FetalFlex:用于灵活控制胎儿超声波图像合成的解剖导向扩散模型

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 胎儿超声 (US) 检查对于评估胎儿发育和查先天性异常至关重要.
• 获得全面的,多平面注释的胎儿美国数据集是具有挑战性的,特别是对于罕见的异常,阻碍放射科医生培训和AI开发.
• 现有的方法难以产生多样和准确的胎儿图像,特别是在异常病例中.

研究的目的:

• 引入FetalFlex,这是一个灵活的框架,可以在多个层面上对各种胎儿图像进行可控合成.
• 解决产生注释胎儿美国数据集的局限性,特别是对于异常病例,以改善AI模型培训和诊断能力.
• 为了使发行正常和非正常的胎儿图像能够在不需要异常训练数据的情况下生成.

主要方法:

• FetalFlex利用解剖结构和多模式信息进行可控的胎儿美国图像合成.
• 预调整模块增强了可控性,重新涂料策略确保了一致的纹理和外观.
• 采用两阶段的自适应采样策略,逐步提升图像质量,从粗到细的水平.

主要成果:

• FetalFlex 在跨多中心数据集的多个图像质量指标上实现了最先进的性能.
• 读者研究证实,生成的图像与专家视觉评估密切一致,并具有临床水平的准确性.
• 合成图像显著提高了深度学习模型在分类和异常检测任务中的性能.

结论:

• "FetalFlex"是第一种能够在没有异常数据的情况下生成正常和异常胎儿图像的方法.
• 该框架提供可控制的,解剖层次的生成,用于异常模拟和创建配对/反事实数据.
• 通过改进人工智能培训和放射科医生教育,FetalFlex展示了提高胎儿异常检测的巨大潜力.