Core Concepts
본 연구는 병변 중심 확산 모델을 통해 심장 MRI 영상에서 심근 경색과 지속성 미세혈관 폐쇄와 같은 병변을 효과적으로 합성하는 방법을 제안한다.
Abstract
이 연구는 심장 MRI 영상에서 병변 정보와 배경 정보를 효과적으로 분리하여 합성하는 LeFusion 모델을 제안한다. 기존 방법들은 병변 정보와 배경 정보를 분리하지 못해 고품질의 배경 생성과 병변 합성 제어에 어려움이 있었다. LeFusion은 확산 모델의 학습 목적을 병변 영역에 집중시켜 모델 학습 과정을 단순화하고 합성 출력의 제어 능력을 높였다. 또한 순방향 확산된 배경 정보를 역확산 과정에 통합하여 배경 정보를 보존한다. 나아가 다중 클래스 병변을 동시에 모델링하는 방법과 다양한 병변 마스크를 생성하는 확산 모델을 개발하였다. 심장 MRI 데이터셋 실험에서 제안 방법이 기존 방법 대비 우수한 성능을 보였으며, 합성 데이터를 활용해 심장 분할 모델의 성능을 향상시킬 수 있음을 확인하였다.
Stats
심장 MRI 데이터셋에는 총 100개의 사례가 있으며, 이 중 33개는 정상, 67개는 병리적 사례이다.
데이터셋에는 배경, 좌심실, 심근, 심근 경색, 지속성 미세혈관 폐쇄 등 5개 클래스의 레이블이 제공된다.
병리적 사례 67개 중 57개를 학습에, 10개를 테스트에 사용하였다.
Quotes
"합성 데이터가 실제 데이터보다 더 나을 수 있다."
"의료 데이터에는 긍정적 편향과 알고리즘 불공정성 문제가 존재한다."