AnatoMix: Anatomy-aware Data Augmentation for Multi-organ Segmentation
원문 초록
Multi-organ segmentation in medical images is a widely researched task and can save much manual efforts of clinicians in daily routines. Automating the organ segmentation process using deep learning (DL) is a promising solution and state-of-the-art segmentation models are achieving promising accuracy. In this work, We proposed a novel data augmentation strategy for increasing the generalizibility of multi-organ segmentation datasets, namely AnatoMix. By object-level matching and manipulation, our method is able to generate new images with correct anatomy, i.e. organ segmentation mask, exponentially increasing the size of the segmentation dataset. Initial experiments have been done to investigate the segmentation performance influenced by our method on a public CT dataset. Our augmentation method can lead to mean dice of 76.1, compared with 74.8 of the baseline method.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
포괄적 심장 CT 분할 및 표현형 분석을 위한 통합 프레임워크: 휴먼-인-더-루프 데이터 어노테이션, 비전 파운데이션 모델 개발, 다기관 평가 및 임상 검증
A Unified Framework for Comprehensive Cardiac CT Segmentation and Phenotyping: Human-in-the-Loop Data Annotation, Vision Foundation Model Development, Multicenter Evaluation and Clinical Validation
전산화 단층촬영(CT)으로부터 심장 구조물을 포괄적으로 정량화하는 작업은 데이터 가용성이 아닌 측정의 확장성에 의해 제한되어 있어, 임상 현장에서의 일상적 활용이 비현실적이다. 본 연구에서는 휴먼-인-더-루프 어노테이션 파이프라인, 심장 CT 증강 기법, 그리고 60,000개의 레이블 없는 심장 CT 스캔으로 사전학습된 자기지도(self-supervised) 파운데이션 모델을 결합한 포괄적 심장 CT 분할 및 표현형 분석을 위한 통합 프레임워크를 제시한다. 이 방법을 통해 현재까지 구축된 것 중 가장 크고 포괄적인 전문가 어노테이션 심장 CT 분할 데이터셋을 구성하였으며, 총 1,598개 케이스와 14가지 심장 구조물로 이루어져 있다(학습용 1,000개, 외부 테스트 세트 598개). 다섯 개의 외부 데이터셋에서 본 프레임워크는 기존 오픈소스 도구보다 더 정확하고 포괄적으로 모든 구조물을 분할하였다. 자기지도 사전학습은 레이블링 효율성을 향상시켰으며, 저데이터 환경에서의 외부 평가에서 가장 두드러진 성능 향상이 관찰되었다. 합성곱, 트랜스포머, 상태 공간 아키텍처에 걸친 벤치마킹에서 유사한 성능이 나타나, 정확도를 결정하는 요인이 아키텍처가 아닌 데이터 품질과 사전학습임을 시사하였다. 본 프레임워크는 집단 수준의 표현형 분석으로 확장되었으며, 분할된 해부 구조는 인구통계학적 변수 이상으로 심실 기능 및 질병 중증도에 관한 기능적으로 유의미한 정보를 담고 있음이 확인되었다. 사람 레이블이 포함된 최대 규모의 데이터셋, 코드, 모델 가중치, CT 증강 라이브러리, 소프트웨어를 공개함으로써, 본 연구는 일상적으로 획득된 CT 스캔으로부터의 기회적 심장 표현형 분석을 위한 재현 가능한 기반을 제공한다.
FleXray: 범용 임상 X선 분할
FleXray: Universal Clinical X-ray Segmentation
X선(X-ray)은 의학 분야에서 가장 널리 사용되는 영상 양식이지만, 여전히 정량적 활용도가 가장 낮은 편에 속합니다. CT나 MRI 같은 볼륨(volumetric) 영상 양식과 달리 X선은 3차원 해부학적 구조를 2차원 투영으로 압축하므로 구조 간 중첩이 발생하고 전문가에게도 해부학적 경계가 모호해집니다. 그 결과, 범용 분할(segmentation) 시스템을 학습(training)하기 위해 X선 데이터베이스를 라벨링하는 것은 비현실적이며, 형태 계측 및 기능적 X선 분석은 좁은 해부학적 부위와 제한된 응용 분야에 국한되어 왔습니다. 이를 해결하기 위해 본 논문에서는 임상 X선에서 전신에 걸친 해부학적 분할을 수행하는 제너럴리스트 모델(generalist model)인 FleXray를 제시합니다. 대규모의 수동 주석 X선 데이터셋(dataset)을 구축하는 대신, 확장 가능한 물리 기반 생성형 X선 데이터 엔진을 구축합니다. 기존의 3차원 전신 CT 분할 데이터셋과 생성형 이미지 편집 모델을 활용하여 다양한 외관, 생리학적 특성 및 촬영 기하학적 조건을 갖춘 완전히 주석 처리된 2차원 X선을 시뮬레이션합니다. 이러한 시뮬레이션을 통해 학습된 FleXray는 학습에 사용되지 않은 연구용 데이터셋 및 야생(in-the-wild) X선에서 60개의 해부학적 구조를 정확하게 분할합니다. 나아가 FleXray가 X선을 정량적 분석에 직접 활용할 수 있도록 만들어, 질환 중증도 분류를 위한 자동 측정, X선 유도 중재 시술 중의 강건한 내비게이션, 병리학적 대상에 대한 데이터 효율적 학습을 가능하게 함을 보여줍니다. 본 연구진은 모델, 코드, 전신 X선 분할 데이터셋, 그리고 사용하기 쉬운 로컬 브라우저 기반 도구를 https://flexray.csail.mit.edu 에 공개합니다.
