Aprovechamiento de texto clínico y acondicionamiento de clase para la generación de RM de próstata en 3D

Área de la Ciencia:

• Imágenes Médicas
• Aprendizaje Automático
• Inteligencia Artificial

Sus antecedentes:

• Los modelos de difusión latente (LDM) muestran potencial para imágenes médicas, pero enfrentan desafíos con la escasez de datos.
• Las estrategias actuales de LDM médicas a menudo requieren grandes conjuntos de datos, codificadores de texto específicos o modelos no médicos, lo que limita el rendimiento y la accesibilidad.
• Existe la necesidad de métodos LDM eficientes en cuanto a datos y accesibles en imágenes médicas.

Objetivo del estudio:

• Proponer un novedoso enfoque de acondicionamiento LDM para abordar la escasez de datos y las limitaciones de accesibilidad en imágenes médicas.
• Introducir un pipeline eficiente en cuanto a datos para entrenar LDMs utilizando datos limitados y anotaciones mínimas.
• Mejorar tanto la calidad de la imagen médica sintética como el rendimiento de las tareas posteriores de aprendizaje automático.

Principales métodos:

• Se desarrolló el adaptador de modelo de lenguaje grande eficiente condicionado por clase (CCELLA), un enfoque de acondicionamiento de doble cabezal para LDMs.
• CCELLA acondiciona simultáneamente la U-Net LDM con informes clínicos de texto libre y clasificaciones radiológicas.
• Se implementó un pipeline LDM eficiente en cuanto a datos centrado en CCELLA con una función de pérdida conjunta, evaluado en RM de próstata en 3D.

Principales resultados:

• Se logró una puntuación FID 3D de 0.025 en un conjunto de datos limitado de RM de próstata en 3D, superando a un modelo base (FID 0.070).
• La mejora del entrenamiento del clasificador con imágenes sintéticas aumentó la precisión de la predicción del cáncer de próstata del 69% al 74%.
• El rendimiento del clasificador utilizando solo imágenes sintéticas se aproximó al del entrenamiento con imágenes reales.

Conclusiones:

• El pipeline propuesto centrado en CCELLA permite la síntesis de imágenes médicas de alta calidad con datos y anotaciones limitados.
• Este método mejora tanto la calidad de la imagen sintética como el rendimiento del clasificador posterior.
• El enfoque mejora el rendimiento de LDM y la accesibilidad científica en imágenes médicas.