SYN-LUNGS：利用解剖信息数字孪生模拟肺结节以用于 AI 训练
机器学习
2025-05-08 v3
摘要
用于肺癌筛查的 AI 模型受限于数据稀缺性，这影响了其泛化能力和临床适用性。生成模型解决了这一问题，但受到训练数据变异性的制约。我们提出了 SYN-LUNGS，一个用于生成带有详细标注的高质量 3D CT 图像的框架。SYN-LUNGS 集成了用于数字孪生生成的 XCAT3 体模、用于结节模拟（改变大小、位置和外观）的 X-Lesions，以及具有供应商和参数变异性的用于 CT 图像生成的 DukeSim。该数据集包含来自 1,044 次模拟 CT 扫描的 3,072 张结节图像，包含 512 个病灶和 174 个数字孪生。在临床数据加模拟数据上训练的模型优于仅在临床数据上训练的模型，检测提升了 10%，分割和分类提升了 2-9%，并增强了合成效果。通过引入解剖信息模拟，SYN-LUNGS 为 AI 模型开发提供了一种可扩展的方法，特别是在罕见病表示和提高模型可靠性方面。
引用
@article{arxiv.2502.21187,
title = {SYN-LUNGS: Towards Simulating Lung Nodules with Anatomy-Informed Digital Twins for AI Training},
author = {Fakrul Islam Tushar and Lavsen Dahal and Cindy McCabe and Fong Chi Ho and Paul Segars and Ehsan Abadi and Kyle J. Lafata and Ehsan Samei and Joseph Y. Lo},
journal= {arXiv preprint arXiv:2502.21187},
year = {2025}
}
备注
6 figures, 12 pages