CTSpinoPelvic1K: 단일 좌표계의 척추·골반·늑골·대퇴골, 요천추 전환부 해부학 주석
CTSpinoPelvic1K: spine, pelvis, ribs and femora in one coordinate frame, annotated for lumbosacral transitional anatomy
목적: 요천추 접합부 천추는 전체 척추 영상에서 C2부터 caudal 방향으로 세어 이름을 붙이지만, 요추 수술 계획은 C2 없이 요추만 영상(T12–S1)으로 세운다. 복부·골반 CT는 그 구간에 최하위 늑골과 골반까지 포함한다. 요천추 전환 천추(lumbosacral transitional vertebra, LSTV)가 개수를 바꾸면 국소 해부는 모호해진다. 늑골 없는 천추가 네 개이면 요추 늑골을 동반한 L1일 수도 있고 천골에 동화된 L5일 수도 있으며, 여섯 개이면 제6요추, 무형성 늑골을 동반한 T12, 또는 요추화된 S1일 수 있다. CTSpinoPelvic1K는 개수 없이 국소 형태만으로 이를 판별할 수 있는지 묻는다. CTSpine1K의 천추와 CTPelvic1K의 골반은 동일 환자를 각각 다뤘으나 결합되지 않았고, 본 공개판은 한 시리즈에서 이를 결합하고 어느 쪽에도 없던 골을 추가한다. 802건의 CT 기록을 제공하며, 레벨별 늑골·대퇴골, 최하위 늑골 부착 천추와 S1에 고정된 레벨, L6·T13·분리된 S1·요추 늑골 클래스를 두어 이상을 그대로 기록한다. 취득 및 검증 방법: 각 환자의 골량이 가장 많은 시리즈에서 VerSe-native 체계 하에 CTSpine1K와 CTPelvic1K 라벨을 짝지었다. 검증은 기하 불변량(802/802 통과), 5,749개 늑골에 대한 늑골–천추 대응(0.035% 오차), 문헌값과 일치하는 척골–골반 측정을 포함했다. 데이터 형식 및 사용 안내: 환자 단위 그룹·LSTV 계층화 5-fold 분할과 로더가 있는 NIfTI 영상/라벨 쌍; https://doi.org/10.5281/zenodo.22139642 에 보관. 잠재적 응용: 국소 특징으로부터 천추 분류, cadaveric 형태계량 갱신, 척골–골반 평가, 기회적 스크리닝, 공개 수술 전 요추 코호트가 없는 상황에서의 수술 계획 연구(377건 prone). 한계: 흉추 ground truth는 시야(field-of-view) 제한, 자세 각도는 supine, 별도 test set 없음, 늑골은 triaged-review 의사라벨, Castellvi 등급은 33건에 대한 두 판독자 합의.
현장(point-of-care) 유도 배치를 위한 실시간 EEG 캡 전극 검출
Real-Time EEG Cap Electrode Detection for Guided Point-of-Care Placement
우리는 라이브 웹캠 스트림에서 EEG 캡 전극을 검출하고 해부학적 배치를 실시간으로 검증하는 2단계 비전 시스템을 제안한다. 단일 클래스 YOLO 검출기가 전극을 위치 특정하고, 기하학적 단계가 얼굴 랜드마크로부터 각 검출 결과를 명명된 10-20 역할에 할당한다. 임상적으로 검증된 Small/Medium/Large 캡을 착용한 5명의 피험자에 대해 피험자 분리(subject-disjoint) leave-one-subject-out(LOSO) 교차 검증으로 평가한 결과, 검출기는 5개의 홀드아웃 fold에서 mAP@.5 = 0.94 +/- 0.07(pooled 0.96)를 달성한다. 전용 leave-one-cap-out 축에서 피험자와 무관하게 특정 캡의 모든 프레임을 홀드아웃하면 Medium과 Large의 mAP@.5는 LOSO 대비 0.01 이내(0.97, 0.97)인 반면 Small은 0.72 +/- 0.28로 하락하며, 이 격차는 캡 스타일보다 피험자 숙련도와 교란(confound)된다. 기하학적 증강(rotation, perspective, mixup)은 추론 비용 없이 평면 내 롤(in-plane-roll) 견고성과 측두(temporal) 전극 재현율을 향상시키며, 랜드마크 기반 머리 크롭(head crop)은 사용 가능 거리 범위를 확장하여 겉보기 스케일(apparent scale) 0.6배에서 mAP@.5를 0.23에서 0.45로 끌어올린다. 컴팩트한 모바일 후보 백본(YOLOv10n)은 640 px에서 범용 CPU 상에서 검출기를 실시간 처리량(19 FPS)으로 유지한다.
