AnatoDiff:限定されたトレーニング画像で解剖学的に真実なX線画像を合成する

科学分野:

• 医療画像
• 人工知能
• X線撮影

背景:

• 拡散モデルはリアルなX線画像を合成できますが、広範なトレーニングデータ（多くの場合10,000枚以上）が必要です。
• ドメインの違いにより、自然画像での事前トレーニングは、解剖学的に正確な医療画像を生成するには不十分です。
• 限定されたデータ可用性は、特殊な医療状態における現在のモデルの適用を妨げます。

研究 の 目的:

• 限定されたトレーニングデータ（500〜1,000枚の画像）を使用して、高品質で解剖学的に正確な形状のX線画像を合成できる拡散モデルであるAnatoDiffを開発すること。
• データセットが少ない特殊な状態に対する効果的な医療画像合成を可能にすること。

主な方法:

• AnatoDiffは、ターゲットを絞った監視のために、形状プロトタイプモジュールと解剖学的忠実度損失関数を統合しています。
• このモデルは、新生児腹部、成人胸部、上腕骨の3つの多様なデータセットで検証されました。
• パフォーマンスは、最先端の少数ショットおよびデータ制限合成方法と比較されました。

主要な成果:

• AnatoDiffは、画像合成品質において大幅な改善を達成し、Fréchet Inception Distanceで平均14.9%、Improved Precisionで9.7%、Improved Recallで2.3%向上しました。
• 生成された画像は一貫した解剖学的精度を示し、既存のモデルを上回りました。
• AnatoDiff画像でトレーニングされた分類器は、最先端の拡散画像でトレーニングされた場合と比較して、F1スコアが2.1%-5.3%向上しました。
• 医療専門家は、AnatoDiff画像と実際のX線画像を区別するのが難しいと判断しました。

結論:

• AnatoDiffは、大幅に削減されたトレーニングデータを使用して、高品質で解剖学的に正確なX線画像を効果的に合成します。
• このモデルのターゲットを絞った監視メカニズムは、データ制限シナリオで高いパフォーマンスを可能にします。
• AnatoDiffは、特に希少疾患や専門分野において、医療画像研究と応用の進歩に有望です。