Learning Sequential Information in Task-based fMRI for Synthetic Data Augmentation
원문 초록
Insufficiency of training data is a persistent issue in medical image analysis, especially for task-based functional magnetic resonance images (fMRI) with spatio-temporal imaging data acquired using specific cognitive tasks. In this paper, we propose an approach for generating synthetic fMRI sequences that can then be used to create augmented training datasets in downstream learning tasks. To synthesize high-resolution task-specific fMRI, we adapt the $\alpha$-GAN structure, leveraging advantages of both GAN and variational autoencoder models, and propose different alternatives in aggregating temporal information. The synthetic images are evaluated from multiple perspectives including visualizations and an autism spectrum disorder (ASD) classification task. The results show that the synthetic task-based fMRI can provide effective data augmentation in learning the ASD classification task.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
롱테일 의료 영상 분류
Long-Tailed Medical Image Classification
본 논문에서는 희귀 질환의 샘플이 매우 적은 롱테일 분포(long-tailed distributions)로 인해 표준 기법을 의료 영상 분류에 적용할 때 겪는 어려움을 검토한다. 이는 흔한 질환 진단에는 치우치고 희귀 질환 진단에서는 멀어지는 바이어스를 초래한다. 이어서 증강(augmentation)과 같은 기법을 활용한 심층 학습 모델을 논의하고 구현하여, 특히 희귀 질환에서 발생하는 오류를 최소화한다. AP, F1 score, AUROC, 손실(모두 검증 세트에서)을 기준으로 다양한 모델을 평가한다. 마지막으로 최고 성능 모델의 유망한 결과와 의료 분야에서의 잠재적 응용 가능성을 제시한다.
의료 영상 인페인팅에서의 확산 모델: 과제, 해결책 분류체계 및 향후 방향
Diffusion Models in Medical Image Inpainting: Challenges, Solution Taxonomy, and Future Directions
이미지 인페인팅은 가능한 한 시각적·의미적 일관성을 유지하면서 이미지의 누락되거나 손상된 영역을 복원하는 것을 목표로 한다. 의료 영상에서는 아티팩트, 정보 누락, 병리학적 변화가 진단 신뢰도와 하류 임상 응용을 저해할 수 있기 때문에 이 과제가 특히 중요하다. 최근 확산 모델(diffusion models)은 해부학적으로 일관된 복원을 생성할 수 있다는 점 때문에 의료 영상 인페인팅을 위한 최첨단 생성 접근법으로 부상했다. 본 서베이는 60편의 연구에 보고된 주요 아키텍처, 응용, 데이터셋, 평가 전략을 다루며 의료 영상 인페인팅을 위한 확산 기반 방법에 대한 체계적 검토를 제시한다. 또한 확산 기반 접근법에 대한 분류체계를 제안한다. 분석 결과, 확산 기반 의료 영상 인페인팅에 대한 연구 관심이 급격히 증가하고 있으며, 노이즈 제거 확산 확률 모델(denoising diffusion probabilistic models, DDPM)과 잠재 확산 모델(latent diffusion models, LDM)이 지배적인 아키텍처로 부상하고 있음을 보여준다. 검토된 연구들은 주로 아티팩트 제거, 데이터 증강, pseudo-healthy 조직 복원, 이상 탐지에 초점을 맞추며, 특히 자기공명영상(MRI)과 컴퓨터 단층촬영(CT) 영상에서 다루어진다. 전반적으로 확산 모델은 해부학적으로 그럴듯한 복원을 생성하고 하류 임상 과제를 지원하는 데 강력한 성능을 보여준다. 그러나 본 검토는 표준화된 벤치마크 부재, 제한된 데이터셋 다양성, 다양한 임상 응용 및 영상 시나리오 전반에 걸친 제한적인 검증 절차 등 중요한 과제도 강조한다.
