3D前立腺MRI生成のための臨床テキストとクラス条件付けの活用

科学分野:

• 医療画像
• 機械学習
• 人工知能

背景:

• 潜在拡散モデル（LDM）は医療画像で有望ですが、データ不足という課題に直面しています。
• 現在の医療LDM戦略は、多くの場合、大規模なデータセット、特定のテキストエンコーダー、または非医療モデルを必要とし、パフォーマンスとアクセシビリティを制限します。
• 医療画像におけるデータ効率の良い、アクセス可能なLDM手法の必要性が存在します。

研究 の 目的:

• データ不足と医療画像におけるアクセシビリティの制限に対処するための、新しいLDM条件付けアプローチを提案すること。
• 限定的なデータと最小限のアノテーションを使用してLDMをトレーニングするための、データ効率の良いパイプラインを導入すること。
• 合成医療画像の品質と下流の機械学習タスクのパフォーマンスの両方を向上させること。

主な方法:

• LDMのデュアルヘッド条件付けアプローチであるクラス条件付き効率的大規模言語モデルアダプター（CCELLA）を開発しました。
• CCELLAは、自由形式の臨床レポートと放射線分類の両方でLDM U-Netを同時に条件付けます。
• 共同損失関数を中心としたデータ効率の良いLDMパイプラインを実装し、3D前立腺MRIで評価しました。

主要な成果:

• 限定的な3D前立腺MRIデータセットで0.025の3D FIDスコアを達成し、基盤モデル（FID 0.070）を上回りました。
• 合成画像を用いた分類器トレーニングの拡張により、前立腺がん予測精度が69%から74%に向上しました。
• 合成画像のみを使用した分類器のパフォーマンスは、実画像トレーニングのパフォーマンスに近づきました。

結論:

• 提案されたCCELLA中心のパイプラインは、限定的なデータとアノテーションで高品質な医療画像合成を可能にします。
• この手法は、合成画像の品質と下流の分類器のパフォーマンスの両方を向上させます。
• このアプローチは、医療画像におけるLDMのパフォーマンスと科学的アクセシビリティを向上させます。