PathoSyn 해부학 기반 병변 편차 확산 MRI 합성

요약:

본 논문에서는 의료 영상 분야에서 고품질 병리 이미지 생성을 위한 새로운 접근법인 PathoSyn을 소개합니다. PathoSyn은 병리와 해부학 사이의 본질적인 불균형을 해결하고, 더 안전하고 신뢰할 수 있는 임상 의사 결정 지원 도구를 개발하기 위해 설계되었습니다. 기존 방법들이 전체 이미지를 직접 다루는 반면, PathoSyn은 병리적 변이를 분리된 요소로 취급하여 해부학적 안정성을 유지하면서 고해상도 병리 이미지를 생성합니다.

기존 문제점:

병리 이미지 생성은 제한된 데이터 가용성, 윤리적 제약, 높은 주석 비용 등의 어려움에 직면해 있습니다. 생성 모델은 이러한 부족한 데이터를 보완하고 실제 세계 데이터를 보완하는 데 도움이 될 수 있습니다. 고품질 합성 병리는 임상 개입 계획에 유용하며, 희귀한 사례를 드러내고, 모델을 배포하기 전에 잠재적인 오류를 시각화할 수 있습니다. 그러나 기존 접근법은 해부학적 안정성과 병리적 변이의 세부 표현 사이의 균형을 맞추는 데 어려움을 겪고 있습니다.

PathoSyn의 혁신:

PathoSyn은 병리 이미지를 ‘구조적 변이’로 모델링하여 이 문제를 해결합니다. 이는 전체 이미지를 무제한적인 확률 변수로 취급하는 대신, 병리와 해부학의 두 가지 다른 요소를 분리하고 각 요소가 어떻게 불확실성, 다양성 및 진행 패턴을 가져야 하는지 명확히 합니다.

핵심 기여:

1. 표현 전환: 병리를 구조적 변이로 모델링하여 전체 이미지를 확률 변수로 취급하는 대신 해부학적 기반을 보존하고 병리적 변이를 분리합니다.
2. 깊이 학습 프레임워크: 병리적 변이를 모델링하기 위해 이미지 자체가 아닌 변이에 대한 확산 과정을 사용하는 공동 깊은 학습 프레임워크를 제시합니다. 이는 병리적 변이가 해부학적 배경에서 독립적으로 생성될 수 있도록 합니다.
3. 실용적인 합성 파이프라인: 현실적인 병리적 다양성을 포착하고, 해부학적 충실도를 유지하며, 신뢰할 수 있는 다운스트림 분석을 위한 안정성을 향상시키는 실용적인 합성 파이프라인을 제공합니다.

기존 접근 방식의 구분:

병리 이미지 생성 방법은 정의되는 도메인이 전체 이미지의 확률 분포를 결정하는지, 아니면 병리와 해부학의 요소를 분리하는지에 따라 분류될 수 있습니다.

• 전체 이미지 합성: 초기 GAN과 VAE 기반 모델들은 x ∼ pθ(x) 가정하여 네트워크가 전체 이미지 집합의 모든 가능성을 배분하도록 합니다. 이는 해부학적 구조에 대한 제약이 없기 때문에 병리적 변이가 해부학적 배경에서 벗어날 수 있습니다.
• 마스크 조건부 및 인파팅 방법: 마스크 조건부 방법은 x ∼ pθ(x|m)로 문제를 축소하여 m ∈ {0, 1}H×W로 정의된 병리 영역에만 변경을 제한합니다. 이는 병리적 경계를 명확히 하지만 내부 다양성과 불확실성을 충분히 표현하지는 못합니다.
• 요인화 표현 학습: 요인화 기반 접근 방식은 (z anat, z path)로 이미지를 분해하여 해부학적 및 병리적 속성을 분리합니다. 그러나 이러한 접근 방식에서 변환은 해소되지 않고, 병리적 변이가 비해부학적 영역으로 유출될 수 있습니다.
• 확산 기반 생성 모델: 최신 확산 모델은 안정성과 다중 모드 샘플링을 향상시킵니다. 그러나 그들은 일반적으로 이미지를 전체적으로 변화시키는 확산 과정을 진화시키며, 해부학적 불변성을 보장하지 않습니다.

PathoSyn의 접근 방식:

…(본문이 길어 생략되었습니다. 전체 내용은 원문 PDF를 참고하세요.)…