질병 분류기의 바이어스 완화 및 바이어스 탐지를 위한 인구통계 조건 합성 의료 영상
Demographically-Conditioned Synthetic Medical Images for Bias Mitigation and Bias Detection in Disease Classifiers
의료 영상 분류기에 대한 하위군별 공정성 감사는 표본 크기 문제에 직면한다. 홀드아웃 테스트 세트의 소수 하위군은 표본이 너무 적어, 하위군별 성능에 대한 신뢰구간이 감사가 탐지하려는 바이어스보다 더 넓어진다. 우리는 인구통계학적으로 조건을 부여한 합성 생성기가 학습 측면에서는 바이어스를 완화하고, 평가 측면에서는 바이어스를 탐지하는 두 역할을 모두 수행할 수 있다고 주장한다. 엔드투엔드(end-to-end) 미세조정 Stable Diffusion 2.1 생성기를 사용한 COVID-19 흉부 CT 분류 실험에서 두 가지 발견을 얻었다. 바이어스 완화(학습) 측면에서, 인구통계학적으로 균형 잡힌 합성 코호트는 공동 증강(joint augmentation)이 아니라 사전학습(pre-training) 사전분포(prior)로 활용될 때 가장 유용하다. 동일한 고정 데이터에서 순차적 사전학습 후 미세조정은 공동 증강을 크게 능가하며, 그 결과 분류기는 약 $\sim$$100\times$ 실데이터 효율로 전량 실데이터 기준선을 넘어선다. 바이어스 탐지(평가) 측면에서, 다섯 개의 합성 소수 코호트와 다섯 개의 분류기 시드에 걸쳐, 합성 추정량은 충분한 검정력을 갖춘 실데이터 오라클(oracle)의 하위군 순위를 재현한다(MCC와 재현율에서 Spearman $ρ= 1.00$)며, 소규모 실데이터 테스트 세트에서 표본이 부족한 셀에서 더 신뢰할 수 있는 셀별 추정을 제공한다. 따라서 합성 코호트는 공정성 감사가 중요하게 여기는 바로 그 셀에서, 하위군 바이어스의 해결책이자 측정 수단으로서 가장 유용하다.
On the effects of emulated quantum layers on CNN performance and explainability for OCT and dementia imaging
흉부 방사선 사진 골 억제를 위한 확장 가능한 감독으로서 해부학 분해 흉부 CT 투영
Anatomy-Decomposed Chest Computed Tomography (CT) Projections as Scalable Supervision for Bone Suppression in Chest Radiographs
ClinFusion: 포괄적 의료 이해를 위한 비전 중심 다중모달 LLM 시스템
ClinFusion: A Vision-Centric Multimodal LLM System for Holistic Medical Understanding
다중모달 대규모 언어 모델(MLLM)은 임상 실무를 혁신할 막대한 잠재력을 지니고 있으나, 의료 분야에 이를 배포하는 것은 근본적으로 비전 중심의 과제이다. 모델은 이질적인 2D 및 3D 의료 영상으로부터 지식을 흡수해야 하며, 평가 프로토콜은 방사선 전문의의 임상 실무와 부합해야 하고 정확하고 세밀하며 사실성 중심의 평가를 제공해야 한다. 본 논문에서는 이러한 한계를 체계적으로 해결하기 위해 포괄적 의료 이해를 위해 설계된 비전 중심 MLLM인 ClinFusion을 소개한다. 우리는 Cascade Spatial-Aware Locality Fusion 연산자를 특징으로 하는 구성적·계단식 비전 인코더 아키텍처를 제안하며, 이는 융합 인코더 내에서 다양한 2D 및 네이티브 3D 의료 영상 이해를 통합한다. 또한 지시 따르기(instruction following) 평가를 위한 MedIF-Bench와, 임상적으로 정렬되고 사실성 중심의 보고서 생성 평가를 위한 관심 영역(RoI) 기반 방법을 포함하는 비전 그라운딩(vision-grounded) 평가 프레임워크를 추가로 도입한다. ClinFusion이 시각적 질의응답, 보고서 생성, 지시 따르기에 이르는 2D 및 3D 다중모달 의료 벤치마크와 텍스트 의료 과제를 아우르는 포괄적 벤치마크 모음 전반에서 새로운 최첨단(state-of-the-art) 성능을 달성함을 보인다. 24개 벤치마크 중 20개에서 Hulu-Med, Lingshu 등 선도적인 오픈소스 의료 MLLM을 능가했으며, 16개 벤치마크 중 13개에서 GPT-5.2, Gemini-3-Flash와 같은 강력한 독점 모델보다 우수한 다중모달 능력을 보였고, 검색-증강 생성(RAG) 및 도구 지원 임상 워크플로를 위한 에이전트(agent) 도구 사용으로 더욱 확장할 수 있다. 방사선 전문의 자격을 갖춘 전문의들의 단맹 평가는 ClinFusion이 최상위 순위의 보고서를 생성함을 확인했으며, 우리의 RoI 기반 지표가 검토된 모든 자동 평가 지표 중 전문가 판단과 가장 강한 상관관계를 달성함을 검증했다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.