关于AAPM关于学习医学图像统计数据的深度生成建模的大挑战的报告

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算科学 计算科学

背景情况:

• 2023年AAPM大挑战赛的重点是学习医学图像统计的深度生成模型 (DGM).
• 本报告详细介绍了挑战的结果,强调需要进行与领域相关的评估.

研究的目的:

• 为医疗成像应用推进DGM的开发.
• 建立医疗图像合成中DGM性能的标准化评估指标.
• 突出分析相关图像统计数据对DGM评估的重要性.

主要方法:

• 创建了一个 ~ 108,000 512x512 3D 乳房幻影图像的共同训练数据集.
• 开发了一种包括两阶段评估在内的评估程序,包括图像质量 (FID) 和图像统计数据的可复制性 (纹理,形态等). ) 的情况.
• 评估了58项提交,其中9项根据特征统计数据的总结指标进行了最终排名.

主要成果:

• 排名第一的提交使用了有条件的潜伏扩散模型;第二名使用了具有超级分辨率的生成对抗网络.
• 基于综合图像统计的总体排名与基于FID的排名有很大的不同.
• 不同的DGM展示了类似类型的文物,表明医学图像合成的共同挑战.

结论:

• 对特定领域的评估对于在医学成像中有效设计和部署DGM至关重要.
• 对DGM的最佳规格可以根据其预期的应用和用例而有所不同.