DDPM生成MRI、相互情報量およびアンサンブル学習を用いた脳腫瘍分類および一般化の向上 | JoVE Visualize

科学分野:

医療画像
人工知能
腫瘍学

背景:

深層生成モデルは、合成データを生成することにより、医療画像における深層学習を強化します。
限られたトレーニングデータは、脳腫瘍分類のためのAIモデルの一般化を妨げる可能性があります。
Denoising Diffusion Probabilistic Models（DDPM）は、リアルな合成医療画像を生成するための有望なアプローチを提供します。

研究の目的:

相互情報量（MI）正則化の有無にかかわらず、DDPM生成合成MRIが脳腫瘍分類を改善するかどうかを評価すること。
不均一なデータセットを横断するDDPM生成データの一般化能力を評価すること。
DDPMとMIをベースラインモデルおよび従来の拡張技術と比較すること。

主な方法:

DDPMモデルをトレーニングして、MI正則化を持つバリアントを含む、合成低悪性度神経膠腫（LGG）および高悪性度神経膠腫（HGG）MRI画像を生成しました。
Frechet-Inception-Distance（FID）およびInception-Score（IS）などの指標を使用して合成画像の品質を評価しました。
2D ResNet-152分類器を、実際のデータ、拡張データ、DDPM生成データ、およびDDPM + MI生成データでトレーニングし、クロスデータセット検証を使用して精度とF1スコアでパフォーマンスを評価しました。

主要な成果:

DDPMモデルは高品質の合成MRI画像を生成し、MIバリアントは改善された現実感と多様性（低いFID、高いIS）を示しました。
DDPM + MIアプローチは、優れたクロスデータセット分類精度（0.89 BraTS-to-TASMC、0.85 TASMC-to-BraTS）を達成しました。
DDPM + MIは、ベースラインモデル、従来の拡張、および標準DDPM（MIなし）を一貫して上回りました。

結論:

MI正則化を備えたDDPMは、アンサンブル学習と組み合わせて、多様なデータセットを横断する脳腫瘍分類の一般化を大幅に強化します。
この方法は、クロスインスティテューショナル臨床設定におけるAIモデルのパフォーマンスを向上させるための堅牢なソリューションを提供します。
DDPM + MIを使用した合成データ生成は、医療画像AIにおけるデータ制限を克服するための貴重な戦略です。