SeRL：ペアになっていないMR画像からの教師なしCT画像合成のためのスタイル埋め込み表現学習

科学分野:

• 医用画像処理
• 人工知能
• 肝細胞がん（HCC）研究

背景:

• 肝細胞がん（HCC）は、世界および米国の癌による死亡の主な原因です。
• コンピューター断層撮影（CT）および磁気共鳴（MR）画像は、HCCの診断に不可欠ですが、放射線やコストなどの欠点があります。
• 臓器表現の違いにより、CTおよびMRの組み合わせデータで腫瘍を検出することは困難であり、手動の注釈付けは時間がかかります。

研究 の 目的:

• 腹部CTおよびMRスキャン用の教師なしおよびペアになっていない画像変換方法を開発すること。
• スタイル表現情報を埋め込むことにより、合成医用画像の品質を向上させること。
• マルチモーダル画像データからの腫瘍検出における課題を克服すること。

主な方法:

• 教師なしCTおよびMR画像変換のためのスタイル埋め込み表現学習（SeRL）フレームワークを提案しました。
• 翻訳品質を向上させ、局所的最小値を回避するために、実際のCTおよびMR画像からのスタイル表現を組み込みました。
• トレーニングデータの多様性を高めるために、パッチ腐食拡張方法を利用しました。
• 低グレースケールピクセル値からのノイズを低減するために、自己注意モジュールを統合しました。

主要な成果:

• SeRLは、HCC患者のMR画像から高品質のCT画像を正常に生成しました。
• Frechet Inception Distance（FID）、Sliced Wasserstein Distance（SWD）、および肝臓のセグメンテーションダイススコアを使用した評価により、優れたパフォーマンスが実証されました。
• この手法は、既存の最先端の教師なし医用画像変換技術よりも有利であることが証明されました。

結論:

• 提案されたSeRL手法は、CTおよびMRモダリティ間の教師なし医用画像変換のための効果的なソリューションを提供します。
• SeRLは、スタイル表現と高度な拡張技術を活用することにより、画像合成品質を向上させます。
• このアプローチは、医師のワークロードを削減し、HCC管理における診断精度を向上させる可能性があります。