[論文レビュー] Medical Diffusion: Denoising Diffusion Probabilistic Models for 3D Medical Image Generation

Firas Khader, Gustav Mueller-Franzes+13 more|arXiv (Cornell University)|Nov 7, 2022

AI in cancer detection被引用数 22

ひとこと要約

この論文は拡散確率モデルが高品質な3D医用画像（MRIおよびCT）を合成できること、及び合成データによって下流タスクを改善できることを示し、専門読者による評価と乳房セグメンテーションの自己教師付き事前学習の改善で検証されている。

ABSTRACT

Recent advances in computer vision have shown promising results in image generation. Diffusion probabilistic models in particular have generated realistic images from textual input, as demonstrated by DALL-E 2, Imagen and Stable Diffusion. However, their use in medicine, where image data typically comprises three-dimensional volumes, has not been systematically evaluated. Synthetic images may play a crucial role in privacy preserving artificial intelligence and can also be used to augment small datasets. Here we show that diffusion probabilistic models can synthesize high quality medical imaging data, which we show for Magnetic Resonance Images (MRI) and Computed Tomography (CT) images. We provide quantitative measurements of their performance through a reader study with two medical experts who rated the quality of the synthesized images in three categories: Realistic image appearance, anatomical correctness and consistency between slices. Furthermore, we demonstrate that synthetic images can be used in a self-supervised pre-training and improve the performance of breast segmentation models when data is scarce (dice score 0.91 vs. 0.95 without vs. with synthetic data). The code is publicly available on GitHub: https://github.com/FirasGit/medicaldiffusion.

研究の動機と目的

• 拡散確率モデルが現実的な3D医用画像（MRIおよびCT）を生成できるかを評価する。
• 専門家の読者評価を通じて、リアリズム、解剖学、スライスの一貫性の観点で合成画像品質を定量的に評価する。
• データが不足している場合に、自己教師付き事前学習を通じて合成データの有用性を示し、セグメンテーションを改善する。

提案手法

• MRIおよびCTデータの3D医用画像生成に対してデノイシング拡散確率モデルを適用する。
• 2名の医療専門家による読者研究を実施し、合成ボリュームのリアリズム、解剖学的正確さ、スライスの一貫性を評価してもらう。
• 合成データの有用性を定量的に評価し、下流のセグメンテーションタスクの改善を含む。
• 医用画像における拡散ベースの合成を再現する公開コードを提供する。

実験結果

リサーチクエスチョン

• RQ1 拡散確率モデルはMRIおよびCTのモダリティで高品質な3D医用画像を生成できるか？
• RQ2 合成3D医用画像は医療専門家によってリアルさ、解剖学、スライスの一貫性で有利な評価を得るか？
• RQ3 合成データは小規模データセットを拡張して自己教師付き設定で下流のセグメンテーション性能を改善できるか？

主な発見

• 拡散モデルはリアリズム、解剖学、スライスの一貫性の評価において専門家の評価に従い高品質なMRIおよびCT画像を合成できる。
• 合成データは自己教師付き事前学習に使用でき、データが不足している場合に乳房セグメンテーションの性能を改善できる（データなし0.91に対して合成データで0.95の Dice スコア改善を実証）。
• この研究は生成された医用画像の品質を検証する定量的測定と読者研究を提供する。