Grunnleggende konsepter
Durch die Neugestaltung der Diffusionslernziele, die sich auf Läsionsbereiche konzentrieren, vereinfacht sich der Lernprozess des Modells und die Kontrolle über die synthetische Ausgabe wird verbessert, während der Hintergrund durch die Integration von vorwärts diffundiertem Hintergrundkontext in den rückwärts gerichteten Diffusionsprozess erhalten bleibt.
Sammendrag
Die Studie stellt LeFusion, ein neuartiges lesionsfokussiertes Diffusionsmodell, vor, um die Herausforderungen bei der Datensynthese in der medizinischen Bildgebung zu bewältigen.
Bisherige Ansätze hatten Schwierigkeiten, Läsionsinformationen vom Hintergrundkontext zu trennen, was zu Problemen bei der Erzeugung hochwertiger Hintergründe und einer eingeschränkten Kontrolle über die synthetische Ausgabe führte.
LeFusion überwindet diese Einschränkungen, indem es die Diffusionslernziele so anpasst, dass sie sich auf die Läsionsbereiche konzentrieren. Dadurch wird der Lernprozess vereinfacht und die Kontrolle über die synthetische Ausgabe verbessert, während der Hintergrund durch die Integration von vorwärts diffundiertem Hintergrundkontext in den rückwärts gerichteten Diffusionsprozess erhalten bleibt.
Darüber hinaus wird LeFusion verallgemeinert, um mehrere Läsionsklassen gemeinsam zu modellieren. Außerdem wird ein generatives Modell für Läsionsmasken eingeführt, um die Synthesevielfalt zu erhöhen.
Die Validierung auf dem Emidec-Datensatz für kardiale Läsionssegmentierung zeigt, dass die synthetischen Daten die Leistung eines state-of-the-art-Modells wie nnU-Net effektiv verbessern können.
Statistikk
Die Emidec-Studie umfasst 100 Fälle, davon 33 normal (N) und 67 pathologisch (P). Die 67 pathologischen Fälle wurden in 57 Trainings- und 10 Testfälle aufgeteilt.
Sitater
"Synthetische Daten könnten besser sein als echte Daten."
"Generative Läsionssynthese ist ein vielversprechendes Gebiet mit Anwendungen in verschiedenen medizinischen Modalitäten, das bemerkenswerte Erfolge erzielt hat."