[論文レビュー] Blood Vessel Geometry Synthesis using Generative Adversarial Networks

Jelmer M. Wolterink, Tim Leiner+1 more|arXiv (Cornell University)|Apr 12, 2018

Generative Adversarial Networks and Image Synthesis参考文献 21被引用数 12

ひとこと要約

本論文では、冠動脈中心線の1次元パラメータ化を用いたワッサーシュタインGANを提案し、潜在空間から現実的で多様な血管幾何学を合成する。血管幾何学を中心軸に沿った4チャンネル1次元信号として符号化することで、解剖学的に妥当な冠動脈を生成可能となり、長さなどの属性に基づく条件付き合成も可能となる。実際の解剖学的ばらつきを捉えつつ、構造的連続性を保証する。

ABSTRACT

Computationally synthesized blood vessels can be used for training and evaluation of medical image analysis applications. We propose a deep generative model to synthesize blood vessel geometries, with an application to coronary arteries in cardiac CT angiography (CCTA). In the proposed method, a Wasserstein generative adversarial network (GAN) consisting of a generator and a discriminator network is trained. While the generator tries to synthesize realistic blood vessel geometries, the discriminator tries to distinguish synthesized geometries from those of real blood vessels. Both real and synthesized blood vessel geometries are parametrized as 1D signals based on the central vessel axis. The generator can optionally be provided with an attribute vector to synthesize vessels with particular characteristics. The GAN was optimized using a reference database with parametrizations of 4,412 real coronary artery geometries extracted from CCTA scans. After training, plausible coronary artery geometries could be synthesized based on random vectors sampled from a latent space. A qualitative analysis showed strong similarities between real and synthesized coronary arteries. A detailed analysis of the latent space showed that the diversity present in coronary artery anatomy was accurately captured by the generator. Results show that Wasserstein generative adversarial networks can be used to synthesize blood vessel geometries.

研究の動機と目的

• 医療画像解析のトレーニングデータを拡張するため、現実的で3次元の血管幾何学をデータ駆動型で合成する手法を開発すること。
• ヒューリスティックに依存するモデルベースの手法の限界を克服し、解剖学的多様性を捉えられないことの問題を解決すること。
• 長さなどの特定の特徴を有する血管の条件付き合成を可能にするため、条件付きGANフレームワークを用いること。
• 3次元ボクセル化ではなく1次元パラメータ化を用いることで、構造的連続性を保証し、断片的な出力を回避すること。
• 学習された潜在空間の分離構造を分析し、生成された幾何学の現実性と多様性を検証すること。

提案手法

• 3次元冠動脈幾何学を、中心血管軸に沿った1次元信号としてパラメータ化し、位置、半径、方向を含む。
• 生成器と判別器の両方が大容量の受容 field を持つ畳み込みニューラルネットワークとして実装された条件付きワッサーシュタイン GAN を使用する。
• 深層学習トラッキング手法を用いて臨床的CT血管造影（CCTA）スキャンから抽出した4,412本の実際の冠動脈中心線を用いて GAN をトレーニングする。
• 生成器を、ターゲット血管長を含む属性ベクトルで条件づけることで、制御された合成を可能にする。
• WGAN-GP損失を最適化することで、トレーニングの安定性を向上させ、高精細な出力を得る。
• 学習された潜在空間からサンプリングし、解剖学的に妥当なまま、新たな多様な冠動脈幾何学を生成する。

実験結果

リサーチクエスチョン

• RQ1 深層生成モデルは、臨床データから実際の冠動脈幾何学の背後にある分布を学習できるか？
• RQ2 1次元パラメータ化を用いることで、構造的に連続的で解剖学的に妥当な3次元血管幾何学を GAN が生成できるか？
• RQ3 GAN の潜在空間は、血管長や位置といった意味のある解剖学的ばらつきをどの程度分離して表現できるか？
• RQ4 条件付き生成は、長さなどの特定の血管特性を制御しつつ、現実性を維持できるか？
• RQ5 合成された血管の統計的性質は、実際のトレーニングデータとどの程度類似しているか？

主な発見

• 生成器は、視覚的評価において実際のものと区別がつかない冠動脈幾何学を成功裏に合成した。
• 潜在空間は、左冠動脈樹や右冠動脈樹といった異なる解剖学的サブタイプに対応する明確な領域を捉えており、実際の冠動脈の解剖学的多様性を反映していた。
• 条件付き合成により血管長の制御が可能であった：250 mm の血管は主に右冠動脈オステウムから生成され、実際の解剖学的確率を反映していた。
• モデルはトレーニングデータに存在しない新しい幾何学を生成し、記憶の超えられた一般化を示した。
• 1次元パラメータ化により構造的連続性が保証され、3次元ボクセルベースの GAN で一般的な断片化問題を回避した。
• WGAN-GPトレーニング方式により最適化が安定し、定性的および定量的分析の両面で高品質なサンプルが得られた。