解剖学的に制約された、健康的な事前知識を用いた肝臓CT異常検出と拡散ベースのインペインティング

科学分野:

• 医用画像処理;人工知能;放射線学

背景:

• 腫瘍の特性と画像化プロトコルのばらつきにより、CTスキャン上の微細な肝臓病変の検出は困難です。完全に教師ありのセグメンテーション手法は広範な手動アノテーションを必要とし、スケーラビリティを制限します。既存の異常検出手法には解剖学的な制約がなく、境界の不安定性や画像変動に対する感度につながります。

研究 の 目的:

• 肝臓CTスキャンにおける異常検出のための解剖学的に制約された4段階パイプラインを開発すること。広範な手動アノテーションなしに肝臓病変検出の精度と一般化能力を向上させること。CTトリアージと優先順位付けのためのデータ効率の良い肝臓病変局在化手法を作成すること。

主な方法:

• 健康な肝臓CTスライスで学習されたデノイジング拡散確率モデル（DDPM）が、正常な外観の事前知識を確立しました。拡散ベースのインペインティングは、自動的にセグメンテーションされた肝臓マスク内で疑似正常な肝臓画像を生成しました。エンコーダー・デコーダーモデルは、ペアになった元の画像とインペイントされた画像を使用して健康な肝臓組織を再構築しました。元の画像と再構築された画像間の肝臓をスコープとした差分マップが異常スコアとして機能しました。

主要な成果:

• この手法は、異常なCTスキャンにおいて、Diceスコア0.596、IoU 0.482、AUROC 0.861を達成しました。病変のサイズとともにパフォーマンスが向上し、最大の四分位の病変ではDiceスコア0.796に達しました。このアプローチは、データ効率の良い肝臓病変局在化を示し、解剖学的な制約がない手法を上回りました。95パーセンタイルハースト距離は80.5ピクセルでした。

結論:

• 安定した健康な事前知識を持つ解剖学的に制約された異常検出は、CTスキャンにおける肝臓病変の局在化を強化します。提案された4段階パイプラインは、微細な肝臓病変を検出するためのデータ効率が良くスケーラブルなソリューションを提供します。この手法は、日常的な臨床診療におけるCTトリアージと優先順位付けを改善する可能性を示しています。