[論文レビュー] HUydra: Full-Range Lung CT Synthesis via Multiple HU Interval Generative Modelling

António Cardoso, Pedro Sousa+2 more|arXiv (Cornell University)|Mar 24, 2026

Generative Adversarial Networks and Image Synthesis被引用数 0

ひとこと要約

This paper proposes HUydra, a method for lung CT synthesis across full HU ranges using multiple interval-based generative modelling.

ABSTRACT

Currently, a central challenge and bottleneck in the deployment and validation of computer-aided diagnosis (CAD) models within the field of medical imaging is data scarcity. For lung cancer, one of the most prevalent types worldwide, limited datasets can delay diagnosis and have an impact on patient outcome. Generative AI offers a promising solution for this issue, but dealing with the complex distribution of full Hounsfield Unit (HU) range lung CT scans is challenging and remains as a highly computationally demanding task. This paper introduces a novel decomposition strategy that synthesizes CT images one HU interval at a time, rather than modelling the entire HU domain at once. This framework focuses on training generative architectures on individual tissue-focused HU windows, then merges their output into a full-range scan via a learned reconstruction network that effectively reverses the HU-windowing process. We further propose multi-head and multi-decoder models to better capture textures while preserving anatomical consistency, with a multi-head VQVAE achieving the best performance for the generative task. Quantitative evaluation shows this approach significantly outperforms conventional 2D full-range baselines, achieving a 6.2% improvement in FID and superior MMD, Precision, and Recall across all HU intervals. The best performance is achieved by a multi-head VQVAE variant, demonstrating that it is possible to enhance visual fidelity and variability while also reducing model complexity and computational cost. This work establishes a new paradigm for structure-aware medical image synthesis, aligning generative modelling with clinical interpretation.

研究の動機と目的

• 現実的で全範囲の肺CT合成の必要性を動機づける。
• HUydraを複数のHU区間上で動作する生成フレームワークとして紹介する。
• 多様なHU範囲にわたる肺CTデータの合成の実現可能性を示す。
• データ拡張と医用画像研究への潜在的利益を強調する。

提案手法

• HU空間を複数の区間に分割する生成モデリングフレームワークを提案する。
• 各HU区間内でCTデータを合成し、それらを全範囲出力に結合するメカニズムを開発する。
• 最終CT体積における隣接HU区間間の一貫性を確保する戦略を採用する。
• 多区間CT合成に適した訓練・最適化手順を概説する。

実験結果

リサーチクエスチョン

• RQ1 複数区間アプローチを用いて全Hounsfield Unit範囲で正確な肺CT合成を達成できるか。
• RQ2 HU区間モデリングはHU範囲全体のリアリズムと一貫性にどのように影響するか。
• RQ3 全範囲合成が医用画像タスクとデータ拡張にもたらす潜在的利益は何か。

主な発見

• (提供されたテキストには記載なし)