通过合成分析肿瘤
图像与视频处理
2024-09-11 v1 计算机视觉与模式识别
摘要
计算机辅助肿瘤检测在增强解读美国每年进行的 8000 万次 CT 扫描方面显示出巨大潜力。然而，由于 CT 扫描中肿瘤的稀缺性，尤其是早期肿瘤，面临挑战。开发具有真实肿瘤数据的 AI 面临稀缺性、标注困难和低发生率的问题。肿瘤合成通过生成医学图像中的大量肿瘤示例，旨在促进 AI 训练用于肿瘤检测和分割。成功的合成需要在 various organs 中实现真实且可泛化的合成肿瘤。本章节回顾了在真实数据和合成数据上的 AI 开发，并总结了癌症影像研究中合成数据的两个关键趋势：基于建模的方法和基于学习的方法。基于建模的方法，如 Pixel2Cancer，使用通用规则模拟肿瘤随时间的发展；而基于学习的方法，如 DiffTumor，从少数标注的肿瘤实例中学习，在其他器官中生成合成肿瘤。专家放射科学家的读者研究表明，合成肿瘤可以令人信服地真实。我们还在肝脏、胰腺和肾脏的案例研究中发现，仅使用真实数据训练的 AI 性能不亚于使用合成肿瘤训练的 AI。肿瘤合成在扩大数据集、增强 AI 可靠性、提高肿瘤检测性能以及保留患者隐私方面具有巨大潜力。
引用
@article{arxiv.2409.06035,
title = {Analyzing Tumors by Synthesis},
author = {Qi Chen and Yuxiang Lai and Xiaoxi Chen and Qixin Hu and Alan Yuille and Zongwei Zhou},
journal= {arXiv preprint arXiv:2409.06035},
year = {2024}
}
备注
Accepted as a chapter in the Springer Book: "Generative Machine Learning Models in Medical Image Computing."