공정하고 효율적인 악성 분류를 위한 다양한 피부과 영상의 제어 가능한 생성
Controllable Generation of Diverse Dermatological Imagery for Fair and Efficient Malignancy Classification
정확한 피부과 진단은 자연스럽게 다양한 인구 집단에 걸친 공평한 성능을 필요로 하지만, 특히 대표성이 낮은 피부 톤과 희귀 질환에 대한 전문가 주석 이미지의 체계적 부족은 측정 가능하게 공정한 방법으로의 진전을 저해한다. 우리는 cgDDI(Controllable Generation of Diverse Dermatological Imagery)를 소개한다. 이는 (1) 다른 입력 속성을 방해하지 않고 사실적인 건강한 피부 샘플을 합성하고, (2) 단일 샘플 희귀 병변을 새로운 피부 톤과 위치에 비모수적으로 매핑하며, (3) 단 10개의 학습 샘플만으로도 효율적인 모수적 생성을 가능하게 하는 하이브리드 프레임워크이다. 이 프레임워크는 사람과 자동 분할 마스킹(segmentation masking)을 모두 지원하여, 사전에 만들어진 병변 마스크가 없는 데이터셋으로도 확장 가능하게 한다. 우리는 656장 이미지 데이터셋을 400배 이상 확장하고, 생검으로 확인된 Diverse Dermatology Images(DDI)와 전문가가 검증한 Fitzpatrick17k(F17k) 두 데이터셋에서 검증한다. DDI 벤치마크에서 합성 데이터만으로 학습한 경우 86.4%의 악성 분류 정확도를, 실제 데이터 미세조정과 함께 90.9%의 최신(state-of-the-art) 성능을 달성했으며, 공정성 지표에서도 선두 수준의 결과를 보였다. 교차 데이터셋 실험에서는 질병 중복이 거의 없음에도 불구하고, 보지 못한 F17k 데이터에서 +13.9%의 정확도 향상을 보였다. 공정성 연구를 더욱 지원하기 위해 26만 6천 개 이상의 합성 이미지, 코드, 생성 모델을 https://github.com/hectorcarrion/ControllableGenDDI 에서 공개한다.
집중 학습: 의료 이미지 분류를 위한 해부학 유도 어텐션 정규화
Learning To Focus: Anatomy-Guided Attention Regularization for Medical Image Classification
의료 이미지 분류 모델은 예측 시 진단적으로 관련된 영역을 식별하는 것이 이상적으로 기대되지만, 표준 분류 손실은 공간적 감독을 거의 제공하지 않는다. 과제 관련 해부학의 분할 마스크와 같은 해부학적 형태 정보를 통한 명시적 감독은 네트워크를 목표 예측에 관련된 영역으로 유도하는 것으로 나타났다. 그러나 이러한 마스크를 획득하는 데는 상당한 수동 어노테이션 노력과 계산 오버헤드가 수반된다. 다양한 영상 모달리티에서 해부학적 구조를 강력하게 위치 파악하는 분할 파운데이션 모델의 등장으로, 우리는 전용 분할 모델을 학습하는 부담 없이 해부학적 형태 사전 정보를 추출하기 위해 이 능력을 활용한다. 본 논문에서는 사전학습된 분할 파운데이션 모델을 활용하여 다양한 영상 모달리티에서 분류기의 어텐션을 진단적으로 의미 있는 해부학적 구조로 유도하는 해부학적 어텐션 정규화 프레임워크인 Locus를 제안한다. 파운데이션 모델에서 도출된 마스크와의 픽셀 단위 정렬을 강제하는 대신, 해부학적(전경) 영역과 배경 영역 사이의 어텐션을 적응적으로 균형 조정하는 정규화 항을 도입하여 배경 어텐션이 지배적일 때 분류기에 페널티를 부여한다. 우리는 피부경검사, X선, 조직병리학, 심장 MRI를 포괄하는 8개의 다양한 의료 영상 데이터셋에서 Locus를 검증하여, 향상된 해부학적 근거 어텐션과 함께 분류 성능의 일관된 향상을 보여준다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.