この論文では、潜在拡散モデル (LDM) を使用して限られた数の 2D スライスから 3D CT ボリュームを生成する新しい方法を紹介します。
私たちのアプローチでは、まず変分オートエンコーダーを使用して 2D スライスを潜在表現空間にマッピングします。
次に、LDM は、これらの潜在表現のスタックの 3D コンテキストをキャプチャするようにトレーニングされます。
中間スライスを正確に補間して完全な 3D ボリュームを構築するために、身体部分回帰を利用して、取得したスライス間の空間的位置と距離を決定します。
社内および公開の 3D 腹部 CT データセットの両方を用いた実験では、提案された方法が従来の 2D ベースの分析と比較して体組成分析を大幅に強化し、エラー率が 23.3% から 15.2% に減少したことを示しています。

要約(オリジナル)

Body composition analysis provides valuable insights into aging, disease progression, and overall health conditions. Due to concerns of radiation exposure, two-dimensional (2D) single-slice computed tomography (CT) imaging has been used repeatedly for body composition analysis. However, this approach introduces significant spatial variability that can impact the accuracy and robustness of the analysis. To mitigate this issue and facilitate body composition analysis, this paper presents a novel method to generate 3D CT volumes from limited number of 2D slices using a latent diffusion model (LDM). Our approach first maps 2D slices into a latent representation space using a variational autoencoder. An LDM is then trained to capture the 3D context of a stack of these latent representations. To accurately interpolate intermediateslices and construct a full 3D volume, we utilize body part regression to determine the spatial location and distance between the acquired slices. Experiments on both in-house and public 3D abdominal CT datasets demonstrate that the proposed method significantly enhances body composition analysis compared to traditional 2D-based analysis, with a reduced error rate from 23.3% to 15.2%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google