Geração livre de treinamento de TC 4D e outras aquisições raras melhora a segmentação entre as modalidades

PreprintNível 3 · Ciência emergentemedRxiv26 out 20260 citações

Pré-publicação. Ainda não revisada por pares; não deve orientar conduta.

O que aconteceu

A imagem clínica de rotina capta a anatomia sob um conjunto limitado de condições fisiológicas e de aquisição, deixando modelos de segmentação com exemplos esparsos de como as lesões e os tecidos circundantes se deformam com compressão, respiração ou pulsação vascular. O aumento de imagem padrão expande os conjuntos de dados de treinamento, mas não modela explicitamente a mecânica subjacente a essas mudanças. A simulação biomecânica específica do paciente oferece uma abordagem para gerar imagens anatomicamente consistentes e máscaras de segmentação correspondentes em condições ausentes do exame original, sem imagens adicionais ou treinamento de um modelo generativo. Possuímos que incorporar essa variabilidade mecanicamente fundamentada no treinamento melhora a segmentação entre as modalidades de imagem. Avaliamos três tarefas de segmentação: câncer de mama em tomossíntese de mama digital 3D, tumores pulmonares em TC de tórax e placa carotídea em ultrassom. A partir de cada exame de rotina, modelos biomecânicos específicos do paciente geram aquisições ausentes do estudo original - uma gama de compressões mamárias, ciclo respiratório e distensão da parede arterial ao longo do ciclo cardíaco. Os campos de deslocamento resultantes deformam imagens e máscaras. Os modelos de segmentação foram treinados com e sem os dados gerados através de uma gama de técnicas padrão de aumento de imagem, avaliados por meio de validação cruzada e conjuntos de testes realizados. O realismo foi avaliado por meio de estudos de leitor cego e o movimento respiratório gerado foi validado contra a TC 4D real.

O que encontraram

O treinamento sobre as aquisições geradas melhorou a segmentação entre as modalidades, aumentando os escores de Dice em 6,6% para mama (p 0,05) em relação aos exames de rotina. O movimento respiratório gerado correspondeu de perto à TC 4D real, com dados de 0,94 {+/-} 0,02 para sobreposição do volume pulmonar. Leitores cegos discriminaram imagens geradas a partir de imagens reais com quase chance (AUC: mama 0,61, pulmão 0,41, carótida 0,46).

Por que isso importa

A simulação mecanicista gera aquisições de imagens que os sistemas clínicos não fornecem, sem dados de treinamento ou varredura adicional, e melhora a detecção de doenças baseadas em IA através de modalidades.

Tradução automática do resumo original, publicado em medRxiv sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.