Concepts de base
복잡하고 구분하기 어려운 복부 해부학적 구조를 정확하게 재현하는 고품질의 합성 복부 CT 볼륨을 생성하여 자기 지도 학습 기반 장기 분할 성능을 향상시킬 수 있다.
Résumé
이 논문은 복잡하고 구분하기 어려운 복부 해부학적 구조를 정확하게 재현하는 고품질의 합성 복부 CT 볼륨을 생성하는 Locality-Aware Diffusion (Lad) 방법을 제안한다.
Lad는 다음 3단계로 구성된다:
잠재 공간 구축: VQ-GAN을 사용하여 복부 CT 볼륨의 잠재 공간을 구축하고, 해부학적 세부 사항에 초점을 맞추는 Locality Loss를 도입한다.
잠재 공간에서의 확산 모델 학습: 내용 추출기와 구조 추출기를 통해 마스크에서 지역 정보를 추출하여 확산 모델의 생성을 안내한다.
지역 조건 증강을 통한 샘플링: 증강된 마스크 세트를 활용하여 다양한 고품질 볼륨을 생성한다.
실험 결과, Lad는 기존 방법보다 더 사실적이고 다양한 복부 CT 볼륨을 생성할 수 있으며, 자기 지도 학습 기반 장기 분할 성능을 크게 향상시킬 수 있다. 특히 작은 장기의 분할 정확도가 크게 개선되었다.
Stats
합성 복부 CT 볼륨의 FID 점수가 0.0002로 실제 데이터와 매우 유사한 분포를 보인다.
합성 복부 CT 볼륨의 MMD 점수가 0.0003으로 매우 낮아 실제 데이터와 유사한 특성을 가진다.
합성 복부 CT 볼륨의 MS-SSIM 점수가 0.5940으로 다양성이 높다.
Citations
"복잡하고 구분하기 어려운 복부 해부학적 구조는 다른 해부학적 영역에 비해 복부 CT 볼륨 생성에 독특한 도전과제를 제시한다."
"우리의 방법은 합성 데이터를 자기 지도 학습 작업에 효과적으로 활용할 수 있음을 보여준다."